طراحی و ساخت دستگاه EMG پرتابل جهت ثبت و پایش بلادرنگ سیگنال‌های عضلانی
هاجر دانش
1
(
گروه برق و مهندسی پزشکی، دانشکده فنی و مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران
)
سید حسن میر مهدی
2
(
گروه برق و مهندسی پزشکی، دانشکده فنی و مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران
)
حمیدرضا شیرزاد فر
3
(
گروه برق و مهندسی پزشکی، دانشکده فنی و مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران
)
فرهاد خسروی
4
(
گروه برق و مهندسی پزشکی، دانشکده فنی و مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران
)
کلید واژه: الکترومایوگرافی , (EMG), تشخیص اختلالات عصبی-عضلانی, تقویت‌کننده سیگنال, سیستم قابل حمل ,
چکیده مقاله :
سیگنال‌های الکترومایوگرافی (EMG) به‌عنوان منبع اصلی اطلاعات در مورد فعالیت‌های الکتریکی عضلات، اطلاعات حیاتی درباره وضعیت عملکرد سیستم عصبی- عضلانی ارائه می‌دهند و در تشخیص بیماری‌های این سیستم، ارزیابی عملکرد عضلات و تحلیل سیستم‌های حرکتی نقش بسزایی دارند. این سیگنال‌ها، با توجه به حساسیت بالا به نویزهای متعدد شامل نویز شبکه برق، نویز حرکتی، تداخلات محیطی و ضعف طبیعی آن‌ها، نیازمند مراحل دقیق تقویت، فیلترینگ و پردازش هستند. در این مقاله، یک سیستم قابل‌حمل برای ثبت و پردازش سیگنال‌های عضلانی با استفاده از تکنیک‌های پیشرفته فیلترینگ و تقویت سیگنال طراحی و ساخته می شود. سیگنال‌های تقویت‌شده و فیلتر‌شده توسط یک مبدل آنالوگ به دیجیتال نمونه‌برداری می‌شوند و از طریق ماژول بی سیم به یک وب‌اپلیکیشن ارسال می‌گردندو امکان نمایش لحظه‌ای سیگنال خام، یکسو‌شده و میانگین قله‌های سیگنال را فراهم میگردد. نوآوری این طرح استفاده از ترکیب مدارات پیشرفته فیلترینگ، تقویت، بهبود نسبت سیگنال به نویز و انتقال داده‌ها به صورت بلادرنگ به یک وب‌اپلیکیشن می‌باشد. این سیستم قادر به حذف مؤثر نویزهای محیطی، تقویت سیگنال‌های ضعیف و ارائه یک رابط کاربری تعاملی برای تحلیل سیگنال است. نتایج نشان می‌دهد پاسخ فرکانسی سیستم به‌طور مناسبی با نیازهای سیگنال‌های عضلانی هماهنگ است و نویزهای فرکانسی مزاحم را به‌صورت قابل‌توجهی حذف می‌نماید. رزولوشن بالاتر مبدل آنالوگ به دیجیتال و استفاده از فیلترهای مرتبه بالا منجر به بهبود عملکرد سیستم شده است.
چکیده انگلیسی :
Electromyography (EMG) signals are a fundamental source of information regarding the electrical activity of muscles, offering critical insights into the functional status of the neuromuscular system. These signals are essential for diagnosing neuromuscular disorders, assessing muscle functionality, and analyzing movement patterns. However, due to their high sensitivity to various forms of interference including power line noise, motion artifacts, and environmental disturbances along with their inherent weakness, EMG signals require meticulous amplification, filtering, and processing. This paper introduces the design and construction of a portable system specifically developed for the acquisition and processing of EMG signals, employing advanced filtering and amplification techniques. The amplified and filtered signals are sampled by an analog-to-digital converter and transmitted to a web application via a Wi-Fi module, facilitating real-time visualization of the raw, rectified, and average peak signals. The novelty of this design lies in the synergistic combination of advanced filtering and amplification circuits, which enhance the signal-to-noise ratio while enabling real-time data transmission to a web application. This system is adept at eliminating environmental noise, amplifying weak EMG signals, and providing an interactive user interface for comprehensive signal analysis. Results demonstrate that the system's frequency response is optimally aligned with the requirements of EMG signals, significantly mitigating the effects of interfering frequency noise. The implementation of a higher-resolution ADC and higher-order filters has yielded substantial improvements in overall system performance.
[1] R. E. Singh, K. Iqbal, G. White, J. K. J. A. i.-a. i. m. Holtz, and biology, "A review of EMG techniques for detection of gait disorders," pp. 19-40, 2019, doi: 10.5772/intechopen.84403.
[2] E. Farago, D. MacIsaac, M. Suk, and A. D. J. I. R. i. B. E. Chan, "A review of techniques for surface electromyography signal quality analysis," vol. 16, pp. 472-486, 2022.
[3] Y.-T. Liu, K.-C. Wang, K.-C. Liu, S.-Y. Peng, and Y. Tsao, "SDEMG: Score-Based Diffusion Model for Surface Electromyographic Signal Denoising," in ICASSP 2024-2024 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2024: IEEE, pp. 1736-1740.
[4] M. Boyer, L. Bouyer, J.-S. Roy, and A. J. S. Campeau-Lecours, "Reducing noise, artifacts and interference in single-channel emg signals: A review," vol. 23, no. 6, p. 2927, 2023.
[5] L. Shaw, S. J. I. J. o. E. S. Bagha, and Technology, "Online EMG signal analysis for diagnosis of neuromuscular diseases by using PCA and PNN," vol. 4, no. 10, pp. 4453-4459, 2012.
[6] J.-Y. J. N. C. C. N. Hogrel, "Clinical applications of surface electromyography in neuromuscular disorders," vol. 35, no. 2-3, pp. 59-71, 2005.
[7] H.-G. Kwon, H.-G. Ko, Y.-O. Song, E.-S. Son, and B.-J. J. T. J. o. t. K. i. o. e. c. s. Lee, "Knee rehabilitation system through EMG signal analysis and bldc motor control," vol. 14, no. 5, pp. 1009-1018, 2019.
[8] K. Savoji, M. Soleimani, M. A. J. E. E. T. o. AI, and Robotics, "A Comprehensive Review of Electromyography in Rehabilitation: Detecting Interrupted Wrist and Hand Movements with a Robotic Arm Approach," vol. 3, 2024.
[9] M. Al-Ayyad, H. A. Owida, R. De Fazio, B. Al-Naami, and P. J. E. Visconti, "Electromyography monitoring systems in rehabilitation: A review of clinical applications, wearable devices and signal acquisition methodologies," vol. 12, no. 7, p. 1520, 2023.
[10] N. Massó, F. Rey, D. Romero, G. Gual, L. Costa, and A. J. A. M. E. Germán, "Surface electromyography applications in the sport," vol. 45, no. 165, pp. 121-130, 2010.
[11] J. Sun, G. Liu, Y. Sun, K. Lin, Z. Zhou, and J. J. F. i. S. N. Cai, "Application of surface electromyography in exercise fatigue: a review," vol. 16, p. 893275, 2022.
[12] J. Taborri et al., "Sport biomechanics applications using inertial, force, and EMG sensors: A literature overview," vol. 2020, no. 1, p. 2041549, 2020.
[13] M. Tanweer and K. A. Halonen, "Development of wearable hardware platform to measure the ECG and EMG with IMU to detect motion artifacts," in 2019 IEEE 22nd International Symposium on Design and Diagnostics of Electronic Circuits & Systems (DDECS), 2019: IEEE, pp. 1-4.
[14] H. Shirzadfar, "The structure and function of nervous system and skeletal muscle: a review," Current neuropsychiatry and clinical neuroscience reports, vol. 3, no. 1, pp. 1-25, 2021.
[15] A. Palumbo, P. Vizza, B. Calabrese, and N. J. S. Ielpo, "Biopotential signal monitoring systems in rehabilitation: A review," vol. 21, no. 21, p. 7172, 2021.
[16] H. S. H Danesh, A I T Zavare, F Khosarvi and E N Esfahani, "Implementing RFID Technology for Hospital Security to Track Infants and Sensitive Psychological Patient," Clinical Case Reports and Studies, vol. 5, no. 9, 2024, doi: DOI:10.31579/2690-8808/224.
[17] R. Thukral, A. Kumar, and A. Arora, "Effect of different thresholding techniques for denoising of emg signals by using different wavelets," in 2019 2nd International conference on intelligent communication and computational techniques (ICCT), 2019: IEEE, pp. 161-165.
[18] G. Lu et al., "Removing ECG noise from surface EMG signals using adaptive filtering," vol. 462, no. 1, pp. 14-19, 2009.
[19] C. Schlüter, W. Caraguay, and D. C. Ramos, "Development of a low-cost EMG-data acquisition armband to control an above-elbow prosthesis," in Journal of Physics: Conference Series, 2022, vol. 2232, no. 1: IOP Publishing, p. 012019.
[20] Z. Ibrahim, R. Nagarajan, M. Rizon, D. Hazry, D. Ruslizam, and C. Azlin, "Electromyography signal based for intelligent prosthesis design," in 4th Kuala Lumpur International Conference on Biomedical Engineering 2008: BIOMED 2008 25–28 June 2008 Kuala Lumpur, Malaysia, 2008: Springer, pp. 187-190.
[21] J. R. Garay et al., "An Electromyography Signal Conditioning Circuit Simulation Experience," in SENSORCOMM 2017: The Eleventh International Conference on Sensor Technologies and Applications, 2017.
[22] A. J. H. Mohideen and S. N. Sidek, "A portable myoelectric robotic system for light exercise among bedridden and wheelchair bound individuals," in 2010 IEEE Control and System Graduate Research Colloquium (ICSGRC 2010), 2010: IEEE, pp. 33-38.
[23] T. Latif, C. M. Ellahi, T. Choudhury, and K. Rabbani, "Design of a cost-effective EMG driven bionic leg," in 2008 International Conference on Electrical and Computer Engineering, 2008: IEEE, pp. 80-85.
[24] G. L. Cerone, A. Botter, and M. J. I. T. o. B. E. Gazzoni, "A modular, smart, and wearable system for high density sEMG detection," vol. 66, no. 12, pp. 3371-3380, 2019.
[25] B. C. Fortune, C. G. Pretty, L. T. Chatfield, L. R. McKenzie, and M. P. J. H. Hayes, "Low-cost active electromyography," vol. 6, p. e00085, 2019.
[26] I. Moura, L. Ozelim, F. A. J. E. Soares, T. I. J. o. Electrical, and I. Engineering, "Low Cost Surface Electromyographic Signal Amplifier Based On Arduino Microcontroller," vol. 8, no. 2, pp. 303-307, 2014.
[27] T. G. Supuk, A. K. Skelin, and M. J. S. Cic, "Design, development and testing of a low-cost sEMG system and its use in recording muscle activity in human gait," vol. 14, no. 5, pp. 8235-8258, 2014.