УДК 004.89
DOI: 10.36871/2618-­9976.2025.11.012

Авторы

С.А. Ярушев,
Кандидат технических наук, директор центра перспективных исследований в искусственном интеллекте, Российский экономический университет им. Г.В. Плеханова, Москва, Россия
А.А. Акимова,
Старший преподаватель кафедры истории и философии, Российский экономический университет им. Г.В. Плеханова, Москва, Россия
Е.С. Следкова,
Аспирант кафедры математических методом в экономике, Российский экономический университет им. Г.В. Плеханова, Москва, Россия
Ю.П. Купцова,
Аспирант кафедры математических методом в экономике, Российский экономический университет им. Г.В. Плеханова, Москва, Россия

Аннотация

Управление высокотехнологичными протезно­ортопедическими изделиями быстро эволюционирует благодаря интеграции методов искусственного интеллекта (ИИ) и доступности встраиваемых вычислений. Цель данной статьи – представить практико­ориентированную карту инженерных решений по ключевым компонентам контура управления: сенсоры → алгоритмы → валидация. В фокусе – системы для верхних конечностей, использующие sEMG, IMU, датчики подошвенного давления, энкодеры и элементы компьютерного зрения. Рассматриваются классические и глубокие модели распознавания (LDA/SVM, CNN/LSTM/TCN) для кистей, детекторы фаз шага (пороговые/HMM/LSTM), методы управления активными узлами (импеданс, MPC, RL с ограничениями безопасности), слияние сенсоров и схемы shared­control, а также роль тактильной обратной связи в замкнутом контуре. Рассматриваются компромиссы встраиваемости (латентность, энергопотребление, память; TinyML­подходы), устойчивость к дрейфу сигналов и необходимость легкой калибровки/онлайн­адаптации. Отдельно выделены метрики и протоколы оценки (intra­/inter­session, cross subject), а также минимально достаточный каркас надёжности и кибербезопасности для инженерной практики. Итогом служат рекомендации по выбору сенсоров и алгоритмов под ограничения конкретного устройства и среды применения, а также перечень открытых задач: стандартизация данных и бенчмарков, безопасное обучение с подкреплением, расширение замкнутых систем с ко­адаптацией «человек–машина».

Ключевые слова

Ключевые слова:
протезирование
sEMG
IMU
распознавание намерений
компьютерное зрение
импеданс/MPC/RL
sensor fusion
тактильная обратная связь
TinyML
надёжность и безопасность

Список литературы

[1] Dario Di Domenico, Nicolò Boccardo, Andrea Marinelli. Long­Term Upper­Limb Prosthesis Myocontrol via High­Density sEMG and Incremental Learning (2024) https://arxiv.org/abs/ 2412.16271?utm_source=chatgpt.com.

[2] De Luca C.J. Surface EMG: Detection and Recording. Delsys Tutorial (2006/2008). https://www.delsys.com/downloads/TUTORIAL/semg­detection­and­recording.pdf.

[3] Elahe Rahimian, Soheil Zabihi, Amir Asif, Dario Farina, S. Farokh Atashzar, Arash Mohammadi. TEMGNet: Deep Transformer­based Decoding of Upperlimb sEMG for Hand Gestures Recognition (2021) https://arxiv.org/abs/2109.12379?utm_source=chatgpt.com.

[4] Elstub L.J. et al. Effect of pressure insole sampling frequency on insole­measured peak force accuracy during running (2022) https://pubmed.ncbi.nlm.nih.gov/36442432/.

[5] Ghazaei G. et al. Deep learning­based artificial vision for grasp classification in myoelectric hands PLoS One (2017). https://iopscience.iop.org/article/10.1088/1741­2552/aa6802.

[6] Hahne J.M. et al. Linear and nonlinear regression for myoelectric control. JNER (2014). https://pubmed.ncbi.nlm.nih.gov/24608685/.

[7] Hudgins B. et al. A New strategy for multifunction myoelectric control (2002) https:// ieeexplore.ieee.org/document/204774.

[8] Konrad P. The ABC of EMG. (2005): https://www.studeersnel.nl/nl/document/universiteitvan­amsterdam/neurologie/the­abc­of­emg­by­peter­konrad/59807737.

[9] Nouf Jubran AlQahtani, Ibraheem Al­Naib, Murad Althobaiti. Recent progress on smart lower prosthetic limbs: a comprehensive review on using EEG and fNIRS devices in rehabilitation (2024) https://pmc.ncbi.nlm.nih.gov/articles/PMC11381415/?utm_source=chatgpt.com.

[10] Phinyomark A. et al. Feature Extraction and Selection for Myoelectric Control Based on Wearable EMG Sensors (2013). https://pubmed.ncbi.nlm.nih.gov/29783659/.

[11] Pizzolato S. et al. Stable, three degree­of­freedom myoelectric prosthetic control via chronic bipolar intramuscular electrodes: a case study (2019) https://pubmed.ncbi.nlm.nih.gov/ 31752886/.

[12] Razak A.H.A. et al. Foot Plantar Pressure Measurement System: A Review. Sensors (2012). https://pubmed.ncbi.nlm.nih.gov/23012576/

[13] Scheme E., Englehart K. Electromyogram pattern recognition for control of powered upper­limb prostheses: state of the art and challenges for clinical use 2011. https:// www.semanticscholar.org/paper/Electromyogram­pattern­recognition­for­control­ofScheme­Englehart/ca42211f3044b50f1b01647044f85bd674e29438.

[14] SENIAM: European Recommendations for Surface EMG. Hermens H.J. et al. (1999). http://www.seniam.org/pdf/contents8.PDF.

[15] Shriram Tallam Puranam Raghu, Dawn MacIsaac, Erik Scheme Self­Supervised Representation Learning with Augmentations of Continuous Training Data Improves the Feel and Performance of Myoelectric Control (2024) https://arxiv.org/abs/2409.16015?utm_source= chatgpt.com.

[16] Smith L.H. et al. The optimal controller delay for myoelectric prostheses. J Rehabil Res Dev (2007): https://pmc.ncbi.nlm.nih.gov/articles/PMC8173529/.

[17] Tala Zaim, Sara Abdel­Hadi. Machine Learning­ and Deep Learning­Based Myoelectric Control System for Upper Limb Rehabilitation Utilizing EEG and EMG Signals: A Systematic Review (2025) https://pmc.ncbi.nlm.nih.gov/articles/PMC11851773/?utm_source=chatgpt.com.

[18] Yoo Jin Choo, Min Cheol Chang. Use of machine learning in the field of prosthetics and orthotics: A systematic narrative review (2023) https://pubmed.ncbi.nlm.nih.gov/36811961/.

[19] Ziming Chen, Huasong Min. A Review of Myoelectric Control for Prosthetic Hand Manipulation (2023) https://www.mdpi.com/2313­7673/8/3/328?utm_source=chatgpt.com.