Melhorar a ortopedia e a medicina desportiva com o controlo dos exoesqueletos dos membros inferiores na reabilitação utilizando a classificação de sinais eletromiográficos baseados na aprendizagem profunda
DOI:
https://doi.org/10.47197/retos.v61.109799Palavras-chave:
deep learning, electromyography (EMG), sports rehabilitation, lower limb exoskeletons, movement classification, neural networks, assistive roboticsResumo
Este artigo de investigação explora a aplicação de técnicas de aprendizagem profunda para melhorar o controlo dos exoesqueletos dos membros inferiores através da classificação de sinais de eletromiografia (EMG). Utilizando redes neuronais convolucionais (CNNs) e redes neuronais recorrentes (RNNs), este estudo visa melhorar a precisão e adaptabilidade dos exoesqueletos utilizados na reabilitação, particularmente em ortopedia e medicina desportiva. A metodologia envolve a recolha de dados EMG de vários movimentos das pernas, que são depois processados utilizando técnicas avançadas de pré-processamento de sinal para melhorar a precisão da classificação. Os modelos de aprendizagem profunda são treinados e validados com estes dados, demonstrando melhorias significativas na deteção de movimento e na resposta do dispositivo. Os resultados do estudo indicam que a integração de modelos de aprendizagem profunda não só oferece um melhor controlo dos exoesqueletos, como também garante interações mais naturais e eficientes com os utilizadores. Esta investigação destaca o potencial de integração de modelos computacionais sofisticados em dispositivos de reabilitação, abrindo caminho para avanços futuros que poderão melhorar significativamente os resultados terapêuticos e a qualidade de vida dos indivíduos com deficiência motora. As conclusões sublinham a importância da inovação contínua no domínio da tecnologia de apoio, sugerindo caminhos para futuras pesquisas na integração de múltiplos sensores e sistemas de controlo adaptativos.
Palavras-chave: aprendizagem profunda, eletromiografia (EMG), reabilitação desportiva, exoesqueletos dos membros inferiores, classificação de movimentos, redes neuronais, robótica de assistência.
Referências
Sun, Y., Tang, Y., Zheng, J., Dong, D., Chen, X., & Bai, L. (2022). From sensing to control of lower limb exoskeleton: A systematic review. Annual Reviews in Control, 53, 83-96.
Tortora, S., Tonin, L., Sieghartsleitner, S., Ortner, R., Guger, C., Lennon, O., ... & Del Felice, A. (2023). Effect of lower limb exoskeleton on the modulation of neural activity and gait classification. IEEE Transactions on Neural Sys-tems and Rehabilitation Engineering.
Altayeva, A. B., Omarov, B. S., Aitmagambetov, A. Z., Kendzhaeva, B. B., & Burkitbayeva, M. A. (2014). Modeling and exploring base station characteristics of LTE mobile networks. Life Science Journal, 11(6), 227-233.
Zhang, P., Zhang, J., & Elsabbagh, A. (2022). Lower limb motion intention recognition based on sEMG fusion features. IEEE Sensors Journal, 22(7), 7005-7014.
Omarov, B., & Altayeva, A. (2018, January). Towards intelligent IoT smart city platform based on OneM2M guideline: smart grid case study. In 2018 IEEE International Conference on Big Data and Smart Computing (BigComp) (pp. 701-704). IEEE.
Zongxing, L., Jie, Z., Ligang, Y., Jinshui, C., & Hongbin, L. (2024). The Human-Machine Interaction Methods and Strategies for Upper and Lower Extremity Rehabilitation Robots: A Review. IEEE Sensors Journal.
Chen, B., Zhou, Y., Chen, C., Sayeed, Z., Hu, J., Qi, J., ... & Palacio, C. (2023). Volitional control of upper-limb exo-skeleton empowered by EMG sensors and machine learning computing. Array, 17, 100277.
Huang, G. S., Yen, M. H., Chang, C. C., Lai, C. L., & Chen, C. C. (2024). Development of an individualized stable and force-reducing lower-limb exoskeleton. Biomedical Physics & Engineering Express, 10(5), 055039.
Balcázar, A., Carballo, N. G., & Jaimes, D. A. R. (2024). La educación física, el currículo y las expresiones motrices. Retos: nuevas tendencias en educación física, deporte y recreación, (55), 650-658.
Pérez-Bahena, M. H., Niño-Suarez, P. A., Avilés Sánchez, O. F., Beleño, R. H., Caldas, O. I., & Pellico-Sánchez, O. I. (2024). Trends in robotic systems for lower limb rehabilitation. IETE Technical Review, 41(1), 98-109.
Carvalho, C. R., Fernández, J. M., Del-Ama, A. J., Oliveira Barroso, F., & Moreno, J. C. (2023). Review of electromy-ography onset detection methods for real-time control of robotic exoskeletons. Journal of NeuroEngineering and Re-habilitation, 20(1), 141.
Asghar, A., Jawaid Khan, S., Azim, F., Shakeel, C. S., Hussain, A., & Niazi, I. K. (2022). Review on electromyography based intention for upper limb control using pattern recognition for human-machine interaction. Proceedings of the Institution of Mechanical Engineers, Part H: Journal of Engineering in Medicine, 236(5), 628-645.
Sánchez-Manchola, M., Arciniegas-Mayag, L., Múnera, M., Bourgain, M., Provot, T., & Cifuentes, C. A. (2023). Effects of stance control via hidden Markov model-based gait phase detection on healthy users of an active hip-knee exo-skeleton. Frontiers in Bioengineering and Biotechnology, 11, 1021525.
Chen, L., Yan, X., & Hu, D. (2023). A deep learning control strategy of IMU-based joint angle estimation for hip pow-er-assisted swimming exoskeleton. IEEE Sensors Journal, 23(13), 15058-15070.
Anam, K., Setiowati, A., Nurrachmad, L., Indardi, N., Azmi, D. A. N., Aditia, E. A., ... & Kozina, Z. (2024). Injury Risk Analysis of Soccer Academy Students: Review of Functional Movement Screen Scores and Demographic Data. Retos: nuevas tendencias en educación física, deporte y recreación, (55), 900-907.
Khader, A., Zyout, A. A., & Al Fahoum, A. (2024). Combining enhanced spectral resolution of EMG and a deep learn-ing approach for knee pathology diagnosis. Plos one, 19(5), e0302707.
Park, H., Han, S., Sung, J., Hwang, S., Youn, I., & Kim, S. J. (2023). Classification of gait phases based on a machine learning approach using muscle synergy. Frontiers in Human Neuroscience, 17, 1201935.
Low, W. S., Goh, K. Y., Goh, S. K., Yeow, C. H., Lai, K. W., Goh, S. L., ... & Chan, C. K. (2023). Lower extremity kinematics walking speed classification using long short-term memory neural frameworks. Multimedia Tools and Ap-plications, 82(7), 9745-9760.
Katmah, R., Al Shehhi, A., Jelinek, H. F., Hulleck, A. A., & Khalaf, K. (2023). A Systematic Review of Gait Analysis in the Context of Multimodal Sensing Fusion and AI. IEEE Transactions on Neural Systems and Rehabilitation Engineer-ing.
Siegel, F., Buj, C., Merfort, R., Hein, A., & Müller-von Aschwege, F. (2024). Evaluating the Viability of Neural Net-works for Analysing Electromyography Data in Home Rehabilitation: Estimating Foot Progression Angle. In BIO-STEC (2) (pp. 132-141).
Wang, T., Song, Z., Wen, H., & Liu, C. (2024). Lower-Extremity Exoskeleton for Human Spinal Cord Injury: A Com-prehensive Review. IEEE Open Journal of the Industrial Electronics Society.
Mobarak, R., Mengarelli, A., Verdini, F., Al-Timemy, A. H., Fioretti, S., Burattini, L., & Tigrini, A. (2024, June). Neu-romechanical-Driven Ankle Angular Position Control During Gait Using Minimal Setup and LSTM Model. In 2024 IEEE International Symposium on Medical Measurements and Applications (MeMeA) (pp. 1-6). IEEE.
Hussain, I., Kim, S. E., Kwon, C., Hoon, S. K., Kim, H. C., Ku, Y., & Ro, D. H. (2024). Estimation of patient-reported outcome measures based on features of knee joint muscle co-activation in advanced knee osteoarthritis. Sci-entific Reports, 14(1), 12428.
Evans, S. (2024). Sacroiliac Joint Dysfunction in Endurance Runners Using Wearable Technology as a Clinical Monitor-ing Tool: Systematic Review. JMIR Biomedical Engineering, 9, e46067.
Porras, V. A., Pedersini, P., Fernández, A. P., Morales, C. R., Bermejo, P. G., Costa, I. R., & Villafañe, H. (2024). Exploring the impact of cervical multifidus muscle morphology on postural balance in post-stroke patients: A pilot study. Retos: nuevas tendencias en educación física, deporte y recreación, (54), 216-223.
Wang, X., Yu, H., Kold, S., Rahbek, O., & Bai, S. (2023). Wearable sensors for activity monitoring and motion control: A review. Biomimetic Intelligence and Robotics, 3(1), 100089.
Cheng, X., Fong, J., Tan, Y., & Oetomo, D. (2022, July). Investigating User Volitional Influence on Step Length in Powered Exoskeleton Designed for Users with SCI. In 2022 International Conference on Rehabilitation Robotics (ICORR) (pp. 1-6). IEEE.
Dong, M., Fang, B., Li, J., Sun, F., & Liu, H. (2021). Wearable sensing devices for upper limbs: A systematic review. Proceedings of the Institution of Mechanical Engineers, Part H: Journal of Engineering in Medicine, 235(1), 117-130.
Khan, A., Galarraga, O., Garcia-Salicetti, S., & Vigneron, V. (2024). Deep Learning for Quantified Gait Analysis: A Systematic Literature Review. IEEE Access.
Di Nardo, F., Cucchiarelli, A., Scalise, L., & Morbidoni, C. (2022). Measurement of stride time by machine learning: sensitivity analysis for the simplification of the experimental protocol. IEEE Transactions on Instrumentation and Measurement, 71, 1-9.
Hodossy, B. K., & Farina, D. (2023). Shared Autonomy Locomotion Synthesis With a Virtual Powered Prosthetic Ankle. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 31, 4738-4748.
Hao, Y., Zhang, C., Lu, Y., Zhang, L., Lei, Z., & Li, Z. (2024). A novel autoencoder modeling method for intelligent assessment of bearing health based on Short-Time Fourier Transform and ensemble strategy. Precision Engineering, 85, 89-101.
Palacio, C., Hovorka, M., Acosta, M., Bautista, R., Chen, C., & Hovorka, J. (2024). Predicting Factors for Extremity Fracture among Border-Fall Patients Using Machine Learning Computing. Heliyon.
Omarov, B., Suliman, A., Kushibar, K. (2016). Face recognition using artificial neural networks in parallel architecture. Journal of Theoretical and Applied Information Technology 91 (2), pp. 238-248. Open Access.
Nguyen, T., Tran, K. D., Raza, A., Nguyen, Q. T., Bui, H. M., & Tran, K. P. (2023). Wearable technology for smart manufacturing in industry 5.0. In Artificial Intelligence for Smart Manufacturing: Methods, Applications, and Chal-lenges (pp. 225-254). Cham: Springer International Publishing.
Kendzhaeva, B., Omarov, B., Abdiyeva, G., Anarbayev, A., Dauletbek, Y., & Omarov, B. (2021). Providing safety for citizens and tourists in cities: a system for detecting anomalous sounds. In Advanced Informatics for Computing Re-search: 4th International Conference, ICAICR 2020, Gurugram, India, December 26–27, 2020, Revised Selected Papers, Part I 4 (pp. 264-273). Springer Singapore.
Lu, C., Qi, Q., Liu, Y., Li, D., Xian, W., Wang, Y., ... & Xu, X. (2024). Exoskeleton Recognition of Human Move-ment Intent Based on Surface Electromyographic Signals. IEEE Access.
Omarov, B., Omarov, N., Mamutov, Q., Kissebaev, Z., Anarbayev, A., Tastanov, A., & Yessirkepov, Z. (2024). Exami-nation of the augmented reality exercise monitoring system as an adjunct tool for prospective teacher trainers. Retos: nuevas tendencias en educación física, deporte y recreación, (58), 85-94.
Liu, J., Wang, C., He, B., Li, P., & Wu, X. (2022). Metric learning for robust gait phase recognition for a lower limb exoskeleton robot based on sEMG. IEEE Transactions on Medical Robotics and Bionics, 4(2), 472-479.
Khiabani, H., & Ahmadi, M. (2021, August). A classical machine learning approach for emg-based lower limb intention detection for human-robot interaction systems. In 2021 IEEE International Conference on Autonomous Systems (ICAS) (pp. 1-5). IEEE.
Sedighi, P., Li, X., & Tavakoli, M. (2023). Emg-based intention detection using deep learning for shared control in up-per-limb assistive exoskeletons. IEEE Robotics and Automation Letters.
Tursynova, A., Omarov, B., Tukenova, N., Salgozha, I., Khaaval, O., Ramazanov, R., & Ospanov, B. (2023). Deep learning-enabled brain stroke classification on computed tomography images. Computers, Materials & Continua, 75(1), 1431-1446.
Blanco-Diaz, C. F., Guerrero-Mendez, C. D., de Andrade, R. M., Badue, C., De Souza, A. F., Delisle-Rodriguez, D., & Bastos-Filho, T. (2024). Decoding lower-limb kinematic parameters during pedaling tasks using deep learning ap-proaches and EEG. Medical & Biological Engineering & Computing, 1-17.
Downloads
Publicado
Edição
Secção
Licença
Direitos de Autor (c) 2024 Retos
Este trabalho encontra-se publicado com a Licença Internacional Creative Commons Atribuição-NãoComercial-SemDerivações 4.0.
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e assegurar a revista o direito de ser a primeira publicação da obra como licenciado sob a Licença Creative Commons Attribution que permite que outros para compartilhar o trabalho com o crédito de autoria do trabalho e publicação inicial nesta revista.
- Os autores podem estabelecer acordos adicionais separados para a distribuição não-exclusiva da versão do trabalho publicado na revista (por exemplo, a um repositório institucional, ou publicá-lo em um livro), com reconhecimento de autoria e publicação inicial nesta revista.
- É permitido e os autores são incentivados a divulgar o seu trabalho por via electrónica (por exemplo, em repositórios institucionais ou no seu próprio site), antes e durante o processo de envio, pois pode gerar alterações produtivas, bem como a uma intimação mais Cedo e mais do trabalho publicado (Veja O Efeito do Acesso Livre) (em Inglês).
Esta revista é a "política de acesso aberto" de Boai (1), apoiando os direitos dos usuários de "ler, baixar, copiar, distribuir, imprimir, pesquisar, ou link para os textos completos dos artigos". (1) http://legacy.earlham.edu/~peters/fos/boaifaq.htm#openaccess
