Моделі та методи інформаційної технології машинного навчання системи розпізнавання електроміографічних біосигналів у протезуванні

Abstract

Дисертаційна робота присвячена підвищенню функціональної ефективності машинного навчання системи розпізнавання електроміографічних біосигналів (ЕМГ-біосигналів) для створення інтелектуального протезу шляхом побудови в рамках функціонального підходу до моделювання когнітивних процесів природнього інтелекту високо достовірних і оперативних вирішувальних правил, практично інваріантних до багатовимірності словника ознак і абетки класів розпізнавання. Об’єктом дослідження є слабоформалізований процес машинного навчання системи розпізнавання ЕМГ-біосигналів для керування протезом кісті руки з неінвазивною системою зчитування біосигналів за умови неповної визначеності даних, обумовленої як довільними початковими умовами формування ЕМГ-біосигналів, так і перетином у просторі ознак класів розпізнавання, які характеризують ЕМГ-сигнали для керування жестами кісті та пальців руки. Предметом досліджень є моделі і методи інформаційної технології інформаційно-екстремального машинного навчання системи розпізнавання ЕМГ-сигналів для керування протезом кісті руки з неінвазивною системою зчитування біосигналів. Обрані методи дослідження базуються на принципах і методах інтелектуального інформаційного аналізу даних та інформаційно-екстремальної інтелектуальної технології машинного навчання для побудови високо достовірних і оперативних вирішувальних правил; методах теорії ймовірностей і математичної статистики для оцінки випадкових величин і перевірки статистичних гіпотез; методах та характеристиках теорії інформації для оцінки точності машинного навчання системи розпізнавання ЕМГ-біосигналів, які характеризують реакцією м’язів передпліччя на когнітивні команди відповідних жестів кісті та пальців руки; об’єктно-орієнтованій методології проектування складних систем для розробки інформаційного алгоритмічного та програмного забезпечення системи розпізнавання ЕМГ-сигналів, що навчається. Обґрунтовано актуальність теми дисертації, зазначено зв’язок роботи з науковими темами, сформульовано мету та задачі дослідження, визначено об’єкт, предмет та методи дослідження, показано наукову новизну та практичне значення отриманих результатів, наведено інформацію про практичне використання, апробацію результатів та їх висвітлення у публікаціях. За результатами аналізу сучасного стану та тенденцій розвитку протезування кінцівок людини з обмеженими функціональними можливостями показано, що перспективним напрямом підвищення функціональної ефективності, основними складовими якої є точність та оперативністть прийняття класифікаційних рішень, протезу кісті руки з неінвазивною системою зчитування електроміографічних сигналів (ЕМГ-сигналів) є їх інтелектуалізація на основі машинного навчання. Незважаючи на значну кількість досліджень із вдосконалення взаємодії особи з інвалідністю з протезом кінцівки, зручність, функціональність та поширеність активних протезів в побуті все ще залишається на невисокому рівні. Основний напрям розвитку протезів руки забезпечується на базі електроміографії, як методу аналізу природних керуючих імпульсів нервової системи. Водночас необхідною умовою підвищення точності системи розпізнавання електроміографічних сигналів (ЕМГ-біосигналів), які реєструють електричну активність м’язів руки при виконанні когнітивних команд на відповідні жести, є наявність релевантного вхідного математичного опису та методу машинного навчання з високою функціональною ефективністю. Якщо для формування вхідного математичного опису розроблено широку номенклатуру комп’ютерно-інтегрованих ЕМГ-сенсорів з фільтрацією і нормалізацією ЕМГ-біосигналів, то розроблення методів машинного навчання з високою точністю і оперативністю прийняття класифікаційних рішень все ще залишається проблематичним. Для розроблення високоточного та оперативного методу машинного навчання необхідно подолати ускладнення науково-методологічного характеру, основними з яких є довільні умови формування ЕМГ-біосигналів і перетин у просторі ознак класів розпізнавання, які характеризують біосигнали відповідних жестів протезу. Застосування традиційних методів інтелектуального аналізу даних Data Mining, включаючи штучні нейронні мережі (ШНМ), для інформаційного синтезу інтелектуального протезу не завжди забезпечує високу функціональну ефективність машинного навчання через високий ступень перетину в просторі ознак класів розпізнавання. Показано перспективність використання в дисертаційних дослідженнях ідей і методів розробленої в Сумському державному університеті науковою школою професора Довбиша А. С. так званої інформаційно-екстремальної інтелектуальної технології (ІЕІ-технології) аналізу даних, яка ґрунтується на максимізації інформаційної спроможності системи в процесі машинного навчання. Основна ідея методів ІЕІ-технології як і в ШНМ полягає в адаптації в процесі машинного навчання вхідного математичного опису до максимальної повної ймовірності прийняття правильних класифікаційних рішень. Але основна перевага методів інформаційно-екстремального машинного навчання полягає в тому, що вони на відміну від нейроподібних структур розробляються в рамках функціонального підходу до моделювання когнітивних процесів людини при формуванні та прийнятті класифікаційних рішень, тобто безпосередньо моделюють природний механізм прийняття рішень. Такий підхід на відміну від структурних методів дозволяє методам інформаційно-екстремального машинного навчання надати гнучкість при перенавчанні системи через розширення абетки класів розпізнавання. Крім того, побудова в рамках геометричного підходу вирішувальних правил робить їх практично інваріантними до багатовимірності словника ознак розпізнавання і суттєво підвищує оперативність прийняття класифікаційних рішень, що особливо важливо при керуванні інтелектуальними іпротезами. Водночас варто підкреслити, що методи інформаційно-екстремального машинного навчання здійснюються не в інтерактивному режимі, як це відбувається в штучних нейронних мережах, а в автоматичному і водночас потребують для формування навчальної матриці менше ніж на порядок зразків ЕМГ-сигналів. У дисертаційній роботі розв’язано важливе науково-практичне завдання розроблення інформаційної інтелектуальної технології машинного навчання системи розпізнавання ЕМГ-біосигналів для керування протезом кісті руки з неінвазивною системою зчитування біосигналів. Вперше розроблено комплекс функціональних категорійних моделей, на основі яких розроблено метод інформаційно-екстремального машинного навчання системи розпізнавання ЕМГ-біосигналів за ієрархічною структурою даних у вигляді декурсивного бінарного дерева, який окрім відомих параметрів машинного навчання дозволяє збільшувати глибину машинного навчання шляхом оптимізації рівня селекції координат усереднених двійкових реалізацій класів розпізнавання. Удосконалено метод формування варіаційного ряду класів розпізнавання за критерієм збільшення міжкласової відстані для обраного базового класу розпізнавання, що дозволило автоматизувати побудову декурсивного дерева та багатокласове машинне навчання звести до двохкласового для класів розпізнавання кожної страти декурсивного бінарного дерева. Набув подальшого розвитку метод глибокого інформаційно-екстремального машинного навчання з оптимізацією рівня квантування ознак розпізнавання електроміографічних біосигналів, що дозволило шляхом утворення розрідженої навчальної матриці підвищити точність класифікаційних рішень. Розроблено і прогрмно реалізовано засоби інформаційної технології інформаційного синтезу здатної навчатися системи розпізнавання ЕМГ-біосигналів, що навчається за розробленим методом інформаційно-екстремального машинного навчання за ієрархічною структурою у вигляді декурсивного бінарного дерева, та СППР для персоналізованого машинного навчання особи з інвалідністю, які у сукупності утворюють людино-машинний комплекс, наділений властивостями адаптивності та гнучкості. Усі теоретичні розробки дисертації доведено до конкретних інженерних алгоритмів, реалізованих запропонованими автором засобами інформаційної технології синтезу здатної навчатися системи розпізнавання ЕМГ-біосигналів. Cтворено комплекс інструментальних засобів для інформаційного синтезу системи розпізнавання ЕМГ-біосигналів, що навчається, який включає модулі формування вхідного інформаційного опису, побудови декурсивного бінарного дерева даних, алгоритми інформаційно-екстремального машинного навчання і побудовані за результатам машинного навчання вирішувальні правила, які дозволяють при функціонуванні системи в робочому режимі приймати високодостовірні оперативні класифікаційні рішення. Основні наукові результати використано у НВП МЕТКОЛ (м. Ніжин, Україна) у вигляді інформаційної технології, яка включає категорійні моделі, методи, критерії оцінки функціональної ефективності, алгоритми оптимізації і програмне забезпечення (акт впровадження від 30.05.2025 р.) і впроваджено в навчальний процес Сумського державного університету (акт впровадження від 02.06.2025 р.).

The dissertation research is devoted to improving the functional efficiency of machine learning for electromyographic biosignal (EMG biosignal) recognition systems to create intelligent prostheses by constructing highly reliable and operational decision rules within the framework of a functional approach to modeling cognitive processes of natural intelligence. These rules are practically invariant to the multidimensionality of the feature vocabulary and the recognition class alphabet. The object of research is the weakly formalized process of machine learning for EMG biosignal recognition systems for controlling hand prostheses with non-invasive biosignal reading systems under conditions of incomplete data certainty, caused by both arbitrary initial conditions of EMG biosignal formation and intersection in the feature space of recognition classes that characterize EMG biosignals for controlling possible gestures of the hand and fingers. The subject of research comprises models and methods of information technology for information-extreme machine learning of EMG biosignal recognition systems for controlling hand prostheses with non-invasive biosignal reading systems. The selected research methods are based on principles and methods of intelligent information data analysis and information-extreme intelligent technology for machine learning to construct highly reliable and operational decision rules; methods of probability theory and mathematical statistics for evaluating random variables and testing statistical hypotheses; methods and characteristics of information theory for assessing the functional efficiency of machine learning systems for recognizing EMG biosignals that characterize forearm muscle reactions to cognitive commands for corresponding hand and finger gestures; object-oriented methodology for designing complex systems to develop information algorithmic and software support for learning EMG biosignal recognition systems. The relevance of the dissertation topic is substantiated, the connection of the work with scientific themes is indicated, the purpose and objectives of the research are formulated, the object, subject, and research methods are defined, the scientific novelty and practical significance of the obtained results are demonstrated, and information about practical use, approbation of results, and their coverage in publications is provided. Based on the analysis of the current state and development trends of prosthetics for people with limited functional capabilities, it is shown that a promising direction for improving functional efficiency—whose main components are accuracy and operational speed of classification decisions—of hand prostheses with non-invasive electromyographic signal (EMG biosignal) reading systems is their intellectualization based on machine learning. Despite a significant number of studies on improving the interaction between disabled individuals and limb prostheses, the convenience, functionality, and prevalence of active prostheses in everyday life still remain at a low level. The main direction of hand prosthesis development is provided through electromyography as a method for analyzing natural control impulses of the nervous system. However, a necessary condition for improving the accuracy of EMG signal recognition systems that register electrical activity of hand muscles when executing cognitive commands for corresponding gestures is the availability of relevant input mathematical description and machine learning methods with high functional efficiency. While a wide range of computer-integrated EMG sensors with filtering and normalization of EMG signals has been developed for forming input mathematical descriptions, the development of machine learning methods with high accuracy and operational speed for classification decisions remains problematic. To develop highly accurate and operational machine learning methods, it is necessary to overcome complications of a scientific-methodological nature, the main ones being arbitrary conditions of EMG biosignal formation and intersection in the feature space of recognition classes that characterize biosignals of corresponding prosthesis gestures. The application of traditional intelligent data analysis methods, including artificial neural networks (ANNs), for information synthesis of intelligent prostheses does not always ensure high functional efficiency of machine learning due to the aforementioned scientific-methodological limitations. The research demonstrates the prospects of using ideas and methods of the so-called information-extreme intelligent technology (IEI-technology) for data analysis, developed at Sumy State University by the scientific school of Professor Dovbysh A. S., which is based on maximizing the information capacity of the system during machine learning. The main idea of IEI-technology methods, like ANNs, lies in adapting the input mathematical description during machine learning to maximize the complete probability of making correct classification decisions. However, the main advantage of information-extreme machine learning methods is that, unlike neural-like structures, they are developed within the framework of a functional approach to modeling human cognitive processes in forming and making classification decisions, directly modeling the natural decision-making mechanism. This approach, unlike structural methods, allows information-extreme machine learning methods to provide flexibility when retraining the system through expansion of the recognition class alphabet. Furthermore, constructing decision rules within the geometric approach makes them practically invariant to the multidimensionality of the recognition feature vocabulary and significantly increases the operational speed of classification decisions, which is especially important for controling prosthetic devices. It should be emphasized that information-extreme machine learning methods are implemented not in interactive mode, as occurs in ANNs, but automatically and simultaneously require an order of magnitude fewer EMG signal samples for forming the training matrix. The dissertation solves an important scientific-practical problem of developing information intelligent technology for machine learning of EMG biosignal recognition systems for controlling hand prostheses with non-invasive biosignal reading systems. Scientific Contributions For the first time, a complex of functional categorical models has been developed, based on which a method of information-extreme machine learning for EMG biosignal recognition systems has been created using hierarchical data structure in the form of a recursive binary tree. This method, in addition to known machine learning parameters, allows for increasing the depth of machine learning by optimizing the selection level of coordinates of averaged binary realizations of recognition classes. Improved is the method of forming variational series of recognition classes according to the criterion of increasing inter-class distance for the selected base recognition class, which enabled automation of recursive tree construction and reduction of multi-class machine learning to two-class learning for recognition classes of each stratum of the recursive binary tree. Further developed is the method of deep information-extreme machine learning with optimization of the quantization level of electromyographic biosignal recognition features, which allowed for improving the accuracy of classification decisions through the formation of a sparse training matrix. Developed and software-implemented are tools for information technology of information synthesis of learning-capable EMG biosignal recognition systems that learn according to the developed method of information-extreme machine learning using hierarchical structure in the form of a recursive binary tree, and decision support systems (DSS) for personalized machine learning for individuals with disabilities, which collectively form a human-machine complex endowed with properties of adaptability and flexibility. All theoretical developments of the dissertation have been brought to specific engineering algorithms, implemented by the author's proposed information technology tools for synthesizing learning-capable EMG biosignal recognition systems. A complex of instrumental tools has been created for information synthesis of learning EMG biosignal recognition systems, including modules for forming input information description, constructing recursive binary data trees, algorithms for information-extreme machine learning, and decision rules built based on machine learning results that allow highly reliable operational classification decisions during system operation in working mode. Practical Implementation The main scientific results have been implemented at Scientific-Production Enterprise METKOL (Nizhyn, Ukraine) in the form of information technology that includes categorical models, methods, functional efficiency evaluation criteria, optimization algorithms, and software (implementation certificate dated May 30, 2025) and in the educational process of Sumy State University (implementation certificate dated June 2, 2025).

The dissertation research is devoted to improving the functional efficiency of machine learning for electromyographic biosignal (EMG biosignal) recognition systems to create intelligent prostheses by constructing highly reliable and operational decision rules within the framework of a functional approach to modeling cognitive processes of natural intelligence. These rules are practically invariant to the multidimensionality of the feature vocabulary and the recognition class alphabet. The object of research is the weakly formalized process of machine learning for EMG biosignal recognition systems for controlling hand prostheses with non-invasive biosignal reading systems under conditions of incomplete data certainty, caused by both arbitrary initial conditions of EMG biosignal formation and intersection in the feature space of recognition classes that characterize EMG biosignals for controlling possible gestures of the hand and fingers. The subject of research comprises models and methods of information technology for information-extreme machine learning of EMG biosignal recognition systems for controlling hand prostheses with non-invasive biosignal reading systems. The selected research methods are based on principles and methods of intelligent information data analysis and information-extreme intelligent technology for machine learning to construct highly reliable and operational decision rules; methods of probability theory and mathematical statistics for evaluating random variables and testing statistical hypotheses; methods and characteristics of information theory for assessing the functional efficiency of machine learning systems for recognizing EMG biosignals that characterize forearm muscle reactions to cognitive commands for corresponding hand and finger gestures; object-oriented methodology for designing complex systems to develop information algorithmic and software support for learning EMG biosignal recognition systems. The relevance of the dissertation topic is substantiated, the connection of the work with scientific themes is indicated, the purpose and objectives of the research are formulated, the object, subject, and research methods are defined, the scientific novelty and practical significance of the obtained results are demonstrated, and information about practical use, approbation of results, and their coverage in publications is provided. Based on the analysis of the current state and development trends of prosthetics for people with limited functional capabilities, it is shown that a promising direction for improving functional efficiency—whose main components are accuracy and operational speed of classification decisions—of hand prostheses with non-invasive electromyographic signal (EMG biosignal) reading systems is their intellectualization based on machine learning. Despite a significant number of studies on improving the interaction between disabled individuals and limb prostheses, the convenience, functionality, and prevalence of active prostheses in everyday life still remain at a low level. The main direction of hand prosthesis development is provided through electromyography as a method for analyzing natural control impulses of the nervous system. However, a necessary condition for improving the accuracy of EMG signal recognition systems that register electrical activity of hand muscles when executing cognitive commands for corresponding gestures is the availability of relevant input mathematical description and machine learning methods with high functional efficiency. While a wide range of computer-integrated EMG sensors with filtering and normalization of EMG signals has been developed for forming input mathematical descriptions, the development of machine learning methods with high accuracy and operational speed for classification decisions remains problematic. To develop highly accurate and operational machine learning methods, it is necessary to overcome complications of a scientific-methodological nature, the main ones being arbitrary conditions of EMG biosignal formation and intersection in the feature space of recognition classes that characterize biosignals of corresponding prosthesis gestures. The application of traditional intelligent data analysis methods, including artificial neural networks (ANNs), for information synthesis of intelligent prostheses does not always ensure high functional efficiency of machine learning due to the aforementioned scientific-methodological limitations. The research demonstrates the prospects of using ideas and methods of the so-called information-extreme intelligent technology (IEI-technology) for data analysis, developed at Sumy State University by the scientific school of Professor Dovbysh A. S., which is based on maximizing the information capacity of the system during machine learning. The main idea of IEI-technology methods, like ANNs, lies in adapting the input mathematical description during machine learning to maximize the complete probability of making correct classification decisions. However, the main advantage of information-extreme machine learning methods is that, unlike neural-like structures, they are developed within the framework of a functional approach to modeling human cognitive processes in forming and making classification decisions, directly modeling the natural decision-making mechanism. This approach, unlike structural methods, allows information-extreme machine learning methods to provide flexibility when retraining the system through expansion of the recognition class alphabet. Furthermore, constructing decision rules within the geometric approach makes them practically invariant to the multidimensionality of the recognition feature vocabulary and significantly increases the operational speed of classification decisions, which is especially important for controling prosthetic devices. It should be emphasized that information-extreme machine learning methods are implemented not in interactive mode, as occurs in ANNs, but automatically and simultaneously require an order of magnitude fewer EMG signal samples for forming the training matrix. The dissertation solves an important scientific-practical problem of developing information intelligent technology for machine learning of EMG biosignal recognition systems for controlling hand prostheses with non-invasive biosignal reading systems. Scientific Contributions For the first time, a complex of functional categorical models has been developed, based on which a method of information-extreme machine learning for EMG biosignal recognition systems has been created using hierarchical data structure in the form of a recursive binary tree. This method, in addition to known machine learning parameters, allows for increasing the depth of machine learning by optimizing the selection level of coordinates of averaged binary realizations of recognition classes. Improved is the method of forming variational series of recognition classes according to the criterion of increasing inter-class distance for the selected base recognition class, which enabled automation of recursive tree construction and reduction of multi-class machine learning to two-class learning for recognition classes of each stratum of the recursive binary tree. Further developed is the method of deep information-extreme machine learning with optimization of the quantization level of electromyographic biosignal recognition features, which allowed for improving the accuracy of classification decisions through the formation of a sparse training matrix. Developed and software-implemented are tools for information technology of information synthesis of learning-capable EMG biosignal recognition systems that learn according to the developed method of information-extreme machine learning using hierarchical structure in the form of a recursive binary tree, and decision support systems (DSS) for personalized machine learning for individuals with disabilities, which collectively form a human-machine complex endowed with properties of adaptability and flexibility. All theoretical developments of the dissertation have been brought to specific engineering algorithms, implemented by the author's proposed information technology tools for synthesizing learning-capable EMG biosignal recognition systems. A complex of instrumental tools has been created for information synthesis of learning EMG biosignal recognition systems, including modules for forming input information description, constructing recursive binary data trees, algorithms for information-extreme machine learning, and decision rules built based on machine learning results that allow highly reliable operational classification decisions during system operation in working mode. Practical Implementation The main scientific results have been implemented at Scientific-Production Enterprise METKOL (Nizhyn, Ukraine) in the form of information technology that includes categorical models, methods, functional efficiency evaluation criteria, optimization algorithms, and software (implementation certificate dated May 30, 2025) and in the educational process of Sumy State University (implementation certificate dated June 2, 2025).