УДК 519.72 METHODS OF MANAGEMENT OF ENTERPRISES OF MICROELECTRONICS Табаков Ю.Г.,

УДК 519.72
ИНТЕЛЛЕКТУАЛЬНЫЙ ТРЕНАЖЁР
METHODS OF MANAGEMENT OF ENTERPRISES OF MICROELECTRONICS
Лавлинский В.В., к.т.н., доцент
Бибиков Д.В., аспирант
Буров Р.Б., аспирант
Табаков Ю.Г., ассистент
ФГБОУ ВПО «Воронежская государственная лесотехническая академия»
г. Воронеж, Россия
DOI: 10.12737/6181
Аннотация: В работе предлагался подход, объединяющий возможности
снятия низкочастотных сигналов коры головного мозга с использованием
датчиков электроэнцефалограммы (ЭЭГ), методов обработки этих сигналов и
методов управления интеллектуальным тренажёром по восстановлению
опорно-двигательных навыков человека.
Summary: In the work of the proposed approach, which includes the
possibility of removing the low-frequency signals of the cerebral cortex using
sensors electroencephalogram (EEG), the processing methods of these signals and
methods of management of intellectual simulator recovery of locomotor skills of the
person.
Ключевые слова: тренажер, управление.
Keywords: trainer, management.
В настоящее время проводятся исследования возможности лечения травм
спинного мозга различными учёными мира. Так, например, учёные под
руководством Чета Т. Морица (Chet Т. Moritz, Steve I. PerlMutter и Eberhard E.
Fetz) создали искусственное соединение между мозгом обезьяны и
компьютером, за счёт чего они сумели восстановить движение
парализованной руки у обезьян. Их подход заключался в искусственном
соединении одного из нейронов мозга с нервами руки. Описанный в работе [1]
подход показывает новую концепцию в восстановлении подвижности
конечности руки с помощью искусственного приспособления, которое
связывает мозг и мышцы, и может обеспечить её естественное движение.
Кроме того, указанными авторами уточняется тот факт, что нейрон,
управлявший обездвиженной рукой с помощью этой искусственной системы,
не был ранее связан с управлением движением руки. Это говорит о том, что
любую аналогичную клетку возможно использовать для восстановления
360
движения.
Также в работе [2] отмечается, что в исследовательском центре компании
Honda Motor
в 2006 году совместно с японским правительственным
Институтом телекоммуникационных исследований, а также с компанией
Simadzu, которая занимается созданием сверхточной электроники, разработана
новая система, которая позволяет управлять электронными устройствами при
помощи мозговых импульсов BMI (brain machine interface). Так например, они
представили систему, в которой человек, лишенный руки, управлял железным
протезом конечности при помощи работы мозга.
Последняя разработка позволяет более точно и гибко улавливать и
анализировать электрическую активность мозга при помощи снятия
электроэнцефалограмм и данных о токе крови внутри мозга на основе
инфракрасных датчиков. Система получает все эти данные, анализирует их и
транслирует в цифровой вид, пригодный для управления тем или иным
электронным устройством, вплоть до робота. При этом самому человеку, с
мозга которого снимаются данные, двигаться для подачи команд не
обязательно.
В работе [3] нами предлагался подход, объединяющий возможности снятия
низкочастотных сигналов коры головного мозга с использованием датчиков
электроэнцефалограммы (ЭЭГ), методов обработки этих сигналов и методов
управления интеллектуальным тренажёром по восстановлению опорнодвигательных навыков человека.
В процессе исследования возникли задачи по возможности использования
конкретных методов обработки низкочастотных сигналов, поступающих с
датчиков ЭЭГ коры головного мозга. Таким образом, данная статья является
своевременной и актуальной, и рассматривает основные направления
формирования электронной компонентной базы для интеллектуального
тренажёра по восстановлению опорно-двигательной системы человека на
основе анализа низкочастотных сигналов, поступающих с датчиков ЭЭГ
(ДЭЭГ).
Снимаемое напряжение в точке прикосновения электродом к поверхности
кожи представляет собой сумму напряжений, локализированных в радиусе
электрода. В этом случае колебания напряжения, фиксируемые устройством,
являются суммой колебаний напряжений с различных локализированных
участков кожного покрова, костной ткани, коры головного мозга. Кроме того
возможны дополнительные наводки сигналов различной частоты и амплитуды.
В общем виде это можно представить таким образом:
361
Uсум=Uкожного покрова+ Uкостной ткани + Uкоры головного мозга + Un
Поэтому важно выделять информационные составляющие сигнала, уметь их
фильтровать и усиливать необходимый для устройства сигнал управления.
В этом случае существует два подхода:
1) индивидуально определять сигнал способствующий формированию
управляющего сигнала для технического устройства;
2) достигать в процессе обучения формирования соответствующего
суммарного сигнала для управления техническим устройством.
При исследовании первого подхода, когда с одного электрода датчиками
фиксируются суперпозиции векторов напряженности, которые и определяют
напряжения, создаваемые в конкретных областях снятия сигнала с кожного
покрытия головы.
Учитывая то, что считывающийся с электрода сигнал представляет собой
поле, состоящее из точечных зарядов q1, q2, …, qn с соответствующими им
напряженностью E1, E2, …, En, то получаемый сигнал с электрода представляет
собой суперпозицию электростатических полей.
n
E   Ei
i 1
где Ei напряженность поля, создаваемое в i-ой точке; i –точка коры головного
мозга, формирующая отдельную напряжённость; n – количество точек коры
головного мозга, формирующих напряженность.
Напряженность E результирующего поля, создаваемого системой зарядов,
равна векторной сумме напряженностей полей, создаваемых в данной точке
каждым из зарядов в отдельности (рис. 1).
Рисунок 1 – Модель снятия сигнала с кожного покрова головы
Также напряженность электрического поля точечного заряда прямо
пропорциональна заряду q и обратно пропорциональна расстоянию r от заряда
до данной точки поля.
q 
1
E


4 0   r 2 r
362
где r – радиус-вектор, между зарядом q и произвольным зарядом qпр;  диэлектрическая проницаемость тканей; 0 – диэлектрическая постоянная.
n
qi
1
E

4 0 i 1 r 3
Получаемый сигнал определяется местоположением зарядов в пространстве,
диэлектрическими свойствами среды и значению самих зарядов qi. Таким
образом, для того, чтобы получить только сигнал с какой-либо точки коры
головного мозга qi, нужно из общего снимаемого сигнала отфильтровать
именно его информационную составляющую без каких-либо помех. Однако
это является сложным процессом, потому что зависит от многих
дополнительных факторов, которые носят неопределённый характер или
другими словами имеет место быть неполнота исходных данных в условиях
неопределённости.
Во-первых, в коре головного мозга имеются различные области (центры) [4],
отвечающие за определённые действия человека .
Обоснование выбора местоположений электродов на кожном покрове
головы зависит от исследований интенсивности деятельности мозга при
выполнении условий, связанных с возможностью выполнения тех или иных
движений определёнными конечностями тела человека. Целью таких
исследований становится возможность определения связи между отдельными
центрами головного мозга человека при формировании сигнала управления.
Возможность применения автокорреляционных методов анализа сигналов с
датчиков электроэнцефалограммы для разработки интеллектуального
тренажёра по восстановлению опорно-двигательных навыков человека
рассматривалось в работе [5].
Во-вторых, не только каждый центр головного мозга обладает своей
интенсивностью, амплитудой и частотой формируемого сигнала, но и каждый
орган человека обладает своими характеристиками. Кроме того, необходимо
учитывать ритмы мозга, формируемые при спонтанной электрической
активности мозга. В настоящее время в медицине выделяют следующие
основные электрические ритмы головного мозга, которые обладают своими
специфическими характеристиками сигналов: -ритм (частота – 8-13 Гц,
напряжение - 30-70 мкВ), -ритм (частота – 14-30 Гц, напряжение - 5-30мкВ),
-ритм (частота – 30-170 Гц, напряжение - <10 мкВ), -ритм (частота – 1-4 Гц,
напряжение - 100-300 мкВ), -ритм (частота – 4-8 Гц, напряжение - 100-150
мкВ), -ритм (частота – 8-12 Гц, напряжение - 20-30 мкВ), -ритм (напряжение
- < 50 мкВ), -ритм (частота – 7-11 Гц, напряжение - < 50 мкВ), -ритм
363
(частота – 10-16 Гц, напряжение - < 50 мкВ), -ритм (частота – 10 Гц).
Все эти сигналы обладают различными частотами сигнала, а также их
амплитудами, что также накладывает ограничения при проектировании
интеллектуального тренажёра на основе управления им с помощью
низкочастотных сигналов коры головного мозга.
В-третьих, каждый человек индивидуален, включая особенности его
мышления, а также уровни низкочастотных сигналов коры головного мозга.
Поэтому при формировании управляющих сигналов для тренажёров
необходимо учитывать индивидуальную специфику человека, использующего
этот тренажёр.
В-четвёртых, индивидуальными становятся травмы человека, приводящие к
ограничениям подвижности опорной двигательной системы из-за нарушений
связи коры головного мозга с конкретными конечностями человека, что также
требует учёта неопределённости критериев формирования управляющих
сигналов для интеллектуального тренажёра, функционирующего на основе
низкочастотных сигналов коры головного мозга.
Ввиду этого необходимо разработать такого рода адаптационный метод
реализации, который позволил бы учитывать всю неполноту исходных данных
в условиях неопределённости критериев формирования управляющих сигналов
для интеллектуального тренажёра, функционирующего на основе
низкочастотных сигналов коры головного мозга.
Учитывая изложенные предпосылки, рассмотрим подходы для снятия
сигналов с отдельного электрода, находящегося на поверхности кожного
покрова головы.
Общий вид устройства показан на рисунке 2.
Рисунок 2 –Внешний вид устройства
364
Результаты проектирования платы для снятия сигнала с одного электрода в
САПР представлены на рис. 3.
Рисунок 3 – Принципиальная схема платы
В схему в область обратной связи введено дифференцированное усиление
сигнала.
Включение устройства определяет наличие некоторого переходного
процесса (красным) показанного на рис. 4.
Сигнал с частотой 55 Гц и с модуляцией помехи представлен на рис. 5.
Так как колебания помехи одинаковые на ОУ, то по другому
неподключенному каналу можно видеть помеху, которая суммировалась с
сигналом (рис. 6).
Теперь представим зависимость амплитуды от расстояний между
электродами на поверхности головы (рис. 7).
365
Рисунок 4 – Сигналы, снимаемые с устройства по двум каналам
Рисунок 5 – Сигнал с частотой 55 Гц и с модуляцией помехи
Рисунок 6 – Разностный сигнал
Рисунок 7 – Зависимость расстояния между электродами и амплитуды
При увеличении расстояния между электродами наблюдалось уменьшение
амплитуды сигнала.
Кроме того, снимаемые с коры головного мозга низкочастотные сигналы
имеют индивидуальный характер, что требует также учитывать этот факт при
обработке такого рода сигналов.
Ввиду этого основными направлениями формирования электронной
компонентной базы для интеллектуального тренажёра по восстановлению
опорно-двигательной системы человека должны быть:
1. Разработка отечественной элементной базы обработки низкочастотных
сигналов от 2 до 70 Гц.
2. Формирование АЦП и ЦАП с учётом возможности использования
366
методов нейронных сетей для обработки и обучения сигналов для
управления интеллектуальным тренажёром по восстановлению опорнодвигательной системы человека.
3. Адаптация электронной компонентной базы для использования в
условиях неопределённости формирования управляющего сигнала для
интеллектуального тренажёра по восстановлению опорно-двигательной
системы человека.
Список литературы
1. http://www.nature.com/nature/journal/v456/n7222/ full/nature07418.html
2. http://www.computerra.ru/think/35815/
3. Лавлинский В.В. Интеллектуальный тренажёр приобретения двигательных
навыков для людей с нарушениями опорно-двигательной системы /
Д.В.Бибиков, В.В.Лавлинский // Сб. тр. научно - практической конференции
«Механизмы
поддержки
инновационно-технологического
предпринимательства и инноваций в социальной сфере» . - 2011. - С. 11-12.
4. Беликов А. Идентификация мозга / А.Беликов // 2001. – 144с.
5. Лавлинский В.В. Применение автокорреляционных методов анализа
сигналов
с
датчиков
электроэнцефалограммы
для
разработки
интеллектуального тренажёра по восстановлению опорно-двигательных
навыков человека / Бибиков Д.В., В.В.Лавлинский, // Моделирование систем
и процессов. Научно-технический журнал– Вып. 2. – Воронеж : ВГЛТА,
2012. С.22-26.
6. Уткин Д.М. Проблемно-ориентированное программное обеспечение для
расчета показателей надежности сложных блоков программно-технических
комплексов и его интеграция в САПР сквозного проектирования / Д.М.
Уткин, В.К. Зольников // Моделирование систем и процессов. 2013. №3. С.
48-51.
367