Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
MAGISTARSKI RAD
SPLIT, 2003.
1
KOMISIJA ZA OCJENU MAGISTARSKOG RADA:
2
Summary
SUMMARY
This thesis deals with surface electromyography, which includes
measurement, acquisition, processing and application of the emg signals. An emg
system used for emg signals acquisition is designed, developed and tested. The design
of bioamplifier is of particular significance in sense of noise reduction. Therefore, the
low noise instrumentational amplifier with high CMRR of 130dB is chosen for the
preamplifier.
3
Uvod
SADRŽAJ
1. UVOD ..................................................................................................................................................6
SUSTAVA .............................................................................................................................................25
3.1. UVOD........................................................................................................................................25
3.2. ELEKTRODE ZA MJERENJE ELEKTROMIOGRAMA........................................................26
3.2.1. KONTAKTNI POTENCIJAL...............................................................................................27
3.2.2. MODEL REGISTRIRANJA ELEKTRIČNE AKTIVNOSTI MIŠIĆA....................................29
3.2.3. IZVEDBA POVRŠINSKIH ELEKTRODA...........................................................................30
3.2.4. SMETNJE KOJE NASTAJU PRILIKOM SNIMANJA BIOLOŠKIH SIGNALA
(ELEKTROMIOGRAMA)..............................................................................................................34
3.3. BIOPOJAČALA .........................................................................................................................35
3.3.1. PREDPOJAČALO: INSTRUMENTACIJSKO POJAČALO ................................................36
3.3.2. GLAVNO POJAČALO ........................................................................................................37
3.4. IZVEDBA EMG SUSTAVA......................................................................................................38
3.4.1. IZVEDBA BIOPOJAČALA .................................................................................................38
3.4.2. PREDPOJAČALO AD621 ..................................................................................................39
3.4.3. GLAVNO POJAČALO ........................................................................................................42
3.4.4. A/D KONVERTER I PROGRAM ZA AKVIZICIJU SIGNALA ............................................43
3.5. ZAKLJUČAK.............................................................................................................................44
4. OSNOVE WAVELET TRANSFORMACIJE I MULTIREZOLUCIJSKE ANALIZE ............45
4.1. UVOD.........................................................................................................................................45
4.2. VREMENSKO - FREKVENCIJSKA ANALIZA I VREMENSKI OGRANIČENA FOURIER-
OVA TRANSFORMACIJA................................................................................................................45
4.3. MULTIREZOLUCIJSKA ANALIZA........................................................................................47
4.4. KONTINUIRANA WAVELET TRANSFORMACIJA.............................................................48
4.5. DISKRETIZACIJA KONTINUIRANE WAVELET TRANSFORMACIJE .............................50
4.6. DISKRETNA WAVELET TRANSFORMACIJA (DWT) ........................................................51
4.7. WAVELETI PRIMJENJENI U NUMERIČKIM EKSPERIMENTIMA ...................................54
4.8. ZAKLJUČAK.............................................................................................................................56
5. UKLANJANJE SMETNJI IZ SIGNALA POMOĆU WAVELET TRANSFORMACIJE .......57
5.1. UVOD.........................................................................................................................................57
4
Uvod
LITERATURA: ..................................................................................................................................120
5
Uvod
1. UVOD
6
Uvod
7
Anatomija i fiziologija
2.1 UVOD
U ovom poglavlju biti će izložene anatomske i fiziološke osnove nužne za
razumijevanje električne aktivnosti mišića. Opisat će se anatomska struktura mišića i s
fiziološkog aspekta objasniti proces nastajanja i propagacije električnog potencijala u
mišiću.
Početak i završetak redovito tvori vezivno tkivo, pa mišićno tkivo obično nije
izravno učvršćeno za kost. Najčešće oba kraja mišića završavaju tetivno, a između
njih se nalazi mišićni trbuh. Tetiva je bjeliščast fibrozni organ koji povezuje krajeve
8
Anatomija i fiziologija
mišićnih niti i kosti. Tetive prenose djelovanje mišićne kontrakcije na mjesto hvatišta
mišića te tvore pasivni dio mišića.
Kao i svaka druga sila, i mišićna sila ima četiri osnovne značajke: 1. intenzitet
sile, 2. pravac djelovanja, 3. smjer djelovanja i 4. hvatište djelovanja sile. Smjer
djelovanja mišića određen je odnosom pravca djelovanja prema uporištu zgloba, pa
mišiće dijelimo na opružače, pregibače, primicače i odmicače.
Mišići smješteni ispred osovine zgloba koji međusobno primiču dva zglobna
kraja, djeluju kao pregibači, fleksori. Mišići smješteni iza osovine zgloba, a koji
djeluju suprotno, jesu opružači, ekstenzori.
Ako mišići koji leže postranično prema zglobu djeluju tako da odmiču
ekstremitet od osi tijela, nazivamo ih odmicačima ili abduktorima. Mišiće s
funkcijom primicanja ekstremiteta prema osi tijela zovu se primicači ili aduktori.
Mišići postavljeni ukoso s obzirom na osovinu zgloba djeluju kao obrtači, rotatori.
Po djelovanju razlikujemo i mišiće podizače, levatori, natezače, tenzori i ispravljače,
erektori.
Na isti zglob mogu istodobno djelovati dva ili više mišića, a pokret je u zglobu
rezultanta njihovih sila. Prema tome djeluju li mišići pozitivno ili negativno na
određenu kretnju zgloba, razlikujemo mišiće sinergiste i antagoniste. Mišići
sinergisti potpomažu neku kretnju, a mišići antagonisti suprotstavljaju se kretnji.
Usklađenost djelovanja sinergista i antagonista omogućuje odmjerenost i stabilnost
čovjekovog gibanja.
Vrlo rijetko jedan mišić obavlja samo strogo određenu kretnju. Kretnje su
redovito vrlo složene i nastaju djelovanjem nekoliko mišićnih skupina, pa i cijelog
mišićnog sustava. Mišiće donjih udova, musculi membri inferioris, dijelimo u četiri
skupine: mišići zdjelice, mišići natkoljenice, mišići potkoljenice i mišići stopala.
9
Anatomija i fiziologija
SKELETNI MISIC
Misic
Fascikule
Misicno vlakno
H Z A I
pojas disk pojas pojas
Miofibril
Miofilamenti
F-aktin filament
10
Anatomija i fiziologija
11
Anatomija i fiziologija
filament
Z disk
I
zona Transverzalne
cjevcice
Sarkoplazmicni
A retikulum
Sarkomera zona
Z
disk
I zona
sarkolema
miofibrili
MYOSIN AKTIN
KONTRAHIRANO VLAKNO
I A I
A
H
Z Z
VLAKNO U MIROVANJU H
RASTEGNUTO VLAKNO
12
Anatomija i fiziologija
13
Anatomija i fiziologija
STANIČNA MEĐUSTANIČNA
TEKUĆINA Membrana TEKUĆINA
-
- A Cl-
A -
HCO3
Na
+
+ K-
K- Na
+
+
K A
-
K-
K-
Cl-
Na
- Cl- A
-
Pore Cl- Na
+
Na
+
-
A Na
+
(kanalići)
-
Cl
K- Cl-
HCO3
K-
Na+ K- -
- K- K- HCO3
-
+
Na A Cl-
Cl- Na
+
Cl K- +
K- Cl- K
- - -
HCO3
A A + Na
+
Na
Potencijal(mV)
+80
(-)
+60
+40
+20
0
-20
-40
-60 Potencijal s unutrašnje +++ ++++++ +++
-80 ----------------- -----
strane membrane
------------------------
+++++++++++++++++
15
Anatomija i fiziologija
16
Anatomija i fiziologija
Reverzni +40
potencijal +20 Membranski
100 0 potencijal
Akcijski -20 (mV)
10 potencijal -40
-60
1 -80
Na+ vodljivost
0.1
K+ vodljivost Omjer vodljivosti
(Na+ / K+)
0.01
0.001
100
Na+
10
K+
Vodljivost
(mmho/cm2) 1
0.1
0.01
0.005
+ + + + + + + + + + + + + + + + +
- - - - - - - - - - - - - - - - -
A
- - - - - - - - - - - - - - - - -
+ + + + + + + + + + + + + + + + +
+ + + + + + + - - + + + + + + + +
- - - - - - - + + - - - - - - - -
B
- - - - - - - + + - - - - - - - -
+ + + + + + + - - + + + + + + + +
+ + + + + + - - - - + + + + + + +
- - - - - - ++ + + - - - - - - -
C
- - - - - - + + + + - - - - - - -
+ + + + + + - - - - + + + + + + +
+ + - - - - - - - - - - - - - + +
- - + + + + + + + + + + + + + - -
D
- - + + + + + + + + + + + + + - -
+ + - - - - - - - - - - - - - + +
17
Anatomija i fiziologija
18
Anatomija i fiziologija
A B
2 + + - - - + + + + + ++
2 - - +++- - - - - - -
A B
3 + + + + - - - + + + ++
3 - - - - +++- - - - -
A B
4 + + +++++ - - - ++
4 - - - - - - - +++- -
A B
5 + + ++++++++ - -
5 - - - - - - - - - - ++
Živo tkivo se ponaša kao volumski vodič [9], stoga mjerenje i snimanje
akcijskog potencijala nije ograničeno samo na površinu membrane mišićnog vlakna.
Kod volumskog vodiča, izvor potencijala, poput akcijskog potencijala mišićnog
vlakna, gibanjem iona se odvodi od mjesta gdje je nastao. Također, živo tkivo se
ponaša kao filtar. Stoga elektrode insertirane u mišić ili položene na površinu kože
mogu snimiti tek prigušeni akcijski potencijal vlakna.
19
Anatomija i fiziologija
+
1
+
2
i +
Mjesto
snimanja
n +
završetak mišićno
motornog vlakno =
neurona h(t)
Geometrijski
položaj Filtrirajuća
elektroda i svojstva Superpozicija
mišićnih elektroda i akcijskih
vlakana tkiva potencijala
Zbog utjecaja ovih faktora nije moguće precizno definirati vršne vrijednosti
amplitude. Naime, pojedini vrhovi signala na slučajan način variraju po iznosu
amplitude i trajanju. Ovu nekonzekventnost objašnjavamo činjenicom da je svaka
mišićna aktivnost kompozicija aktivnosti mnogobrojnih motoričkih jedinica, pri čemu
svaku motoričku jedinicu tvori niz mišićnih vlakana, [11]. Budući da svako vlakno na
podražaj reagira brzim trzajem, da bi se generirala korisna sila u mišiću, vlakna je
20
Anatomija i fiziologija
aktivan period
1000
500
0
emg (uV)
-500
-1000
mirovanje
mišića
-1500
-2000
0 500 1000 1500 2000 2500 3000 3500 4000 4500
t(ms)
10
snaga signala (V*V /Hz)
0
0 50 100 150 200 250 300 350 400 450 500
f (Hz)
21
Anatomija i fiziologija
A
Mišićna vlakna N
A
T
O
M
I
J
A
Označimo li akcijski potencijal i-te motoričke jedinice prisutan na površini kože kao
hi(t), a vremenski trenutak u kojem se javlja kao tk, tada niz akcijskih potencijala
pojedine motoričke jedinice, koji se javljaju kao posljedica opetovanog podraživanja
motoričke jedinice, možemo izraziti kao:
n
ui (t ) = ∑ hi (t − t k ) 2.1
k =1
U tom slučaju, EMG signal kojeg bilježi elektroda može se izraziti kao:
p p n
m p (t , F ) = ∑ u i (t , F ) =∑∑ hi (t − t k ) 2.2
i =1 i =1 k =1
pri čemu p označava broj podraženih motoričkih jedinica u mišiću, dok F predstavlja
silu kontrakcije mišića. Vrijednosti p i F su u direktnoj vezi.
Budući da elektrode zbog svojih električkih i mehaničkih karakteristika utječu na
detektirani signal, uvest ćemo faktor korekcije na slijedeći način:
p n
m(t , F ) = r (t , d ) ⊗ [ ∑∑ h (t − t i k ) + n(t ) ] 2.3
i =1 k =1
22
Anatomija i fiziologija
Slika 2.14. prikazuje obrađeni signal sa slike 2.11. Signal je filtriran wavelet
metodom, ispravljen, te je određena ovojnica, primjenom filtra s pomičnim
prosjekom, pri čemu širina prozora iznosi 101 uzorak. Detaljniji opis obrade izložen
je u poglavlju 6.
300
250
200
emg (uV)
150
100
50
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500
t (ms)
23
Anatomija i fiziologija
• Detekcija trenutka kad nastupa zamor mišića: ukoliko je mišić aktivan kroz
neki duži period, moguće je izmjeriti trenutak kad dolazi do mišićnog zamora.
Naime, uslijed umora dolazi do pada median frekvencije u spektru signala
prema nižim vrijednostima, [15]. Median frekvencija definirana je kao
frekvencija koja dijeli spektar signala na dva dijela s jednakom snagom, izraz
2.4:
f _ median f _ uz / 2
∑ P( f
k =0
k )= ∑ P( f
k = f _ median
k ) 2.4
pri čemu je P(fk) k-ti uzorak spektra snage diskretnog emg signala, x(n), a fuz
je frekvencija uzorkovanja. Informacija o zamoru mišića koristi se u
rehabilitacijske svrhe prilikom određivanja trajanja i intenziteta naprezanja
mišića kod izvođenja rehabilitacijskih vježbi, kao i u sportu tj. teoriji treninga.
2.8. ZAKLJUČAK
U poglavlju su dane osnove anatomske građe mišića nužne za razumijevanje
fizioloških procesa koji se odvijaju pri mišićnom podražaju.
24
Emg sustav
3. KOMPONENTE ELEKTROMIOGRAFSKOG
SUSTAVA
3.1. UVOD
Sustav za akviziciju emg signala uključuje elektrode za snimanje
elektromiograma, biopojačalo koje se sastoji od instrumentacijskog predpojačala i
glavnog pojačala, A/D pretvornik i PC računalo za prikaz, obradu i pohranu
snimljenih signala, sl.3.1.
PC + AD kartica
(obrada i analiza emg-a)
Referentna elektroda
Glavno pojacalo
Predpojacalo
Elektrode za snimanje
Ukoliko se žele snimati mišići bliži površini kože, tj. površinski dostupni, tada
se mogu koristiti površinske elektrode, čija primjena je bezbolna. Suprotno, ako je
mišić od interesa smješten duboko u tijelu (kao npr. iliopsaos), tada se primjenjuju
potkožne elektrode.
25
Emg sustav
Ova ispitivanja se vrše pomoću elektroničkih sustava čiji su osnovni djelovi izrađeni
od vodiča I reda (metala), dok se, s druge strane, djelovi organizma mogu smatrati
kao loši volumski vodiči II reda. Praćenje električnih pojava u organizmu (Sl.3.2.a),
elektrostimulacija (Sl.3.2.b) i registriranje odgovora biološkog sustava na prethodnu
stimulaciju (Sl.3.2.c) vrši se posredstvom elektroda.
BIOLOŠKI SUSTAV ZA
SUSTAV REGISTRIRANJE
a)
BIOLOŠKI SUSTAV ZA
SUSTAV STIMULACIJU
b)
SUSTAV ZA
BIOLOŠKI
STIMULACIJU I
SUSTAV
REGISTRIRANJE
c)
Sl. 3.2: Shematska veza: biološki sustav – elektronički sustav
1) bilo kakvog biokemijskog ili fizičkog utjecaja na živu tvar koja je u dodiru
s elektrodom
2) uvođenja kontaktnog potencijala između elektrode i kože
26
Emg sustav
Zn
V
-+
e -+ Zn
++ U
e
-- ++ r
Broj iona koji za određeno vrijeme napuste površinu metala postaje jednak
broju iona koji se za isto vrijeme vrate na metal: nastupa dinamička ravnoteža. Na
granici metala i elektrolita formirat će se veoma tanak električni dvosloj: između
pozitivnog i negativnog oblaka javlja se elektrostatsko polje čija veličina zavisi od
prirode metala, temperature u galvanskom protuelementu i dr.
27
Emg sustav
+
V1-U’
- +
- +
--
A
+U“ U
0
U’
+
- + B
- + V2-U“
- +
28
Emg sustav
Rb
Strujni krug koji predstavlja električni model analogan sustavu na sl. 3.5.
pojednostavljeno je prikazan na slici 3.6. U ovom sustavu postoje tri izvora napona:
jedan predstavlja rezultat promjena biopotencijala u toku vremena, E(t), dok su ostala
dva nefiziološkog porijekla i svode se na galvanske protuelemente formirane na
kontaktima vodiča I i II reda (tj. na mjestima gdje su elektrode aplicirane na tijelo).
Budući da se kontaktni potencijali uzajamno kompenziraju, nisu prikazani na slici 3.6.
R + R2 R + Rb R + R2
E (t ) = (1 + 1 )(1 + a )+ 1 U ' 3.2
r R0 R0
29
Emg sustav
Izraz 3.2 predstavlja traženu vezu između napona koji se želi mjeriti E(t) i
napona kojeg instrument registrira U’. Budući da je izraz u uglatoj zagradi veći od 1,
u svakom trenutku je E > U’. Približna jednakost E ≈ U’ vrijediti će samo ako je R0
>> (Ra + Rb) i r >> (R1 + R2). Stoga, da bi mjerni instrument registrirao maksimalnu
vrijednost biopotencijala potrebno je da je unutrašnji otpor uređaja mnogo veći od
otpora elektroda (Ra + Rb) i okolog tkiva (R1 + R2) i da se elektrode postave što bliže
generatoru kako bi otpor pasivnog tkiva (R1 + R2) bio što manji u odnosu na r. Pri tom
nije neophodno (u cilju uvećanja otpora r) da elektrode budu suviše udaljene
međusobno, jer otpor volumskog vodiča između elektroda ne ovisi o njihovoj
međusobnoj udaljenosti. Zato su u stvarnosti promjene registriranog potencijala U’
manje od izvornog bionapona E. Stoga se za praćenje biopotencijala moraju koristiti
diferencijalna pojačala s visokim unutrašnjim otporom.
30
Emg sustav
Odabir veličine elektroda ovisit će o mišiću ili grupi mišića koji se promatraju.
Generalno pravilo je da se manji mišići snimaju elektrodama manjih dimenzija
detektirajućih površina, premda ne postoje strogo definirana pravila. Što je veća
detektirajuća površina, veća je amplituda snimljenog signala i manji šum što se
generira na spoju elektrode i kože. Međutim, veća detektirajuća površina znači i veće
dimenzije elektrode. Stoga, optimalnom izvedbom potrebno je maksimizirati broj
mišićnih vlakana koje pokriva detektirajuća površina, minimizirati šum generiran na
spoju koža-elektroda i minimizirati fizičku površinu detektirajuće površine.
Ovi proturječni zahtjevi zahtijevaju kompromis. Odgovarajuće rješenje može
biti u odabiru oblika detektirajuće površine. Za razliku od kružnih elektroda koje se
uobičajeno koriste, DeLuca [13] je razvio elektrode s pravokutnom površinom, sl.3.7.
koje pokazuju slijedeću prednost u odnosu na kružne: Za proizvoljno odabran iznos
detektirajuće površine, pravokutna elektroda će zahvaćati više mišićnih vlakana od
kružne elektrode jednake površine, pod uvjetom da vrijedi l > 0.785 w (l = visina, w =
širina pravokutnika). Npr., za vrijednosti l = 10 mm, w =1 mm, pravokutna elektroda
će zahvaćati 2.8 puta više mišićnih vlakana od kružne elektrode radijusa r = 1.78 mm,
sl.3.9. Stoga, pravokutna elektroda snima signal kojeg čini veći broj motoričkih
jedinica u mišiću što rezultira signalom veće amplitude. DeLuca i suradnici na osnovu
eksperimenata utvrdili su optimalne dimenzije elektroda koje iznose: l = 10 mm, w =
1 do 2 mm.
31
Emg sustav
1mm
1.78mm
Priprema kože
• Elektroda se ne smije položiti na tetivu ili u njenoj blizini: kako se mišićna vlakna
približavaju tetivi, postaju tanja i malobrojnija, što snižava amplitudu emg signala.
Također, u ovom području mišić se stanjuje što otežava pravilan smještaj
elektrode i omogućuje pojavu cross-talka, zbog blizine okolnih mišića.
33
Emg sustav
2. Šum koji generiraju elektroničke komponente, sastavni dijelovi emg sustava. Ove
smetnje sadrže spektralne komponente od 0 do nekoliko tisuća Hz. Na bijeli šum
ne može se utjecati izuzev odabirom kvalitetnih elektroničkih komponenti pri
izradi sustava i pažljivim dizajnom biopojačala.
34
Emg sustav
3.3. BIOPOJAČALA
Biosignali se mjere kao potencijali tj. naponi koje generiraju nervi i mišići. Signali su
vrlo niskih amplituda, od 0.01mV do 5mV, niskog frekvencijskog opsega, od 15 do
nekoliko stotina Hz, [25]. Stoga pojačala koja pojačavaju miosignale na naponski
nivo kompatibilan uređajima za procesiranje (A/D pretvornici, računalo) moraju
zadovoljavati specifične zahtjeve:
Budući da se emg signal manifestira kao razlika potencijala kojeg mjere elektrode,
predpojačalo je vrsta diferencijalnog pojačala. Ovakovo pojačalo mora imati što je
moguće veći ulazni otpor da se minimiziraju gubici na impedanciji kontakta kože i
elektrode koja ima visoku vrijednost tj. iznosi oko 20kΩ.
Ad
CMRR[dB] = 20log 3.3
A cm
gdje su:
35
Emg sustav
E1 U1
R1 R2
Rb
Ra
Rb
R1
Uiz
E2 U2
R4
E3
36
Emg sustav
C2 A(dB)
R2
A0 -20dB/dec
C1 R1
Uul Uiz fd
Sl.3.12. Shema glavnog pojačala kao filtra Sl.3.13. Frekvencijska karakteristika filtra
s pojasnim propustom s pojasnim propustom
-Vs
-Vs
2 2
4 4
C2 R1
UE1
1
6 6 R3
C1
5
100µF 8
7
10µF 5.1kΩ 10kΩ
7
3 3
UE2 Uiz1 Uiz
+Vs +Vs C3= 33nF
E1,E2 - elektrode za E3
snimanje
E3 - referentna elektroda
38
Emg sustav
39
Emg sustav
Odabir pojačanja
9( REXT + 6111.111)
A= +1 3.14
( REXT + 555.555)
40
Emg sustav
45
40
35
App (dB)
30
25
20
-1 0 1 2 3
10 10 10 10 10
w (rad/s)
1 1
f L2 = * Hz = 2.8 Hz 3.18
2π 0.0555
41
Emg sustav
1
R2 C3ωj ωj 1
AGP =− * =− * 3.19
1 1 5.1 33
R1 + R3 + 1+ ωj 1 + 5 ωj
C2ωj C3ωj 100 10
25
20
15
Agp (dB)
10
-5
0 1 2 3 4 5
10 10 10 10 10 10
w (rad/s)
EMG sustav koristi 5 analognih ulaza: 4 emg kanala te jedan dodatni kanal
koji pruža informaciju o početku i završetku koraka tj. na svaki kontakt pete i podloge
reagira pravokutnim impulsom.
Za akviziciju signala korišten je programski paket Labtech koji obavlja
komunikaciju između AD kartice i računala. Maksimalna frekvencija uzorkovanja
koju nudi program je 1000Hz, što je dostatno za potrebe snimanja emg-a. Program
nudi mogućnost grafičkog prikaza snimljenih signala i njihovu pohranu u matričnom
formatu, pogodnom za daljnju obradu u Matlab-u koja uključuje:
• ispravljanje signala
• računanje frekvencijskog spektra
• uklanjanje šuma wavelet transformacijom
• određivanje ovojnice signala
• određivanje maksimalne voljne kontrakcije mišića, MVC
• određivanje trenutaka aktivacije i deaktivacije mišića
• grafički prikaz rezultata
43
Emg sustav
3.5. ZAKLJUČAK
U ovom poglavlju izložene su komponente od kojih se sastoji jedan općeniti
sustav za mjerenje emg signala. Opisane su površinske elektrode, njihova izvedba,
odabir lokacije za smještaj elektroda na kožu, kontaktni potencijal koji nastaje na
mediju koža-elektroda. Navedene su smetnje koje nastaju prilikom snimanja emg-a i
narušavaju kvalitetu snimljenih signala. Opisano je kako općenito treba izgledati
biopojačalo i koje zahtjeve treba zadovoljavati da bismo dobili signale
zadovoljavajuće kvalitete.
44
Wavelet transformacija
4.1. UVOD
Teorija o waveletima zasniva se na veoma složenim matematičkim temeljima,
koji zbog svoje opsežnosti neće biti izloženi u ovom radu. Umjesto toga, iznijet ćemo
osnovne koncepte nužne za razumijevanje i inženjerske primjene kontinuirane i
diskretne wavelet transformacije. Za dublji uvid u problematiku waveleta, čitatelj se
upućuje na dostupnu literaturu, među kojom izdvajam: [28]-[35].
∞
STFT(f, t’) = ∫ x(t ) w(t − t ' )e − j 2πft dt 4.1
−∞
45
Wavelet transformacija
Međutim, i ovakav prikaz signala ima određeni nedostatak čiji uzrok leži u
Heisenberg-ovom principu neodređenosti koji se u ovom slučaju može izreći kao: Ne
možemo točno znati koja frekvencijska komponenta egzistira u određenom
vremenskom trenutku. Najviše što možemo znati jest frekvencijski opseg koji je
zastupljen u određenom vremenskom intervalu, što je poznato kao problem rezolucije
kojeg ćemo objasniti na slijedeći način:
46
Wavelet transformacija
w1 < w2
t1 < t2
f1 > f2
f1
f2
t t
t1 t2
f t
47
Wavelet transformacija
∞
1 t −b
CWT(a,b) =
a
∫ x(t )ψ (
−∞
a
)dt 4.3
1 t −b
U izrazu 4.3, funkcija ψ(t,a,b)= ψ( ) naziva se wavelet i predstavlja valnu
a a
funkciju ograničenog trajanja za koju vrijedi:
∫ψ (t )dt = 0
−∞
4.4
Za a=1 i b=0, ψ(t) se naziva osnovni wavelet (eng. mother wavelet). Parametar
a naziva se faktor skaliranja, dok je b faktor translacije. Odabirom vrijednosti a>0,
b∈R iz osnovnog waveleta dobivaju se ostali waveleti koji su u odnosu na osnovni
pomaknuti po vremenskoj osi za vrijednost b i “rastegnuti” za faktor skaliranja a (ako
je a>1). Dakle, kontinuirana wavelet transformacija signala x(t) računa se tako da se
signal pomnoži s wavelet funkcijom za određene a i b, nakon čega slijedi integriranje.
Zatim se parametri a i b infinitezimalno povećaju i postupak se ponovi. Kao rezultat
se dobivaju wavelet koeficijenti CTW(a,b) koji prikazuju signal u vremensko-
skalarnoj ravnini pri čemu se skala a može smatrati obrnuto proporcionalnom
frekvenciji f. Iznos pojedinog wavelet koeficijenta CTW(a,b) ukazuje kolika je
sličnost između promatranog signala i waveleta koji je iz osnovnog dobiven
pomicanjem po vremenskoj osi i skaliranjem za vrijednosti b i a.
48
Wavelet transformacija
Neka su zadane funkcije f(t) i g(t) iz L2[a,b] (L2 metrika, tj. vrijedi svojstvo
kvadratne integrabilnosti u zadanom intervalu). Skalarni produkt funkcija definira se
kao:
b
< f(t), g(t) > = ∫ f (t ) g (t )dt
a
4.6
i
b
∫ [φ (t )] dt = 1
2
k 4.9
a
Na temelju izraza 4.15 vidimo da se promatrani signal x(t) može rekonstruirati preko
koeficijenata CWT.
49
Wavelet transformacija
1 t − ka0j b0
ψj,k(t) = ψ j
= a0− j / 2ψ (a0− j t − kb0 ) 4.18
j
a0 a 0
∞ ∞
pri čemu su Cj,k koeficijenti transformacije. Promatrani signal može se prikazati kao
linearna kombinacija dijadičkih waveleta, s koeficijentima transformacije kao
težinskim faktorima:
50
Wavelet transformacija
N −1
φ (t ) = 2∑ h(n)φ (2t − n) 4.22
n =0
N −1
ψ (t ) = 2∑ g (n)φ (2t − n) 4.23
n =0
51
Wavelet transformacija
Izvorni Nivo 2
Nivo 1
signal cA2(n)
h 2 ...
(0-π/4)
ili
cA1(n) (0-Fs/8)
h 2 (0-π/2)
ili
x(n)
(0-Fs/4) cD2(n)
(0-π)
g 2 (π/4−π/2)
ili ili
(0-Fs/2) cD1(n)
g 2 (π/2−π)
(Fs/8-Fs/4)
ili
(Fs/4-Fs/2)
N/2j uzorka
52
Wavelet transformacija
f.o: 0-Fs/2j+1 Hz
N/8 uz.
f.o: Fs/16 N/4 uzorka N/2 uzorka
- Fs/8 Hz f.opseg: Fs/8 - Fs/4 Hz f.opseg: Fs/4 - Fs/2 Hz
cAj(n)
cAi(k) = ∑ (cA i+1 (n) h' (2k − n) + cD i+1 (n) g ' (2k − n)) 4.31
n
53
Wavelet transformacija
1.5 1.4
1.2
1
1
0.5
0.8
0
0.6
-0.5
0.4
-1
0.2
-1.5 0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 0 0.2 0.4 0.6 0.8 1 1.2 1.4
t(s) t(s)
1
1
0.8
0.6
0.5
0.4
0
0.2
0
-0.5
-0.2
-1 -0.4
0 1 2 3 4 5 6 7 0 1 2 3 4 5 6 7
t(s) t(s)
1
1
0.8
0.5
0.6
0 0.4
0.2
-0.5
-1
-0.2
-1.5 -0.4
0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9
t(s) t(s)
54
Wavelet transformacija
1 1.2
0.5
0.8
0.6
0
0.4
0.2
-0.5
0
-0.2
-1
-0.4
-1.5 -0.6
0 5 10 15 0 5 10 15
t(s) t(s)
1
1
0.8
0.6
0.5
0.4
0
0.2
0
-0.5
-0.2
-1 -0.4
0 5 10 15 0 5 10 15
t(s) t(s)
1
1
0.8
0.5
0.6
0.4
0
0.2
-0.5
0
-1 -0.2
0 5 10 15 20 25 30 0 5 10 15 20 25 30
t(s) t(s)
55
Wavelet transformacija
4.8. ZAKLJUČAK
U poglavlju su izložene osnove wavelet transformacije i multirezolucijske
analize. Kontinuirana wavelet transformacija prikazuje signal pomoću koeficijenata
ovisnih o faktorima skaliranja i translacije. Wavelet teorija razvijena je uslijed
nastojanja da se nadvlada nedostatak Fourierove transformacije tj. odsutnost
vremenske rezolucije u frekvencijskom području. Kod wavelet transformacije
rezolucija slijedi multirezolucijsku shemu tj. pri niskim frekvencijama postiže se
dobra frekvencijska razlučivost i loša vremenska, a pri visokim frekvencijama
situacija je obrnuta. Diskretiziranjem kontinuirane wavelet transformacije po
dijadičkoj osnovi postiže se smanjenje redundantnosti wavelet koeficijenata.
56
Uklanjanje šuma pomoću DWT
5.1. UVOD
Jedna od primjena wavelet transformacije odnosi se na uklanjanje šuma iz
signala. Elektronička oprema kojom se vrši mjerenje unosi smetnje koje se često
mogu smatrati Gaussovin bijelim šumom, N(0,1). Ove smetnje otežavaju analizu
signala: primjerice, kod emg signala mogu rezultirati pogrešnom interpretacijom
intervala aktivnosti mišića. Stoga se provode različite tehnike filtriranja kojima se
uklanja bijeli šum. U poglavlju koje slijedi naglasak će biti na tehnikama za
uklanjanje bijelog šuma pomoću wavelet transformacije.
pri čemu je f(n) nepoznata funkcija koju želimo ekstrahirati iz onečišćenog signala,
z(n) Gaussov bijeli šum tj. z(n)~N(0,1) i σ standardna devijacija šuma. U
razmatranjima koja slijede smatrat ćemo da je standardna devijacija šuma σ=1.
57
Uklanjanje šuma pomoću DWT
Ukoliko ova pretpostavka ne vrijedi, što je najčešće slučaj kod stvarnih signala, prije
primjene algoritma potrebno je normalizirati promatrani signal x(n). Signal se
normalizira tako da se svi njegovi uzorci podijele s procjenom standardne devijacije
šuma, σˆ . Procjena razine šuma računa se na temelju wavelet koeficijenata detalja na
prvom nivou dekompozicije koji se smatraju u najvećoj mjeri koeficijentima šuma,
[40].
Temeljna ideja metode praga, matematički iskazana, jest procijeniti nepoznatu
funkciju f(n) iz signala x(n) tj. dobiti procjenu fˆ (n) , funkcije f(n) na način da se
minimizira očekivana vrijednost srednje kvadratne pogreške, [38]:
1 ˆ
n
2 1 N
(
E f (n) − f (n) = ∑ E fˆ (n) − f (n)
n n=1
2
) 5.2
3. Rekonstrukcija signala:
Računanje inverzne DWT na temelju originalnih koeficijenata aproksimacije J-te
razine i koeficijenata detalja na razinama od 1 do J, modificiranih primjenom praga.
Postoje dva načina primjene praga: tvrdi i meki. Kod tvrdog praga svim
koeficijentima manjim od definiranog praga dodjeljuje se vrijednost nula; ostali
koeficijenti ostaju nepromijenjeni. Primjenom mekog praga koeficijenti veći od praga
translatiraju se za vrijednost praga, dok se manji postavljaju u nulu. Ako vrijednost
praga označimo s τ, a wavelet koeficijent s w, tada će koeficijent na kojeg je
primijenjen prag, ŵ biti:
58
Uklanjanje šuma pomoću DWT
w, w >τ
• tvrdi prag: wˆ = 5.3
0, w ≤τ
sgn( w)( w − τ ), w >τ
• meki prag: wˆ = 5.4
0, w ≤τ
Slika 5.1. ilustrira primjenu tvrdog i mekog praga na linearan signal x(t)=t; τ=0.4.
Uočava se da tvrdi prag uzrokuje diskontinuitete pri t=±0.4, za razlike od mekog, kod
kojeg dolazi do atenuacije signala za vrijednost praga.
x(t) tvrdi prag meki prag
1 1 1
0.8 0.8 0.8
0.6 0.6 0.6
0.4 0.4 0.4
0.2 0.2 0.2
0 0 0
-0.2 -0.2 -0.2
-0.4 -0.4 -0.4
-0.6 -0.6 -0.6
-0.8 -0.8 -0.8
-1 -1 -1
-1 0 1 -1 0 1 -1 0 1
wˆ i2 , i=0
Wi = 2 5.5
wˆ i + Wi −1 , i>0
59
Uklanjanje šuma pomoću DWT
2(i + 1) + si
ri = 1 − 5.7
n
Prag se određuje na temelju minimalne vrijednosti niza {ri}: nakon što se pronađe
najmanja vrijednost koju ćemo označiti kao rj, za prag se odabire wavelet koeficijent s
istim rednim brojem kao rj, tj. j. Biti će:
τ=wj 5.8
Nakon određivanja pragova za sve razine, na koeficijente se primjenjuje meki ili tvrdi
prag. SURE algoritam smatra se tehnikom koja “čuva” koeficijente. Primjerice,
provede li se metoda praga nad čistim Gaussovim bijelim šumom, za očekivati je da
svi koeficijenti postanu nula. Međutim, primjenom SURE algoritma sačuvalo bi se
oko 3% koeficijenata [32], za razliku od drugih metoda, opisanih dalje u tekstu, koje
eliminiraju sve koeficijente. Stoga SURE tehniku treba koristiti kad se žele sačuvati
detalji signala koji se nalaze u području šuma ili kad maksimalna izglađenost signala
nije od primarnog značaja.
τ= 2 ln n 5.9
pri čemu je n broj wavelet koeficijenata na pojedinoj razini. Kad je potrebno dobiti
izglađenu rekonstrukciju, od sve četiri metode najbolje rezultate daje vizualna
kalibracija. Međutim, postoji mogućnost preizglađivanja. Stoga je ovu metodu
najbolje koristiti kad se zna da je signal koji se želi rekonstruirati iz šumom
onečišćenog signala gladak.
2
wi
α= −1 5.10
n
Za razinu J; n=N/2J, kriterij za odabir praga, c, definira se kao:
J
c= 5.11
n
60
Uklanjanje šuma pomoću DWT
61
Uklanjanje šuma pomoću DWT
Fs 1000
J +1
= 5+1 = 15.6 Hz ≈ 15Hz 5.12
2 2
5.4. ZAKLJUČAK
U ovom poglavlju opisan je algoritam uklanjanja bijelog šuma iz signala
pomoću wavelet transformacije i primjene praga. Opisane su tvrda i meka primjena
praga kao i metode za određivanje vrijednosti praga, implementirane u Wavelet
Toolbox Matlab-a i korištene u ovom radu. Na kraju poglavlja opisan je postupak
uklanjanja NF šuma iz emg signala koji se temelji na eliminaciji koeficijenata
aproksimacije one razine dekompozicije čiji frekvencijski opseg odgovara
frekvencijskom opsegu šuma.
62
Obrada i analiza elektromiograma
63
Obrada i analiza elektromiograma
N −1
∑ x(t ) 2
SNR (db) = 10 log10 N −1 t =0
6.1
2
∑ [xˆ (t ) − x(t )]
t =0
pri čemu je x(t) referentni signal, a xˆ (t ) onečišćeni ili rekonstruirani signal, ovisno o
kontekstu. N definira broj uzoraka signala.
1 N −1
SKP = ∑ [xˆ (t ) − x(t )]2 6.2
N t =0
6.1.1 “BLOKOVI”
Signal “blokovi” generiran je na temelju formule 6.3, [40] i prikazan je slikom 6.1.
10
1 + sgn(t )
x(t ) = ∑ hi K (t − t i ), K (t ) = 6.3
i =0 2
64
Obrada i analiza elektromiograma
8 8
7 7
6 6
5 5
4 4
amplituda
amplituda
3 3
2 2
1 1
0 0
-1 -1
-2 -2
0 100 200 300 400 500 600 700 800 900 1000 0 100 200 300 400 500 600 700 800 900 1000
t (ms) t (ms)
65
Obrada i analiza elektromiograma
Uvidom u tablicu 6.1 uočavamo da filtriranje Haar waveletom daje najbolje rezultate
(SNRmax = 24dB; SKPmin = 0.0351), što je za očekivati budući da je signal “blokovi”
po intervalima konstantan, kao i Haar wavelet koji ga stoga najbolje aproksimira.
Ostali waveleti daju lošije rezultate u odnosu na Haar-ov. Neki od signala filtriranih
ostalim waveletima iz tablice 6.1 dani su slikama 6.6 – 6.11.
66
Obrada i analiza elektromiograma
8 8
7 7
6 6
5 5
4 4
amplituda
amplituda
3 3
2 2
1 1
0 0
-1 -1
-2 -2
0 100 200 300 400 500 600 700 800 900 1000 0 100 200 300 400 500 600 700 800 900 1000
t (ms) t (ms)
Sl. 6.3a): “Blokovi”, haar wavelet, Sl. 6.3b): “Blokovi”, haar wavelet,
sqtwolog meki prag, SNR=18.885 dB sqtwolog tvrdi prag, SNR=23.3857 dB
8 8
7 7
6 6
5 5
4 4
amplituda
amplituda
3 3
2 2
1 1
0 0
-1 -1
-2 -2
0 100 200 300 400 500 600 700 800 900 1000 0 100 200 300 400 500 600 700 800 900 1000
t t (ms)
Sl. 6.4a): “Blokovi”, haar wavelet, Sl. 6.4b): “Blokovi”, haar wavelet,
minimaxi meki prag, SNR=20.82 dB minimaxi tvrdi prag, SNR=22.4557 dB
8 8
7 7
6 6
5 5
4 4
amplituda
amplituda
3 3
2 2
1 1
0 0
-1 -1
-2 -2
0 100 200 300 400 500 600 700 800 900 1000 0 100 200 300 400 500 600 700 800 900 1000
t t (ms)
Sl. 6.5a): “Blokovi”, haar wavelet, Sl. 6.5b): “Blokovi”, haar wavelet,
heursure meki prag, SNR=20.0110 dB heursure tvrdi prag, SNR=20.1260 dB
67
Obrada i analiza elektromiograma
8 8
7 7
6 6
5 5
4 4
amplituda
amplituda
3 3
2 2
1 1
0 0
-1 -1
-2 -2
0 100 200 300 400 500 600 700 800 900 1000 0 100 200 300 400 500 600 700 800 900 1000
t (ms) t (ms)
Sl. 6.6: “Blokovi”, db4 wavelet, sqtwolog Sl. 6.7: “Blokovi”, db5 wavelet, heursure
meki prag, SNR=18.17 dB meki prag, SNR=19.6173 dB
8 8
7 7
6 6
5 5
4 4
amplituda
amplituda
3 3
2 2
1 1
0 0
-1 -1
-2 -2
0 100 200 300 400 500 600 700 800 900 1000 0 100 200 300 400 500 600 700 800 900 1000
t (ms) t (ms)
Sl. 6.8: “Blokovi”, db8 wavelet, minimaxi Sl. 6.9: “Blokovi”, sym8 wavelet,
meki prag, SNR=18.8556 dB heursure meki prag, SNR=20.0627 dB
8 8
7 7
6 6
5 5
4 4
amplituda
amplituda
3 3
2 2
1 1
0 0
-1 -1
-2 -2
0 100 200 300 400 500 600 700 800 900 1000 0 100 200 300 400 500 600 700 800 900 1000
t (ms) t (ms)
Sl. 6.10: “Blokovi”, coif5 wavelet, Sl. 6.11: “Blokovi”, db5 wavelet,
sqtwolog meki prag, SNR=18.3578 dB rigrsure tvrdi prag, SNR=17.0773 dB
7 7
6 6
5 5
4 4
amplituda
amplituda
3 3
2 2
1 1
0 0
-1 -1
-2 -2
0 100 200 300 400 500 600 700 800 900 1000 0 100 200 300 400 500 600 700 800 900 1000
t (ms) t (ms)
Sl. 6.12: “Blokovi”, butter. filtar 3.reda, Sl. 6.13: “Blokovi”, butter. filtar 3.reda,
fgg=50Hz, SNR=9.5359 dB fgg=80Hz, SNR=11.5442 dB
69
Obrada i analiza elektromiograma
8 8
7 7
6 6
5 5
4 4
amplituda
amplituda
3 3
2 2
1 1
0 0
-1 -1
-2 -2
0 100 200 300 400 500 600 700 800 900 1000 0 100 200 300 400 500 600 700 800 900 1000
t (ms) t (ms)
Sl. 6.14: “Blokovi”, butter. filtar 3.reda, Sl. 6.15: “Blokovi”, butter. filtar 3.reda,
fgg=150Hz, SNR=13.9394 dB fgg=200Hz, SNR=14.8792 dB
13 8.red
-100
abs(H) (dB)
12
SNR (dB)
-150 10.red
11
-200 fgg=200Hz
10 3.red 4.red 5.red
-250
9
-300
8
7 -350
50 100 150 200 250 300 350 400 450 500 0 100 200 300 400 500 600 700 800 900 1000
fgg(Hz) f (Hz)
Na slici 6.16 uočavamo da SNR ovisi i o redu filtra na način da porastom reda
filtra opada SNR. Ovu na prvi pogled kontradiktornu činjenicu objasnit ćemo na
slijedeći način: Porastom reda filtra poboljšavaju se njegove kvalitete u zapornom
području (f>fgg) tj. amplitudna frekvencijska karakteristika brže opada, kao što je
prikazano na slici 6.17.
Filtar višeg reda efikasnije će ukloniti frekvencijske komponente iznad fgg,
među njima i visokofrekventne komponente samoga signala čime će se više izobličiti
70
Obrada i analiza elektromiograma
signal, što će rezultirati nižim omjerom SNR. Kao primjer iznesenog, odabrali smo
Butterworthove filtre 3. i 5. reda, fgg=100Hz, kojima smo filtrirali referentni signal
bez dodanog šuma. Filtriranje filtrom 5. reda rezultiralo je većim izobličenjem signala
(SKP=0.8115), sl. 6.19, u odnosu na filtar 3. reda (SKP=0.4630), sl. 6.18.
8 8
7 7
6 6
5 5
4
4
3
3
2
2
1
1
0
0
-1 red filtra=3
-1
fgg=100Hz red filtra=5
-2
SKP=0.4630
-2 fgg=100Hz
-3 SKP=0.8115
0 100 200 300 400 500 600 700 800 900 1000 -3
t(ms) 0 100 200 300 400 500 600 700 800 900 1000
t(ms)
Sl. 6.18: “Blokovi” filtrirani Butt. Sl. 6.19: “Blokovi” filtrirani Butt.
filtrom 3. reda, fgg=100Hz filtrom 5. reda, fgg=100Hz
Usporedbom rezultata postignutih klasičnim filtrima i waveletima (tablice 6.1 i 6.2, sl.
6.3-6.15) može se uočiti da se wavelet filtriranjem postižu značajno bolji rezultati,
kako sa stajališta kvantitativnih parametara kvalitete (SNR i SKP), tako i u smislu
vizualne kvalitete filtriranih signala.
350 350
300 300
250 250
200 200
150 150
100 100
50 50
0 0
0 50 100 150 200 250 300 350 400 450 500 0 50 100 150 200 250 300 350 400 450 500
f(Hz) f(Hz)
350 350
300 300
250 250
200 200
150 150
100 100
50 50
0 0
0 50 100 150 200 250 300 350 400 450 500 0 50 100 150 200 250 300 350 400 450 500
f(Hz) f(Hz)
Sl.6.22: Fr. spektar signala filtriranog Sl.6.23: Fr. spektar signala filtriranog
71
Obrada i analiza elektromiograma
Na slici 6.20. dan je spektar referentnog signala “blokovi”, bez dodanog šuma. Može
se uočiti da je snaga signala u frekvencijskom opsegu 50-500Hz zanemariva u odnosu
na područje 0-50 Hz. Međutim, frekvencijske komponente od 50 do 500Hz značajno
utječu na oblik signala u vremenskom području, pogotovo na mjestima
diskontinuiteta. Njihovim uklanjanjem dolazi do izobličenja signala, što se može
uočiti na ranije iznesenom primjeru signala kojem su butterworthovim filtrom
uklonjene frekvencijske komponente iznad 100Hz, slike 6.18 i 6.19.
Slika 6.21. prikazuje frekvencijski spektar signala s dodanim bijelim šumom. Na slici
6.22. prikazan je spektar signala filtriranog butterworth-ovim filtrom 3. reda,
fgg=100Hz. Uočavamo da su frekvencijske komponente iznad 150Hz gotovo u
potpunosti uklonjene, tj. pored šuma uklonjen je i visokofrekvencijski sadržaj samog
signala što rezultira izobličenjem signala te niskim omjerom signal/šum. S druge
strane, wavelet filtriranje uklanja šum dok zadržava koristan sadržaj signala, slika
6.23.
6.1.2 “BUMPS”
Signal “bumps” generiran je na temelju formule 6.4, [40] i prikazan je slikom 6.24a).
10
t − ti 1
x(t ) = ∑ hi K ( ), K (t ) = 6.4
i =0 wi (1 + t ) 4
6 350
5
300
4
250
amplituda
3
200
2
150
1
100
0
-1 50
-2 0
0 100 200 300 400 500 600 700 800 900 1000 0 50 100 150 200 250 300 350 400 450 500
t (ms) f(Hz)
72
Obrada i analiza elektromiograma
7 400
6 350
5
300
4
250
amplituda
3
200
2
150
1
100
0
-1 50
-2 0
0 100 200 300 400 500 600 700 800 900 1000 0 50 100 150 200 250 300 350 400 450 500
t (ms) f(Hz)
73
Obrada i analiza elektromiograma
Ostali pragovi izuzev minimaxi i rigrsure tvrdog praga daju ujednačene rezultate
(SNR≈18.5dB, SKP≈0.045).
5 5
4
4
3
3
amplituda
amplituda
2
2
1
1
0
0 -1
-1 -2
0 200 400 600 800 1000 1200 0 200 400 600 800 1000 1200
t (ms) t (ms)
Sl. 6.26: “Bumps”, db5 wavelet, heursure Sl. 6.27: “Bumps”, db5 wavelet,
meki prag, SNR=18.6207 dB minimaxi tvrdi prag, SNR=16.3013 dB
6 6
5 5
4 4
3 3
amplituda
amplituda
2 2
1 1
0 0
-1 -1
0 200 400 600 800 1000 1200 0 200 400 600 800 1000 1200
t (ms) t (ms)
Sl. 6.28: “Bumps”, db8 wavelet, Sl. 6.29: “Bumps”, sym8 wavelet,
minimaxi meki prag, SNR=18.7354 dB sqtwolog tvrdi prag, SNR=18.4126 dB
74
Obrada i analiza elektromiograma
6 6
5 5
4 4
3 3
amplituda
amplituda
2 2
1 1
0 0
-1 -1
0 200 400 600 800 1000 1200 0 200 400 600 800 1000 1200
t (ms) t (ms)
Sl. 6.30: “Bumps”, sym8 wavelet, Sl. 6.31: “Bumps”, coif5 wavelet,
rigrsure meki prag, SNR=19.9852 dB sqtwolog meki prag, SNR=17.6983 dB
Kod nižih graničnih frekvencija (fgg=50Hz) filtrirani signal je u velikoj mjeri izglađen,
međutim, SNR dostiže veoma nisku vrijednost uslijed pomaka u fazi između
75
Obrada i analiza elektromiograma
6 6
5 5
4 4
amplituda
amplituda
3 3
2 2
1 1
0 0
-1 -1
-2 -2
0 100 200 300 400 500 600 700 800 900 1000 0 100 200 300 400 500 600 700 800 900 1000
t (ms) t (ms)
Sl. 6.32: “Bumps”, butter. filtar 3.reda, Sl. 6.33: “Bumps”, butter. filtar 3.reda,
fgg=50Hz, SNR=5.4417 dB fgg=200Hz, SNR=13.5161 dB
76
Obrada i analiza elektromiograma
0.15 8
7
0.1
6
0.05
5
emg (uV)
0
4
-0.05
3
-0.1
2
-0.15 1
-0.2 0
0 500 1000 1500 2000 2500 0 50 100 150 200 250 300 350 400 450 500
t (ms) f (Hz)
0.15 8
7
0.1
6
0.05
5
emg (uV)
0
4
-0.05
3
-0.1
2
-0.15 1
-0.2 0
0 500 1000 1500 2000 2500 0 50 100 150 200 250 300 350 400 450 500
t (ms) f (Hz)
77
Obrada i analiza elektromiograma
0.2 9
0.15 8
7
0.1
6
0.05
5
emg (uV)
0
4
-0.05
3
-0.1
2
-0.15 1
-0.2 0
0 500 1000 1500 2000 2500 0 50 100 150 200 250 300 350 400 450 500
t (ms) f (Hz)
0.2 0.2
0.15 0.15
0.1 0.1
0.05 0.05
emg (uV)
emg (uV)
0 0
-0.05 -0.05
-0.1 -0.1
-0.15 -0.15
-0.2 -0.2
0 500 1000 1500 2000 2500 0 500 1000 1500 2000 2500
t (ms) t (ms)
0.15 0.15
0.1 0.1
0.05 0.05
emg (uV)
emg (uV)
0 0
-0.05 -0.05
-0.1 -0.1
-0.15 -0.15
-0.2 -0.2
0 500 1000 1500 2000 2500 0 500 1000 1500 2000 2500
t (ms) t (ms)
80
Obrada i analiza elektromiograma
0.2 0.2
0.15 0.15
0.1 0.1
0.05 0.05
emg (uV)
emg (uV)
0 0
-0.05 -0.05
-0.1 -0.1
-0.15 -0.15
-0.2 -0.2
0 500 1000 1500 2000 2500 0 500 1000 1500 2000 2500
t (ms) t (ms)
0.15 0.15
0.1 0.1
0.05 0.05
emg (uV)
emg (uV)
0 0
-0.05 -0.05
-0.1
-0.1
-0.15
-0.15
-0.2
-0.2 0 500 1000 1500 2000 2500
0 500 1000 1500 2000 2500
t (ms)
t (ms)
0.15 0.15
0.1 0.1
0.05 0.05
0 0
-0.05 -0.05
-0.1 -0.1
-0.15 -0.15
-0.2 -0.2
0 500 1000 1500 2000 2500 0 500 1000 1500 2000 2500
t (ms) t (ms)
81
Obrada i analiza elektromiograma
10 10
8 8
6 6
4 4
2 2
0 0
0 50 100 150 200 250 300 350 400 450 500 0 50 100 150 200 250 300 350 400 450 500
f (Hz) f (Hz)
82
Obrada i analiza elektromiograma
4
x 10
800 6
600
5
400
4
200
emg (uV)
0 3
-200
2
-400
1
-600
-800 0
0 500 1000 1500 2000 2500 3000 3500 0 50 100 150 200 250 300 350 400 450 500
t (ms) f (Hz)
600
5
400
4
200
emg (uV)
0 3
-200
2
-400
1
-600
-800 0
0 500 1000 1500 2000 2500 3000 3500 0 50 100 150 200 250 300 350 400 450 500
t (ms) f (Hz)
600
5
400
4
200
emg (uV)
0 3
-200
2
-400
1
-600
-800 0
0 500 1000 1500 2000 2500 3000 3500 0 50 100 150 200 250 300 350 400 450 500
t (ms) f (Hz)
83
Obrada i analiza elektromiograma
4
x 10
800 6
600
5
400
4
200
emg (uV)
0 3
-200
2
-400
1
-600
-800 0
0 500 1000 1500 2000 2500 3000 3500 0 50 100 150 200 250 300 350 400 450 500
t (ms) f (Hz)
84
Obrada i analiza elektromiograma
1000
500
0
emg (uV)
-500
-1000
-1500
-2000
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
t (ms)
85
Obrada i analiza elektromiograma
primjenom filtra s pomičnim prosjekom pri čemu širina prozora iznosi 101 uzorak.
Anvelope su potom preuzorkovane na način da razmak među susjednim uzorcima
iznosi 1% ciklusa koraka: signali su prikazani u funkciji trajanja koraka, sastoje se od
100 uzoraka i mogu se međusobno zbrajati tj. može se odrediti srednja vrijednost svih
anvelopa.
Filtriranje Određivanje anvelope
(waveleti/butter.f.) Ispravljanje i preuzorkovanje
emg1
fdg fgg
i=1...N
.
. +
.
emgN
fdg fgg
Srednja ovojnica
Prikaz aktivnih Primjena praga:
intervala mišića: 5%MVC i 5% 1/N
ciklusa koraka
% ciklus koraka
70
40
45 70
40
60
35
50
30
emg (%MVC)
emg (%MVC)
25 40
20
30
15
20
10
10
5
0 0
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
% ciklusa koraka % ciklusa koraka
87
Obrada i analiza elektromiograma
70
60
50 I1
emg (%MVC)
40
I3
30
I2 < 5%
ciklusa koraka
20
10
0
0 10 20 30 40 50 60 70 80 90 100
% ciklusa koraka
40
emg (%MVC)
30
20
10
0 10 20 30 40 50 60 70 80 90 100
% ciklusa koraka
aktivni intervali
0
0 10 20 30 40 50 60 70 80 90 100
% ciklusa koraka
88
Obrada i analiza elektromiograma
40
35
30
25
20
15
10
5
0
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100
% ciklusa koraka
6.5. ZAKLJUČAK
U ovom poglavlju testirane su različite tehnike filtriranja emg signala i
uspoređeni su rezultati. Promatrani su kako sintetički, tako i stvarno izmjereni signali.
89
Inverzna dinamika
7.1. UVOD
U prethodnim poglavljima objašnjen je postupak prikupljanja, obrade i analize
emg signala. Da bi se stekao uvid u primjenu površinske elektromiografije u okviru
analize čovjekovog kretanja, izložit će se problem inverzne dinamike. U tu svrhu
izvršeno je mjerenje parametara hoda u laboratoriju za proučavanje ljudske lokomocije.
Na temelju izmjerenih podataka (putanje markera smještenih na zglobove nogu,
reakcijske sile i momenti podloge, te emg signala mišića noge) izvršen je proračun sila i
momenata u zglobovima noge, koje generiraju mišići pri normalnom hodu. Dobiveni
momenti uspoređeni su s elektromiogramima mjerenih mišića, te je provedena analiza
kojom je utvrđena funkcija pojedinih mišića tijekom hoda.
Bez obzira koju metodu primjenjivali, rezultat je skup diferencijalnih jednadžbi koji
uključuje pokretačke sile (sile i momenti), kinematičke podatke (putanje, brzine i
akceleracije) i inercijske parametre segmenata tijela (masa segmenta, centar mase,
moment inercije). Rješenja ovih jednadžbi mogu biti kinematički podaci (direktni
dinamički pristup) ili pokretačke sile (inverzni dinamički pristup).
90
Inverzna dinamika
S druge strane, kod inverznog pristupa, kinematika sustava unaprijed je definirana ili
izmjerena, a pokretačke sile dobivaju se kao rezultat rješavanja jednadžbi gibanja.
Primjer ovog pristupa je upravljanje robotom s ciljem slijeđenja definirane trajektorije.
Oba pristupa, direktni i inverzni primjenjuju se u proučavanju ljudskog kretanja. Pojedini
istraživači su korištenjem pojednostavljenih modela ljudskog tijela i primjenom direktnog
dinamičkog pristupa, prikazanog na slici 7.1., provodili simulacije ljudskog kretanja.
Usporedbom izmjerene sile reakcije podloge i sile reakcije izračunate na temelju
simulacije vršila se procjena kvalitete odabranog modela, [62]-[65]. Složenost i sporost
postupka prilikom primjene direktnog dinamičkog pristupa ograničavajući je faktor zbog
kojeg ova metoda ne nalazi širu primjenu u laboratorijima za istraživanje hoda.
procijenjene kinematika
mišićne sile (putanje, brzine,
akceleracije)
jednadžbe
gibanja
antropometrija sile reakcije
(inercijski parametri podloge
segmenata tijela)
Inverzni dinamički pristup, prikazan na slici 7.2., često se koristi kod analize
normalnog i patološkog hoda. Ova analiza usmjerena je ka razumijevanju mehanizama
uključenih u motoričko upravljanje hodom, čime se olakšava postavljanje točne
dijagnoze patologije hoda, kao i određivanje zahtjeva kod kreiranja umjetnih zglobova i
prostetičkih naprava.
antropometrija (inercijski
parametri segmenata tijela)
91
Inverzna dinamika
92
Inverzna dinamika
visina 1.79
osobe-h [m]
masa 71
osobe-m [kg]
masa- duljina- udaljenost radijus điracije- moment
centra mase
segment ms [kg] ls[m] od ρs[m] inercije
ms %m ls ls/h proksimalnog ρs ρs/ls Is=ms*ρs2
zgloba [kgm2]
(% ls)
natkoljenica 6.72 9.46 0.44 0.245 42.7 0.142 0.323 0.135
potkoljenica 2.98 4.2 0.44 0.246 40.4 0.133 0.302 0.053
stopalo 0.96 1.35 0.069 0.039 - 0.032 0.475 0.001
(visina
stopala)
93
Inverzna dinamika
z
Dosad su istraživači primjenjivali različite
modele za dinamičku analizu: Hatze [72] je
koristio 17-segmentni model kojim je
Cm
torzo analizirao dinamiku atletskih skokova.
Vaughan, Hay i Andrews su za proučavanje
sličnih problema koristili 14-segmentni
kuk
model. Porastom broja segmenata postižu se
Cm
točniji rezultati, ali se dinamički proračun
bedro usložnjava. K tomu, nekoliko studija je
koljeno
pokazalo da su pogreške koje nastaju
sjedinjenjem glave, vrata, ruku i torza u
glezanj Cm jedinstven segment zanemarive prilikom
potkolj.
Cm x računanja parametara poput momenata u
stopalo zglobovima i mehaničke energije pojedinih
segmenata, [73],[74].
Sl.7.4: 7-segmentni model
ljudskog tijela.
94
Inverzna dinamika
1.2
0.8
0.6
z (m)
0.4
0.2
0
potporna
faza zamašna faza
-0.2
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
x (m)
Centar mase stopala određen je kao težište trokuta čije vrhove čine pozicije
markera gležnja, pete i petog metatarzala. Na slici 7.6. prikazano je nekoliko uzoraka
linijskog dijagrama tijekom jednog koraka, s ucrtanim centrima mase.
95
Inverzna dinamika
Sl.7.6: Putanje centara masa segmenata desne noge tijekom jednog koraka
Na slikama 7.7a) i b), 7.8a) i b), 7.9a) i b) prikazani su grafovi putanja, brzina i
akceleracija za centar mase stopala, potkoljenice i natkoljenice, za jedno odabrano
mjerenje. Grafovi prikazuju kinematičke veličine za jedan korak.
1
putanja centra mase stopala
x-cm (m)
0.5
0
u horizontalnom smjeru
-0.5
(xcm)
0 0.2 0.4 0.6 0.8 1 1.2 1.4
4
vx-cm (m/s)
2 brzina u horizontalnom
0
smjeru (vxcm)
0 0.2 0.4 0.6 0.8 1 1.2 1.4
50
ax-cm (m/s2)
0 akceleracija u horizontalnom
-50
smjeru (axcm)
0 0.2 0.4 0.6 0.8 1 1.2 1.4
t (s)
96
Inverzna dinamika
0.4
0
brzina u vertikalnom smjeru
-1
(vzcm)
0 0.2 0.4 0.6 0.8 1 1.2 1.4
20
az-cm (m/s2)
0 akceleracija u vertikalnom
-20
smjeru (azcm)
0 0.2 0.4 0.6 0.8 1 1.2 1.4
t (s)
0 ljenice u horizontalnom
-1
smjeru (xcm)
0 0.2 0.4 0.6 0.8 1 1.2 1.4
3
vx-cm (m/s)
1
brzina u horizontalnom
0
smjeru (vxcm)
0 0.2 0.4 0.6 0.8 1 1.2 1.4
20
ax-cm (m/s 2)
10
0
akceleracija u horizontalnom
-10
smjeru (axcm)
0 0.2 0.4 0.6 0.8 1 1.2 1.4
t (s)
-0.5
brzina u vertikalnom smjeru
10
0 0.2 0.4 0.6 0.8 1 1.2 1.4
(vzcm)
az-cm (m/s2)
-5
akceleracija u vertikalnom
0 0.2 0.4 0.6
t (s)
0.8 1 1.2 1.4
smjeru (azcm)
97
Inverzna dinamika
1
x-cm (m) putanja centra mase
0 natkoljenice u horizonta-
-1
lnom smjeru (xcm)
0 0.2 0.4 0.6 0.8 1 1.2 1.4
2
brzina u horizontalnom
vx-cm (m/s)
1.5
1
smjeru (vxcm)
0.5
0 0.2 0.4 0.6 0.8 1 1.2 1.4
10
akceleracija u horizontalnom
ax-cm (m/s2)
0 smjeru (axcm)
-10
0 0.2 0.4 0.6 0.8 1 1.2 1.4
t (s)
0
akceleracija u vertikalnom
-5
smjeru (azcm)
0 0.2 0.4 0.6 0.8 1 1.2 1.4
t (s)
98
Inverzna dinamika
Pri čemu je Θkuk kut kuka, Θko kut koljena te Θgl kut gležnja. Kutevi trupa (Θtr),
natkoljenice (Θnk), potkoljenice (Θpk) i stopala (Θst) izračunati su na temelju pozicija
markera i trigonometrijskih funkcija.
Za ovako definirane kuteve izračunate su putanje tijekom jednog ciklusa koraka, te
numeričkom derivacijom dobivene kutne brzine i akceleracije.
Krivulje brzine i akceleracije izglađene su primjenom Fourierove transformacije:
harmonici iznad sedmog su odbačeni, [76].
Rezultati za gležanj, koljeno i kuk prikazani su na slikama 7.11, 7.12 i 7.13, redom.
Kinematičke veličine prikazane su u funkciji ciklusa koraka.
99
Inverzna dinamika
0.5
-5
0 10 20 30 40 50 60 70 80 90 100
100
athgl(rad/s 2)
0
kutna akceleracija gležnja
-100
0 10 20 30 40 50 60 70 80 90 100
ciklus koraka (%)
0.5
kut koljena, Θko
0
-0.5
0 10 20 30 40 50 60 70 80 90 100
5
vthko(rad/s)
0
kutna brzina koljena
-5
-10
0 10 20 30 40 50 60 70 80 90 100
100
athko(rad/s 2)
-50
0 10 20 30 40 50 60 70 80 90 100
ciklus koraka (%)
0.5
0
kut kuka, Θkuk
-0.5
0 10 20 30 40 50 60 70 80 90 100
4
vthkuk(rad/s)
2
kutna brzina kuka
0
-2
0 10 20 30 40 50 60 70 80 90 100
40
athkuk(rad/s 2)
-20
0 10 20 30 40 50 60 70 80 90 100
ciklus koraka (%)
100
Inverzna dinamika
Mx (Nm)
100 10
Fx (N)
0 0
-100 -10
0 20 40 60 0 20 40 60
50 100
My (Nm)
50
Fy (N)
0
0
-50 -50
0 20 40 60 0 20 40 60
1000 5
Mz (Nm)
Fz (N)
500 0
0 -5
0 20 40 60 0 20 40 60
ciklus koraka (%) ciklus koraka (%)
xCP = ( My + Fx * z0 ) / Fz 7.2
pri čemu z0 ovisi o tipu platforme i za platformu korištenu u ovom eksperimentu iznosi
0.04m.
101
Inverzna dinamika
Fz
F X CP X
z0
X cp
My
Sl.7.15: Određivanje centra pritiska u sagitalnoj ravnini
-0.3
x-koordinata centra pritiska (m)
-0.35
-0.4
-0.45
-0.5
-0.55
0 10 20 30 40 50 60
ciklus koraka (%)
102
Inverzna dinamika
800
700
600
500
F = Fx + Fz (N)
400
300
200
100
0
-700 -600 -500 -400 -300 -200 -100
x koordinata centra pritiska (mm)
103
Inverzna dinamika
pri čemu je mi masa segmenta, ai vektor ubrzanja centra mase segmenta, Fi rezultantna
sila u zglobu i, te Fi+1 rezultantna sila u zglobu i+1. Bitno je napomenuti da Fi i Fi+1
predstavljaju ukupnu silu u pojedinom zglobu, tj. sumu sila mišića, ligamenata i kostiju
koji sačinjavaju ili se nadovezuju na promatrani zglob. Izračunati iznose svih pojedinih
sila nije moguće zbog nedovoljnog broja jednadžbi koje se mogu postaviti, [16].
pri čemu je Ii moment inercije i-tog segmenta, dok su ri i ri+1 krakovi sila Fi i Fi+1 u
odnosu na centar mase segmenta.
Pod pretpostavkom da moment inercije ima konstantnu vrijednost tijekom vremena,
količina kružnog gibanja će biti:
U poglavlju koje slijedi primijenit ćemo sustav slobodnog tijela i jednadžbe 7.3, 7.4 i 7.5
na stopalo, potkoljenicu i bedro desne noge tj. ispisat ćemo jednadžbe gibanja u
sagitalnoj ravnini. Na temelju definiranih jednadžbi, pomoću Matlab-a ćemo izračunati
sile u zglobovima za jedan ciklus koraka.
104
Inverzna dinamika
50
-100
-200
0
-300
Fgl-x (N)
Fgl-z (N)
-400
-50
-500
-600
-100
-700
-150 -800
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
ciklus koraka (%) ciklus koraka (%)
105
Inverzna dinamika
60 0
40 -100
20 -200
0 -300
Fko-x (N)
Fko-z (N)
-20 -400
-40 -500
-60 -600
-80 -700
-100 -800
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
ciklus koraka (%) ciklus koraka (%)
106
Inverzna dinamika
60 100
0
40
-100
20
Fkuk-x (N)
Fkuk-z (N)
-200
0
-300
-20
-400
-40
-500
-60 -600
-80 -700
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
ciklus koraka (%) ciklus koraka (%)
107
Inverzna dinamika
Nakon što smo izračunali sile u zglobovima, imamo sve veličine potrebne za proračun
momenata.
z +M,+αgl
Fgl-z
Mgl
y x
Fgl-x
GL(xgl,zgl)
r_Fgl_x
r_Fgl_z
CM(xst,zst)
r_Fz
r_Fx
CP(xcp,zcp)
PE(xpe,zpe) Fx PM(xpm,zpm)
Fz
pri čemu je Ist moment inercije stopala iz tablice 7.1, αgl kutno ubrzanje gležnja prikazano
na slici 7.11. Krakovi sila dani su slijedećim relacijama:
108
Inverzna dinamika
Moment (± r Fz* Fz) u izrazu 7.18. imat će predznak ‘+’ u onim trenucima za koje vrijedi
xcp < xst, tj. predznak ‘-‘ za xcp > xst. Također, moment (± r Fgl-z* Fgl-z) u izrazu 7.18. imat
će predznak ‘+’ za xgl < xst, tj. predznak ‘-‘ za xgl > xst.
Na temelju izraza 7.19. izračunat je moment gležnja za svaki vremenski uzorak ciklusa
koraka. Na slici 7.27. prikazan je graf tako dobivenog momenta. Vrijednost momenta
normalizirana je u odnosu na masu promatrane osobe (m=70kg) i prikazana u Nm/kg.
1.4
1.2
0.8
Mgl (Nm/kg)
0.6
0.4
0.2
-0.2
-0.4
0 10 20 30 40 50 60 70 80 90 100
ciklus koraka (%)
109
Inverzna dinamika
z +M,+αko Fko-z
Mko
y x
KO(xko,zko) Fko-x
r_Fko_x
r_Fgl_z r_Fko_z
r_Fgl_x CM(xpk,zpk)
Fgl-x GL(xgl,zgl)
Mgl
Fgl-z
Ipkαko = Mko+ r Fko-x* Fko-x ± r Fko-z* Fko-z + r Fgl-x* Fgl-x ± r Fgl-z* Fgl-z - Mgl 7.24
tj.
Mko = Ipkαko - r Fko-x* Fko-x -/+ r Fko-z* Fko-z - r Fgl-x* Fgl-x -/+ r Fgl-z* Fgl-z + Mgl 7.25
pri čemu je Ipk moment inercije potkoljenice iz tablice 7.1, αko kutno ubrzanje koljena
prikazano na slici 7.12. Krakovi sila dani su slijedećim relacijama:
r Fko-x = zko – zpk 7.26
r Fko-z = xko - xpk 7.27
r Fgl-x = zpk – zgl 7.28
r Fgl-z = xpk– xgl 7.29
Moment (± r Fko-z* Fko-z) u izrazu 7.24. imat će predznak ‘+’ u slučaju xpk < xko, tj.
predznak ‘-‘ za xpk > xko. Moment (± r Fgl-z* Fgl-z) u izrazu 7.24. imat će predznak ‘+’ za
xgl > xpk, tj. predznak ‘-‘ za xgl < xpk.
110
Inverzna dinamika
0.5
0.4
0.3
0.2
Mko (Nm/kg)
0.1
-0.1
-0.2
-0.3
0 10 20 30 40 50 60 70 80 90 100
ciklus koraka (%)
z +M,+αkuk
x Fkuk-z
Mkuk
y
KUK(xkuk,zkuk) Fkuk-x
r_Fkuk_x r_Fko_z
r_Fkuk_z
CM(xnk,znk) r_Fko_x
KO(xko,zko)
Fko-x
Mko
Fko-z
Inkαkuk=Mkuk+ r Fkuk-x* Fkuk-x ± r Fkuk-z* Fkuk-z+ r Fko-x* Fko-x± r Fko-z* Fko-z–Mko 7.30
tj.
Mkuk=Inkαkuk- r Fkuk-x* Fkuk-x -/+ r Fkuk-z* Fkuk-z- r Fko-x* Fko-x -/+ r Fko-z* Fko-z+ Mko 7.31
111
Inverzna dinamika
pri čemu je Ink moment inercije natkoljenice iz tablice 7.1, αkuk kutno ubrzanje kuka
prikazano na slici 7.12. Krakovi sila dani su slijedećim relacijama:
r Fkuk-x = zkuk – znk 7.32
r Fkuk-z = xkuk – xnk 7.33
r Fko-x = znk – zko 7.34
r Fko-z = xnk– xko 7.35
Moment (± r Fkuk-z* Fkuk-z) u izrazu 7.30. imat će predznak ‘+’ u slučaju xnk > xkuk, tj.
predznak ‘-‘ za xnk < xkuk. Moment (± r Fko-z* Fko-z) u izrazu 7.30. imat će predznak ‘+’ za
xnk < xko, tj. predznak ‘-‘ za xnk > xko. Na slici 7.31. prikazan je graf izračunatog i
normaliziranog momenta.
0.8
0.6
Mkuk (Nm/kg)
0.4
0.2
-0.2
-0.4
0 10 20 30 40 50 60 70 80 90 100
ciklus koraka (%)
112
Inverzna dinamika
113
Inverzna dinamika
114
Inverzna dinamika
1.2
100
1
0.8 80
emg (mikroV)
Mgl (Nm/kg)
0.6
60
0.4
0.2 40
0
20
-0.2
-0.4 0
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
ciklus koraka (%) %koraka
350 180
160
300
140
250
emg (mikroV)
emg (mikroV)
120
200
100
150
80
100
60
50 40
0 20
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
% koraka %koraka
115
Inverzna dinamika
0.4 70
0.3 60
0.2 50
Mko (Nm/kg)
emg (mikroV)
0.1 40
0 30
-0.1 20
-0.2 10
-0.3 0
0 10 20 30 40 50 60 70 80 90 100
0 10 20 30 40 50 60 70 80 90 100
ciklus koraka (%)
%koraka
100
80 15
emg (mikroV)
emg (mikroV)
60
40 10
20
0 5
0 10 20 30 40 50 60 70 80 90 100
0 10 20 30 40 50 60 70 80 90 100
%koraka
%koraka
116
Inverzna dinamika
0.8
0.6
Na slikama 7.35a), b), c), d), e) dani su
grafovi momenta u kuku te pripadajući
Mkuk (Nm/kg)
0.4
0.2
elektromiogrami mišića koji stvaraju
moment. Većim dijelom potporne faze
0
(0-33% koraka) moment u kuku ima
-0.2 pozitivan predznak tj. ekstenzivno djeluje
-0.4
na natkoljenicu, sl.7.35a).
0 10 20 30 40 50 60 70 80 90 100
ciklus koraka (%)
70 45
40
60
35
50
emg (mikroV)
emg (mikroV)
30
40
25
30
20
20
15
10
10
0 5
0 10 20 30 40 50 60 70 80 90 100
0 10 20 30 40 50 60 70 80 90 100
%koraka
% koraka
50
45
15 40
emg (mikroV)
emg (mikroV)
35
30
10 25
20
15
5 10
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
%koraka % koraka
Ovaj moment generiraju mišići skupine hamstrings tj. biceps femoris, prikazan na
sl.7.35b) te mišić zdjelice, gluteus maximus, sl.7.35c). Krivulja momenta slijedi aktivnost
ovih dvaju mišića, te njihovom deaktivacijom opada na nultu vrijednost.
117
Inverzna dinamika
Tada se, međutim, aktiviraju mišići fleksori kuka, rectus femoris (50% koraka),
sl.7.35d) te sartorius (55% koraka), sl.7.35e) koji stvaraju moment negativnog predznaka,
slabijeg intenziteta. Na 80% deaktivira se rectus femoris, a na 90% koraka sartorius, te
fleksorski moment opada na nulu.
7.9. ZAKLJUČAK
U poglavlju je opisano mjerenje izvršeno na zdravoj osobi pri normalnom hodu,
provedeno u “Laboratoriju za Biomedicinsku Tehniku i Robotiku”, na Fakultetu
Elektrotehnike u Ljubljani, Slovenija.
118
Zaključak
8. ZAKLJUČAK
119
Literatura
LITERATURA:
120
Literatura
19. C.J.De Luca, R. Merletti:” Surface Myoelectric Signal Cross-talk Among Muscles of
the Leg”, Electroencephalography Clinical Neurophysiology, No.69, pp.568-75,
1988.g.
20. T.J. Grabiner:”Cros Talk in Surface Electromyograms of Human Hamstrings
Muscles”, Journal of Orthopedy, No.10, pp701-709, 1992.g.
21. P. Zipp:”Recommendations for the Standardization of Lead Positions in Surface
Electromyography”, European Journal of Physiology, No.50., pp.41-54, 1982.g.
22. E.N.Zuniga:”Effects of Skin Electrode Position on Averaged Electromyographic
Potentials”, Arch. Phys. Medical Rehabilitation, No.70, pp.264-272, 1970.g.
23. “The Bagnoli-2 EMG System User's Guide”, Delsys Inc., 2000.g.
24. David A. Winter: “Biomechanics and Motor Control of Human Movement”, John
Wiley & Sons, Inc, 1990.
25. J.G. Webster, Editor in chief:”The Measurement, Instrumentation and Sensors”, CRC
Press, 1999, pp:74.1-74.19
26. “Instrumentational Amplifier: AD621; data sheet”, http:// www.analog.com
/UploadedFiles /Datasheets/789405427AD621_b.pdf
27. “Operational Amplifier: OP07, data sheet”, http:// www.analog.com /UploadedFiles
/Datasheets/53280594OP07_a.pdf
28. G. Strang, T. Nguyen:”Wavelets and Filter Banks”, Wellesley Cambridge Press,
1996.
29. R. Polikar:”The Wavelet Tutorial”, http:// engineering. rowan. edu/ ~polikar/
WAVELETS/WTtutorial.html, 1996.
30. Metin Akay:”Time Frequency and Wavelets in Biomedical Signal Processing”, IEEE
Press Inc, New York, 1998.
31. I. Daubechies:”Ten Lectures on Wavelets”, Montpelier, VT:Society for Industrial and
Applied Mathematics, Capital City Press, 1992.g.
32. M. Mitisi, Y. Mitisi, G. Oppenheim, J.M. Poggi:”Wavelet Toolbox User’s Guide”,
The Math Works, Inc, 1996.g.
33. A. Graps:”An Introduction to Wavelets”, IEEE Computational Science and
Engineering, VOl.2, No.2, 1995.
34. P.S.Diniz, E.da Silva, S. Netto:”Digital Signal Processing”, Cambridge University
Press, 2002.
35. M.P. Wachowiak:”Wavelet Based Noise Removal for Biomechanical Signals: A
Comparative study”, IEEE Trans. On Biomedical Engineering, Vol.47, No.3, pp360-
368., 2000.g.
36. G. Keiser:”A Friendly Guide to Wavelets”, Springer Verlag, 1994.g.
37. D.L.Donoho:”Wavelet Shrinkage and W. V. D:A 10-Minute Tour”, Technical Report
416, Stanford University, 1993.
38. D.L.Donoho:”Denoising by Soft Threshold”, IEEE Trans. on Information Theory,
Vol.41, No.3, pp.613-627, 1995.
39. D.L.Donoho, I.M.Johnstone:”Ideal Denoising in an Orthonormal Basis Chosen From
a Library of Bases”, Technical Report 461, Stanford University, 1994.
40. D.L.Donoho, I.M.Johnstone:”Ideal Spatial Adaptation by Wavelet Shrinkage”,
Technical Report 400, Stanford University, July, 1992.
41. D.L.Donoho, I.M.Johnstone, I.M.Kerkyacharian, G.Picard:”Wavelet Shrinkage:
Asymptotia”, Technical Report 419, Stanford University, 1993.
121
Literatura
122
Literatura
123
SAŽETAK
SUMMARY
This thesis deals with surface electromyography, which includes measurement,
acquisition, processing and application of the emg signals. An emg system used for emg
signals acquisition is designed, developed and tested. The design of bioamplifier is of
particular significance in sense of noise reduction. Therefore, the low noise
instrumentational amplifier with high CMRR of 130dB is chosen for the preamplifier.
124
Ključne riječi: elektromiogram, emg sustav, biopojačalo, wavelet transformacija,
uklanjanje šuma, intervali mišićne aktivnosti, inverzna dinamika
125