Emg Signali

SVEUČILIŠTE U SPLITU
FAKULTET ELEKTROTEHNIKE, STROJARSTVA I

BRODOGRADNJE
TAMARA GRUJIĆ ŠUPUK
MJERENJE, OBRADA I ANALIZA EMG SIGNALA

MIŠIĆA LOKOMOTORNOG SUSTAVA
MAGISTARSKI RAD
SPLIT, 2003.
1
KOMISIJA ZA OCJENU MAGISTARSKOG RADA:
1. Dr. sc. Vlasta Zanchi, redovni profesor (mentor)
2. Dr. sc. Dinko Begušić, redovni profesor
3. Dr. sc. Mirjana Bonković, docent
KOMISIJA ZA OBRANU MAGISTARSKOG RADA:
1. Dr. sc. Vlasta Zanchi, redovni profesor (mentor)
2. Dr. sc. Dinko Begušić, redovni profesor
3. Dr. sc. Mirjana Bonković, docent
Datum obrane rada: 25.04.2003.
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.
Processing of emg signals was performed by using several filtering methods,

including wavelet based noise removal. Analysis of emg signals was focused on
detection of muscle activation intervals during gait. The proposed method for
detecting muscle activity is based on maximum voluntary contraction and application
of thresholding.
As the case example of the application of emg signals in biomechanics, the

analysis of movement during gait was performed. The inverse dynamics approach
which uses Newton-Euler’s equations was implemented and joint forces and moments
were calculated. Kinematic data, measured at the Laboratory of Biomedical
Engineering and Robotics, at the Faculty of Electrical Engineering, University of
Ljubljana, were used as input data for the calculation of moments. Finally, the
comparison of joint moments and emg signals of the dominant leg muscles was done
in order to identify the influence of particular muscles in generation of movement.
3
Uvod
SADRŽAJ
1. UVOD ..................................................................................................................................................6
2. ANATOMSKA I FIZIOLOŠKA OSNOVA POVRŠINSKE ELEKTROMIOGRAFIJE...........8

2.1 UVOD............................................................................................................................................8
2.2. OBLIK, DIJELOVI I HVATIŠTA MIŠIĆA, MIŠIĆNA TETIVA .............................................8
2.3. DJELOVANJE MIŠIĆA...............................................................................................................9
2.4. GRAĐA MIŠIĆA .......................................................................................................................10
2.4.1. MOTORIČKI NEURONI, MOTORIČKE JEDINICE .........................................................13
2.5. GENERIRANJE ELEKTROMIOGRAFSKOG SIGNALA......................................................13
2.5.1. ELEKTRIČNI POTENCIJAL MEMBRANE MIŠIĆA U MIROVANJU...............................13
2.5.2. AKCIJSKI POTENCIJAL MIŠIĆNOG VLAKNA ................................................................16
2.5.3. IZVANSTANIČNO SNIMANJE AKCIJSKOG POTENCIJALA...........................................18
2.5.4. AKCIJSKI POTENCIJAL MOTORIČKE JEDINICE,.........................................................19
MIOELEKTRIČNI SIGNAL ..........................................................................................................19
2.6. MODEL EMG SIGNALA..........................................................................................................22
2.7. OBRADA I ANALIZA ELEKTROMIOGRAMA .....................................................................23
2.8. ZAKLJUČAK.............................................................................................................................24
3. KOMPONENTE ELEKTROMIOGRAFSKOG ...........................................................................25
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
5.2. UKLANJANJE BIJELOG ŠUMA POMOĆU METODE PRAGA ...........................................57

5.2.1. TVRDA I MEKA PRIMJENA PRAGA.................................................................................58
5.2.2. METODE ZA ODABIR PRAGA..........................................................................................59
5.3. UKLANJANJE NISKOFREKVENTNOG ŠUMA DISKRETNOM WAVELET
TRANSFORMACIJOM ....................................................................................................................61
5.4. ZAKLJUČAK.............................................................................................................................62
6. OBRADA I ANALIZA EMG SIGNALA: UKLANJANJE ŠUMA I ODREĐIVANJE
TRENUTAKA AKTIVACIJE I DEAKTIVACIJE MIŠIĆA...........................................................63
6.1. SINTETIČKI GENERIRANI SIGNALI ....................................................................................64
6.1.1 “BLOKOVI” ........................................................................................................................64
6.1.2 “BUMPS” ............................................................................................................................72
6.2. SINTETIČKI ELEKTROMIOGRAM........................................................................................77
6.3. STVARNI ELEKTROMIOGRAM ............................................................................................82
6.4. ODREĐIVANJE INTERVALA AKTIVNOSTI MIŠIĆA: VREMENSKI TRENUCI
AKTIVACIJE I DEAKTIVACIJE MIŠIĆA .....................................................................................84
6.5. ZAKLJUČAK.............................................................................................................................89
7. INVERZNA DINAMIKA PRIMIJENJENA NA LJUDSKI HOD: USPOREDBA MIŠIĆNE
AKTIVNOSTI I MOMENATA U ZGLOBOVIMA .........................................................................90
7.1. UVOD.........................................................................................................................................90
7.2. DIREKTNI I INVERZNI DINAMIČKI PRISTUP....................................................................90
7.3. OPIS EKSPERIMENTA ............................................................................................................92
7.4. MODEL LJUDSKOG TIJELA KOD INVERZNOG DINAMIČKOG PRISTUPA ..................94
7.5. OBRADA KINEMATIČKIH PODATAKA ..............................................................................94
7.5.1. Translacijska kinematika ....................................................................................................95
7.5.2 Rotacijska kinematika .........................................................................................................99
7.6. OBRADA KINETIČIH PODATAKA......................................................................................101
7.7. RAČUNANJE SILA I MOMENATA U ZGLOBOVIMA.......................................................103
7.7.1 PRORAČUN SILA U ZGLOBOVIMA ................................................................................105
7.7.2. PRORAČUN MOMENATA U ZGLOBOVIMA .................................................................108
7.8. USPOREDBA MIŠIĆNE AKTIVNOSTI I MOMENATA U ZGLOBOVIMA ......................113
7.8.1. ANALIZA MOMENTA U GLEŽNJU.................................................................................115
7.8.2. ANALIZA MOMENTA U KOLJENU ................................................................................116
7.8.3. ANALIZA MOMENTA U KUKU.......................................................................................117
7.9. ZAKLJUČAK...........................................................................................................................118
8. ZAKLJUČAK.................................................................................................................................119
LITERATURA: ..................................................................................................................................120
5
Uvod
1. UVOD
Elektromiogram (skraćeno: emg) je električki signal koji služi kao indikator

mišićne aktivnosti. Rad svakog mišića pri određenoj fizičkoj aktivnosti može se
prepoznati preko njemu odgovarajućeg elektromiograma, čijom se obradom i
analizom dobivaju podaci od relevantnog značenja za područja poput biomehanike,
ergonomije, fiziologije, ortopedije, sportske medicine i drugih.
Površinska elektromiografija bavi se mjerenjem, obradom i analizom emg

signala, pri čemu se mjerenje vrši elektrodama koje se apliciraju na kožu, iznad
mišića od interesa. Elektromiogram, u osnovi slučajan tj. stohastički analogan signal,
možemo definirati kao vremenski i prostorni zbroj akcijskih potencijala svih aktivnih
motoričkih jedinica mišića u osjetnom području elektroda. U drugom poglavlju rada
izložene su anatomske i fiziološke osnove potrebne za razumijevanje generiranja
emg-a. Dan je jednostavan matematički model elektromiograma pomoću kojeg se
mogu objasniti anatomski, fiziološki i električni faktori koji utječu na snimljeni
signal.
U trećem poglavlju opisan je sustav za mjerenje i prikupljanje emg signala

koji uključuje površinske elektrode, biopojačalo, AD pretvornik i računalo za obradu,
prikaz i pohranu snimljenih signala. Za potrebe ovog rada, u Laboratoriju za
Biomehaniku i Automatiku na FESB-u, razvijen je i realiziran jedan takav sustav
kojim je izvršen niz mjerenja aktivnosti mišića noge tijekom hoda.
Analizi izmjerenih signala prethodi procesiranje u svrhu uklanjanja smetnji,

prvenstveno bijelog šuma i niskofrekventnog šuma koji se naziva artefaktom pomaka.
Odlučila sam istražiti mogućnosti wavelet transformacije u svrhu uklanjanja smetnji i
usporediti je s klasičnim filtrima koji se danas najčešće koriste u svijetu biomehanike.
U četvrtom i petom poglavlju opisane su osnove wavelet transformacije i algoritam za
uklanjanje bijelog šuma pomoću diskretne wavelet transformacije i primjene praga.
Izložene su metode za određivanje praga koje je razvio američki matematičar D.
Donoho i koje su implenentirane u Wavelet Toolbox Matlab-a, korišten u ovom radu.
Također, u petom je poglavlju opisana metoda uklanjanja niskofrekventnih smetnji,
nastalih kao posljedica pomaka elektroda u odnosu na kožu tijekom snimanja signala.
U šestom poglavlju izloženi su rezultati eksperimenata provedenih na nizu

sintetičkih i stvarno snimljenih signala. Signali su filtrirani primjenom wavelet
transformacije i klasičnih filtara te su dobiveni rezultati međusobno uspoređeni.
Nadalje, pristupilo se analizi procesiranih signala. Osnovni parametri koji se

očitavaju iz emg-a su: vremenski intervali aktivnosti mišića tj. vremenski trenuci
početka i završetka djelovanja mišića, te intenzitet djelovanja mišića. Jedan od ciljeva
ovog rada bio je predložiti metodu za definiranje intervala aktivnosti mišića.
Predložena metoda zasniva se na mjerenju maksimalne voljne kontrakcije, MVC,
mišića tj. elektromiograma pri maksimalnom opterećenju mišića. Potom se
6
Uvod
elektromiogrami iz kojih želimo dobiti informaciju o aktivnosti mišića normaliziraju s

obzirom na MVC i primjeni se metoda praga, kao što je opisano u šestom poglavlju.
Ukoliko se ova metoda primijeni u kombinaciji s filtriranjem pomoću wavelet
transformacije, postižu se dobri rezultati, usporedivi s rezultatima dostupnim iz
literature.
Da bi se stekao uvid u primjenu površinske elektromiografije i emg signala u

okviru analize čovjekovog kretanja, u sedmom poglavlju izvršena je usporedba
mišićne aktivnosti i momenata koji se generiraju u zglobovima noge tijekom hoda. U
cilju proračuna momenata primijenjen je inverzni dinamički pristup kojim se na
temelju kinematičkih parametara hoda i Newton-Euler-ovih jednadžbi proračunavaju
sile i momenti zglobova. Kinematički podaci potrebni za proračun, kao i emg signali
mišića noge dobiveni su mjerenjima izvršenim u Laboratoriju za biomedicinsku
tehniku i robotiku, Fakulteta elektrotehnike u Ljubljani. Mjerenja su izvršena
Optotrak sustavom za analizu pokreta kojim je objedinjeno snimanje putanja markera
pozicioniranih na zglobove noge i rame, snimanje sile i momenta reakcije podloge i
elektromiografsko mjerenje. Rezultati analize provedene međusobnom usporedbom
proračunatih momenata i snimljenih elektromiograma pokazali su utjecaj pojedinih
mišića na stvaranje momenata u zglobovima tj. identificirani su dominantni mišići
koji u različitim fazama ciklusa hoda uzrokuju pokrete segmenata noge.
7
Anatomija i fiziologija
2. ANATOMSKA I FIZIOLOŠKA OSNOVA

POVRŠINSKE ELEKTROMIOGRAFIJE
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.
Mišići, musculi, su organi koji imaju sposobnost kontrahiranja ako su

podraženi i opuštanja nakon prestanka podražaja [1]. Tri su temeljne osobine mišića:
elastičnost, kontraktilnost i elektromotornost. Mišići kontrakcijom omogućuju
međusobno primicanje ili odmicanje pojedinih dijelova tijela te tako tvore aktivni dio
sustava organa za kretanje.
Prema klasičnoj podjeli, s obzirom na mikroskopsku građu i djelovanje, mišići se
dijele u tri temeljne skupine: poprečnoprugasti mišići, glatki mišići i srčani mišić.
U sustavu organa za kretanje sudjeluju poprečnoprugasti mišići, što se

većinom vežu izravno ili posredno na dijelove kostura, pa ih zovemo i skeletni mišići,
musculi skeleti. Skeletni mišići pokrivaju veći dio kostura te tako sudjeluju i u
oblikovanju čovjekova tijela. Smatra se da u čovjekovom tijelu ima 327 parnih i 2
neparna mišića, što pripadaju skeletnom i kožnom mišićju. Mišići tvore oko 42%
težine tijela muškarca i oko 39% težine tijela žene.
2.2. OBLIK, DIJELOVI I HVATIŠTA MIŠIĆA, MIŠIĆNA

TETIVA
Na svakom mišiću razlikujemo: polazište ili početak, origo, srednji dio ili
trbuh, venter i hvatište ili završetak, insertio, [1]. Početni dio mišića naziva se glava,
caput, a završni dio rep, cauda. Početni dio i polazište dijelovi su mišića što pri
kontrakciji ostaju nepomični. To je na udovima obično gornji (proksimalni) kraj
mišića. Završni dio i hvatište dijelovi su mišića što se pri kontrakciji pomiču. Na
udovima je to obično donji (distalni) kraj mišića. Ovo pravilo ne vrijedi za sve mišiće
jer djelovanje mišića može biti u oba smjera i krajevi se mišića mogu izmjenično
gibati. Zato su pojmovi polazište i hvatište određeni dogovorom.
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
mišićnih niti i kosti. Tetive prenose djelovanje mišićne kontrakcije na mjesto hvatišta
mišića te tvore pasivni dio mišića.
2.3. DJELOVANJE MIŠIĆA

Mišići su aktivni dio sustava organa za kretanje. Djelovanje mišića temelji se
na sposobnosti kontrakcije ili stezanja, što nastaje djelovanjem električnih podražaja
iz središnjeg živčanog sustava. S prestankom podražaja prestaje i kontrakcija i mišić
se relaksira ili opušta. Pri najjačoj kontrakciji mišićno se vlakno može skratiti čak na
polovicu dužine što je ima u stanju mirovanja. Pri tome se povećava debljina vlakana.
Razlika između najveće i najmanje moguće dužine mišića zovemo raspon ili
amplituda mišića. Sile što nastaju kontrakcijom mišića prenose se putem tetiva na
kosti i pomiču ih. Pri tom obično svladavaju određena vanjska opterećenja tj. mišić
obavlja neki rad. Kosti koje mišići pomiču upiru se u zglobovima kao poluge i
omogućuju pravilno držanje ili pomicanje pojedinih dijelova tijela.
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
2.4. GRAĐA MIŠIĆA

Skeletne mišiće tvore poprečnoprugasta mišićna vlakna ili mišićne stanice,
vezivno tkivo, krvne žile i živci [1]. Mišićna stanica (Sl.2.1) je tanka vlaknasta
struktura, duljine od nekoliko do 40cm čiji se diametar kreće od 10 do 40 mikrona [2].
Poput ostalih organa, mišić je obavijen i povezan vezivnim tkivom, zvanim fascija.
Duboka fascija ili epimysium (perimysium externum) je vanjska, tanka mišićna
ovojnica koja odvaja mišić u posebnu anatomsku i funkcionalnu strukturu.
SKELETNI MISIC
Misic
Fascikule
Misicno vlakno
H Z A I
pojas disk pojas pojas
Miofibril
Pojas I pojas G-aktin molekule
Miofilamenti
F-aktin filament
A pojas Miosin filament
Sl.2.1: Organizacija skeletnog mišića, od početnog do molekularnog nivoa
Mišić je podijeljen na svežnjiće, fascicule, koji su obavijeni unutrašnjom

ovojnicom, perimysium internum, Sl.2.2. Fasciculi su sastavljeni od mišićnih
vlakana i svaki svežnjić, obavijen svojom ovojnicom može sadržavati od nekoliko do
150 mišićnih vlakana. Nadalje, svako mišićno vlakno obavijeno je vlastitom
ovojnicom, endomysiumom. Unutrašnja mišićna ovojnica (perimysium internum)
ima veliko značenje za unutrašnju mehaniku mišića i omogućuje međusobno
pomicanje i klizanje mišićnih svežnjića.
10
Fascikule Epimisium Membrana mišićne stanice tj. vlakna leži

(perimisium duboko u endomysiumu i naziva se
externum) sarcolemma, Sl.2.3. Mišićno vlakno tvori
Perimisium niz cilindričnih myofibrila, obavijenih
internum sarcolemmom, Sl.2.1-D. Myofibril ima
Endomisium diametar oko 1 mikron i proteže se cijelom
dužinom mišićnog vlakna. Myofibrili su
okruženi sarcotubularnim sustavom koji
Misicno sadrži transverzalne cjevčice (kapilare) i
vlakno sarcoplazmični reticulum.
Transverzalne cjevčice tvore mrežu

cjevčica okomitu na smjer myofibrila i
Sl.2.2: Presjek dijela mišića: mišićne povezuju sarcolemmu sa susjednim
ovojnice, fasciculi i mišićna vlakna myofibrilima i vlaknima.
Sarcoplazmični reticulum sastoji se od cjevčica longitudinalno smještenih duž

myofibrila. Sarcotubularni sustav upravlja kontrakcijom i relaksacijom myofibrila.
Myofibril je građen od niza sarcomera koje se nastavljaju jedna na drugu,

sl.2.1-D i Sl. 2.3. Pojedina sarcomera, 2.5 mikrona duljine, sastavljena je od gustih,
tankih vlakana, myofilamenata, sl.2.1 –E. Mjesto spajanja dvije susjedne sarcomere
naziva se Z linija ili Z disk. Stoga, svaka sarcomera omeđena ja dvjema Z linijama. Z
liniju čine međusobne veze myofilamenata susjednih sarcomera.
Na svakoj sarcomeri mogu se raspoznati tri različita pojasa: A, I i H pojas.

Tamni A pojas sarcomere sastoji se od dvije vrste vlakana: debljih myofilamenata
zvanih myosin vlakna i tankih zvanih aktin vlakna, Sl.2.1-E,K,L. Svjetliji H pojas
smješten je na sredini A pojasa i sadrži samo myosin vlakna, Sl.2.1-E,L,M. Susjedni
A pojasu je I pojas i sadrži samo aktin vlakna, Sl.2.1-E,K,J.
Sarcomera je najmanja kontraktilna jedinica mišića. Tijekom kontrakcije,

aktin vlakna klize unutar myosin vlakana čime se smanjuje duljina H i I pojasa te
udaljenost između susjednih Z linija, Sl.2.4. Dok duljina A pojasa ostaje
nepromijenjena, duljina H i I pojasa ovisi o tome koliko duboko aktin vlakna iz I
pojasa penetriraju u A pojas. U stanju kontrakcije, tanka vlakna prodiru toliko u A
pojas da poništavaju H pojas. U rastegnutom mišiću aktin vlakna se povlače iz A
pojasa, šireći na taj način H pojas. Kontrakcija svih sarcomera unutar mišićnog vlakna
rezultira skraćenjem čitavog vlakna.
11
filament
Z disk
I
zona Transverzalne
cjevcice
Sarkoplazmicni
A retikulum
Sarkomera zona
Z
disk
I zona
sarkolema
miofibrili
Sl.2.3: Trodimenzionalna rekonstrukcija dijela mišićnog vlakna
MYOSIN AKTIN
KONTRAHIRANO VLAKNO
I A I
A
H
Z Z
VLAKNO U MIROVANJU H
RASTEGNUTO VLAKNO
Sl.2.4: Shematski prikaz kontrakcije mišića
12
2.4.1. MOTORIČKI NEURONI, MOTORIČKE JEDINICE
Živci mišića su mješoviti i sadržavaju motoričke, osjetne i autonomne živčane

niti. Motoričkim nitima prenose se električni impulsi iz mozga kojima se mišić
pobuđuje na kontrakciju. Živci se razgranjuju u vanjskoj i osobito u unutrašnjoj
ovojnici mišića. Broj živčanih niti u pojedinom mišiću je različit i odgovara složenosti
pokreta koje pojedini mišić obavlja. Npr., u gornjem kosom očnom mišiću koji izvodi
složene pokrete oka, omjer mišićnih i živčanih niti je 1:1, a u većine ostalih mišića u
tijelu taj je omjer manji i živčana nit se dijeli te ograncima pobuđuje više mišićnih
vlakana.
Skup mišićnih vlakana koja se pobuđuju ograncima jednog motoričkog živca

naziva se motorička jedinica i predstavlja najmanju funkcionalnu jedinicu
neuromišićnog sustava. Motorička jedinica može sadržavati od nekoliko do 10000
mišićnih vlakana. Vlakna pojedine motoričke jedinice rasuta su po mišiću te je npr.
nekoliko vlakana jedne motoričke jedinice okruženo vlaknima mnogih drugih
motoričkih jedinica.
2.5. GENERIRANJE ELEKTROMIOGRAFSKOG SIGNALA

2.5.1. ELEKTRIČNI POTENCIJAL MEMBRANE MIŠIĆA U MIROVANJU
Mišićno vlakno je okruženo sarcolemmom, tankom polupropusnom

membranom građenom od lipidnog dvosloja [2]. Membrana je ispresijecana
kanalićima kroz koje određeni ioni putuju iz stanične tekućine unutar mišićne stanice
u tekućinu međustaničog prostora i obratno. Kemijski sastav stanične i međustanične
tekućine je različit, s različitim koncentracijama dominantnih iona, kao što je
prikazano u tablici 2.1.
ion stanična tekućina međustanična tekućina

(mEQ/L) (mEQ/L)
K+ 140 4
Na+ 14 142
Cl- 4 125
HCO3- 8 28
A- 150 -
Tablica 2.1: Koncentracija iona u staničnoj i međustaničnoj tekućini

kod mišića sisavaca
Stanična tekućina sadrži visoku koncentraciju iona kalija (K+) i anorganskih

aniona (A-). K+ ioni su dovoljno mali da mogu proći kroz membranu za razliku od
anorganskih aniona kojima veličina priječi prolazak.
U međustaničnoj tekućini sadržane su visoke koncentracije iona natrija (Na+) i

klora (Cl-). Ioni klora dovoljno su mali te prolaze kroz membranu. Nešto veći ioni
natrija s teškoćama penetriraju u mišićnu stanicu.
13
Da bismo razumjeli potencijal membrane mišića u mirovanju, pretpostavimo

na trenutak da između stanične i međustanične tekućine ne postoji razlika potencijala,
sl.2.5.
Zbog veće koncentracije iona kalija u staničnoj tekućini u odnosu na

međustaničnu, K+ ioni difundiraju kroz staničnu membranu u međustaničnu tekućinu.
Anorganski ioni, A- su preveliki i ostaju unutar stanice. Na+ ioni ne mogu u dovoljnoj
količini difundirati u stanicu da nadomjeste gubitak kalijevih iona. Stoga se duž
membrane stvara razlika potencijala. Pozitivan naboj koji se stvara duž vanjske strane
membrane usporava daljnje otjecanje K+ iona iz stanice. Slično, negativan naboj u
unutrašnjosti stanice usporava daljnji dotok Cl- iona u stanicu.
Uslijed međudjelovanja gradijenta koncentracije iona unutar i van stanice i

električnog naboja koji se stvara duž membrane, uspostavlja se stanje ravnoteže pri
kojem se uspostavlja stalan membranski električni potencijal s negativno nabijenom
unutrašnjom stranom membrane i pozitivno nabijenom vanjskom.
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
Sl.2.5: Stvaranje membranskog potencijala. Dijagram sustava:

stanična tekućina-membrana-međustanična tekućina. Prikazana
membrana ima neke, ali ne sve osobine stvarne stanične membrane.
Shematizirana membrana ispresjecana je porama takve širine da kroz
njih bez poteškoća prolaze K+ i Cl- ioni, Na+ ioni uz poteškoće, dok A-
ioni uopće ne prolaze. Veličine simbola lijevo i desno na slici upućuju
na relativne koncentracije iona unutar i van stanice. Isprekidane
linije i kružnice označavaju putanje kojima K+, A-, Na+ i Cl- ioni
putuju do površine membrane i kroz pore. Kinetičku energiju i
pravilan smjer potreban za penetraciju pore, ioni kalija i klora
dobivaju međusobnim kaotičnim sudaranjima i sudarima s
molekulama vode, koje radi jasnoće prikaza nisu prikazane na slici.
Budući da ioni K+ i Cl- difundiraju s područja visoke koncentracije u
područje niže, vanjska strana membrane (desno na slici) postaje
pozitivno nabijena (K+, Na+), a unutrašnja strana membrane postaje
negativno nabijena (Cl-, A-). Područje udaljenije od membrane
električki je neutralno zbog međusobnog poništavanja + i – naboja.
14
Raznoimeni naboji razdvojeni membranom zadržavaju se blizu

membrane zbog međusobnog privlačenja.
Budući da se istoimeni naboji odbijaju, pozitivni naboj van stanice u

kombinaciji s visokom koncentracijom Na+ iona “tjera” Na+ ione u stanicu, usprkos
otežanom prolazu kroz membranu uslijed veličine.
Kad bi se prodiranje natrijevih iona u stanicu nastavilo, unutrašnji dio stanice

postao bi pozitivno nabijen u odnosu na vanjski dio, tj. narušio bi se uspostavljeni
membranski potencijal. Međutim, potencijal se održava stalnim djelovanjem sustava
za aktivan prijenos iona koji se naziva natrij-kalijeva pumpa [3]. Ovaj sustav koristi
energiju metabolizma za prijenos Na+ iona van stanice i, u manjoj mjeri, vraćanje K+
iona u stanicu.
Različita koncentracija iona unutar i van stanice zajedno s natrij-kalijevom

pumpom rezultiraju stalnim održavanjem razlike potencijala duž stanične membrane
kad se mišićno vlakno nalazi u stanju mirovanja. Ovaj napon zovemo električni
potencijal membrane mišića u mirovanju, a iznosi oko 80mV, sl.2.6. Kod zdravog
neuromišićnog sustava ovako polarizirano mišićno vlakno biva u stanju ravnoteže sve
dok ne osjeti određeni vanjski ili unutrašnji podražaj.
Potencijal(mV)
+80
(-)
+60
+40
+20
0
-20
-40
-60 Potencijal s unutrašnje +++ ++++++ +++
-80 ----------------- -----
strane membrane
------------------------
+++++++++++++++++
Sl.2.6: Potencijal membrane mišića u mirovanju; može se izmjeriti mjernim

instrumentom koji mjeri napon između elektroda koje se umeću jedna unutar mišićne
stanice, a druga, referentna, s vanjske strane membrane stanice
15
2.5.2. AKCIJSKI POTENCIJAL MIŠIĆNOG VLAKNA
Ukratko ćemo opisati stvaranje akcijskog potencijala mišićnog vlakna.

Detaljan opis može se pronaći u većini knjiga o fiziologiji, [3], [4].
Nekoliko radnji prethodi kontrakciji mišića. Aktivnošću centralnog živčanog

sustava žapočinje depolarizacija motoričkog neurona. Depolarizacija se provodi duž
nerva do kontakta živac-mišić. Oslobađanjem određene kemijske tvari, depolarizacija
se prenosi na mišićno vlakno. Ova brza depolarizacija membrane mišićnog vlakna iza
koje slijedi repolarizacija naziva se akcijski potencijal [5], [6].
Stimulacija mišićnog vlakna od strane motoričkog neurona uzrokuje povećanu

propusnost membrane mišićne stanice za ione natrija. Povećana propusnost kao i
gradijent koncentracije iona uzrokuju nagli prodor Na+ iona u mišićno vlakno, sl.2.7.
Rezultat je brza depolarizacija mišićnog vlakna koja traje sve dok potencijal vlakna ne
promijeni polaritet i dosegne vrijednost od oko +20mV, pri čemu je unutrašnjost
vlakna pozitivna u odnosu na vanjski dio.
Nakon što reverzna polarizacija dosegne maksimalnu vrijednost, opada

propusnost membrane za ione natrija. Budući da je propusnost za ione kalija kroz
određen vremenski period i dalje velika, povećani prodor K+ iona uz smanjeni prodor
Na+ iona uzrokuje brzu repolarizaciju mišićnog vlakna.
Kad dođe do depolarizacije membrane u blizini kontakta motorički neuron-

mišićno vlakno, stvara se razlika potencijala između podraženog dijela vlakna i
susjednog neaktivnog dijela, sl.2.8. Stoga se javlja struja iona između aktivnog,
podraženog i neaktivnog tj. nepodraženog dijela vlakna. Ova struja smanjuje razliku
membranskog potencijala neaktivnog područja do točke kad se propusnost membrane
za ione natrija naglo poveća što uzrokuje stvaranje akcijskog potencijala.
Na ovaj način, akcijski potencijal se propagira duž mišićnog vlakna u oba

smjera. Ovakav potencijal, koji se prenosi kroz mišićno vlakno naziva se akcijski
potencijal mišićnog vlakna i može se mjeriti samo ukoliko se koriste elektrode u
obliku igle koje se umeću u mišić i dotiču mišićno vlakno, [4]. Ovakve metode
mjerenja u kojima se koriste elektrode u obliku igala i kod kojih se može izmjeriti
akcijski potencijal pojedinog vlakna nazivaju se invazivne metode i nisu predmet
interesa ovog rada. Primjenom površinskih elektromiografskih tehnika akcijski
potencijal pojedinog, izoliranog vlakna ne može se izmjeriti.
Propagirani akcijski potencijal širi se ne samo duž sarcolemme, već i unutar

mišićnog vlakna posredstvom transverzalnih cjevčica, sl.2.3. Prisustvo akcijskog
potencijala uzrokuje oslobađanje određenih kemijskih tvari što rezultira kontrakcijom
mišića, [7],[8].
16
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
0 0.5 1.0 1.5 t(ms)
Sl.2.7: Promjena vodljivosti natrijevih i kalijevih iona tijekom stvaranja akcijskog

potencijala
+ + + + + + + + + + + + + + + + +
- - - - - - - - - - - - - - - - -
A
- - - - - - - - - - - - - - - - -
+ + + + + + + + + + + + + + + + +
+ + + + + + + - - + + + + + + + +
- - - - - - - + + - - - - - - - -
B
- - - - - - - + + - - - - - - - -
+ + + + + + + - - + + + + + + + +
+ + + + + + - - - - + + + + + + +
- - - - - - ++ + + - - - - - - -
C
- - - - - - + + + + - - - - - - -
+ + + + + + - - - - + + + + + + +
+ + - - - - - - - - - - - - - + +
- - + + + + + + + + + + + + + - -
D
- - + + + + + + + + + + + + + - -
+ + - - - - - - - - - - - - - + +
Sl.2.8: Propagacija akcijskog potencijala duž vodljivog vlakna
17
2.5.3. IZVANSTANIČNO SNIMANJE AKCIJSKOG POTENCIJALA
Površinska elektromiografija temelji se na vezi između akcijskog potencijala

mišićnih vlakana i snimanja tih potencijala elektrodama položenim na kožu iznad
promatranog mišića.
Objasnimo na jednostavnom modelu snimanje akcijskog potencijala

izvanstaničnim elektrodama. Dvije elektrode, međusobno razmaknute za određenu
udaljenost, smještaju se direktno na površinu mišićnog vlakna tj. stanice, sl. 2.9.
Elektrode su dovedene na ulaz osciloskopa. Da bismo dodatno pojednostavnili model,
kao jedine faze akcijskog potencijala razmatrat ćemo depolarizaciju, reverznu
polarizaciju i repolarizaciju mišićnog vlakna.
U stanju mirovanja, vlakno je u stanju ravnoteže, pri čemu je vanjski dio

membrane na višem potencijalu u odnosu na unutrašnji, sl. 2.9-1. Budući da se obje
elektrode nalaze na vanjskoj strani vlakna, između njih ne postoji razlika potencijala.
Podraži li se vlakno na mjestu lijevo od elektrode A, dolazi do stvaranja akcijskog
potencijala i propagiranja duž vlakna prema elektrodi A.
Kad akcijski potencijal dosegne područje oko elektrode A, ono postaje

negativno u odnosu na elektrodu B i osciloskop pokazuje određeni napon, sl.2.9-2.
Ukoliko, po dogovoru, napon na osciloskopu definiramo kao ϕB-ϕA, izmjereni napon
će imati pozitivnu vrijednost.
Kako akcijski potencijal nastavlja s propagacijom prema elektrodi B, područje

ispod elektrode A se repolarizira tj. vraća u prvobitno stanje i osciloskop iznova ne
detektira razliku potencijala između elektroda. Ovakvo stanje potrajat će sve dok se
akcijski potencijal nalazi u području između mjesta A i B: Područje ispod elektrode A
se iznova polariziralo, a područje ispod elektrode B još nije depolarizirano, sl.2.9-3.
U trenutku kad akcijski potencijal depolarizira vlakno ispod elektrode B, ono

postaje negativno u odnosu na područje ispod elektrode A i osciloskop mjeri
negativan napon, sl.2.9-4. Nakon što se područje ispod elektrode B repolarizira, napon
se vraća na nulu, dok akcijski potencijal nastavlja s propagacijom do kraja mišićnog
vlakna. sl.2.9-5.
Rezultat dobiven na temelju ovog modela je signal sastavljen od dva

monofazna valna oblika, međusobno odvojenih kratkim vremenskim intervalom
tijekom kojeg nije bilo razlike potencijala između elektroda, sl.2.9. Trajanje ovog
intervala ovisi o brzini propagacije akcijskog potencijala, kao i o udaljenosti između
elektroda. Ukoliko su, npr., elektrode smještene veoma blizu jedna drugoj, zbrajanjem
dva monofazna vala formira se dvofazni valni oblik s amplitudom od vrha-do vrha
nešto manjom od amplituda monofaznih valova, sl.2.9-6. Ovaj dvofazni val po obliku
je sličan akcijskom potencijalu mišićnog vlakna.
18
Razlika potencijala između

elektroda A B
dogovor: za ϕ(Β)−ϕ(A)>0 napon pozitivan + + ++++++++ ++
1 0V 1- - - - - - - - - - - -
A B
2 + + - - - + + + + + ++
2 - - +++- - - - - - -
A B
3 + + + + - - - + + + ++
3 - - - - +++- - - - -
A B
4 + + +++++ - - - ++
4 - - - - - - - +++- -
A B
5 + + ++++++++ - -
5 - - - - - - - - - - ++
Sl.2.9: Mjerenje akcijskog potencijala s elektrodama smještenim na površinu

izoliranog, pobuđenog vlakna
2.5.4. AKCIJSKI POTENCIJAL MOTORIČKE JEDINICE,

MIOELEKTRIČNI SIGNAL
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.
Primijenimo li prethodno opisan model snimanja akcijskog potencijala

pojedinog vlakna na shemu prikazanu slikom 2.10., moći ćemo objasniti varijable
koje utječu na amplitudu i oblik snimljenog akcijskog potencijala motoričke jedinice.
U zdravom tkivu, akcijski se potencijal propagira motoričkim neuronom do kontakata
s mišićnim vlaknima motoričke jedinice. Sva mišićna vlakna motoričke jedinice ne
aktiviraju se, međutim, u istom trenutku. Asinkrono aktiviranje vlakana uzrokuje
nejednaka brzina prijenosa podražaja duž živca koja nastaje kao posljedica nejednakih
duljina i dijametara živčanih ogranaka koji vode do pojedinih mišićnih vlakana.
19
+
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
Sl.2.10: Shematski prikaz generiranja akcijskog potencijala motoričke jedinice
Vremenskim i prostornim zbrajanjem akcijskih potencijala pojedinih vlakana

dobija se akcijski potencijal motoričke jedinice, sl.2.10. Točan valni oblik i iznos
amplitude akcijskog potencijala motoričke jedinice ne mogu se predvidjeti. Ovise o
mnogim parametrima kao što su: karakteristike mišićnih vlakana, prostorni odnos
vlakana i elektroda, filtrirajući efekti elektroda i tkiva koje okružuje aktivna mišićna
vlakna te karakteristike elektroničke opreme korištene za snimanje, [10].
Akcijski potencijali pojedinačnih motoričkih jedinica mjere se finim žičanim

elektrodama ili onima u obliku igle, koje se umeću u mišić. Trajanje električnog
potencijala motoričke jedinice traje u rasponu od nekoliko do 14ms, amplituda iznosi
od nekoliko µV do 5mV, [10].
Kad se koriste tehnike površinske elektromiografije, snima se električna

aktivnost mišića kao cjeline tj. zbraja se aktivnost svih motoričkih jedinica koje ga
sačinjavaju. Točnije, mioelektrični signal je vremenski i prostorni zbroj električne
aktivnosti svih aktivnih motoričkih jedinica unutar područja obuhvaćenog
elektrodama. Amplituda mioelektričnog signala kreće se u intervalu od 0.01mV do
5mV.
Dakle, elektromiogram je slučajan, stohastički analogan signal na čiju

amplitudu i frekvencijski opseg utječu faktori poput:
- broj i dimenzije aktivnih mišićnih vlakana
- dimenzije i položaj površinskih elektroda u odnosu na aktivna mišićna
vlakna
- udaljenost između aktivnih vlakana i površine elektrode
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
potrebno kontinuirano podraživati. Stoga suma akcijskih potencijala mnogobrojnih

mišićnih vlakana koji se javljaju u kontinuiranom vremenskom nizu predstavlja emg
signal.
Slika 2.11. prikazuje tipičan oblik neprocesiranog mioelektričnog signala

snimljenog na harmstringsu (stražnjem mišiću natkoljenice) tijekom hoda. Signal je
snimljen emg sustavom izrađenim za potrebe ovog rada, u LaBACS-u.
1500
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)
Sl.2.11: Neprocesirani mioelektrični signal snimljen tijekom hoda

na harmstringsu, stražnjem mišiću natkoljenice
Signal se sastoji od više perioda aktivnosti mišića koji su međusobno odvojeni

periodima mirovanja mišića, kad se u signalu očituje jedino prisutnost šuma.
Frekvencijski spektar signala sa slike 2.11. prikazan je slikom 2.12. Najveći dio
energije signala nalazi se u frekvencijskom opsegu od 25 do 100 Hz. Spektralne
komponente manje od 15 Hz smatraju se posljedicom šuma koji nastaje uslijed
pomicanja elektroda na koži tijekom snimanja (artefakti pomaka).
4
x 10
12
10
snaga signala (V*V /Hz)
0
0 50 100 150 200 250 300 350 400 450 500
f (Hz)
Sl. 2.12: Frekvencijski spektar nefiltriranog

elektromiograma (mišić harmstrings)
21
2.6. MODEL EMG SIGNALA

Jednostavnim matematičkim modelom emg signala [12], prikazanim slikom
2.13. detaljnije se mogu objasniti anatomski, fiziološki i električki faktori koji utječu
na formiranje elektromiograma.
A
Mišićna vlakna N
A
T
O
M
I
J
A
Diracovi Akcijski potencijal F

I
δ−impulsi mot.jedinice Z
I
L h1(t) O
e Fiziološki L
đ O
h2(t) emg signal Š
n K
a + I
m hi(t) mp(t,F) M
o O
ž D
hp(t) E
d. L
Mjesto snimanja
I
n(t) N
m(t,F) S
T
r(t,d) + R
U
M
Izmjereni Elektrode E
Smetnje N
emg signal i biopojačalo T
A
C
I
J
A
Sl.2.13: Model EMG signala zasnovan na temelju anatomskih, fizioloških i

električkih faktora
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
r(t) u jednadžbi 3. predstavlja filtrirajući tj. prigušujući utjecaj elektrode, d označava

udaljenost između elektroda u diferencijalnoj konfiguraciji koja se primjenjuje u
površinskoj elektromiografiji, dok n(t) predstavlja smetnju koju detektiraju elektrode.
Na temelju izraza 2.3. može se zaključiti da na neprocesirani EMG signal utječu

slijedeći faktori:
1. Broj akcijskih potencijala motoričkih jedinica (p) koje detektira elektroda. K tomu,
amplituda emg signala ovisit će o sili koju generira mišić.
2. Oblik akcijskih potencijala tijekom kontrakcije: njihovom promjenom mijenjat će
se i oblik emg signala
Također, budući da oblik emg signala ovisi i o elektrodama, želimo li uspoređivati

različite emg signale, trebalo bi koristiti iste elektrode ili barem one sličnih dimenzija,
međusobnih udaljenosti i električkih svojstava.
2.7. OBRADA I ANALIZA ELEKTROMIOGRAMA

Obrada snimljenog elektromiograma obično uključuje slijedeće korake:
• Uklanjanje šuma (visokopropusno filtriranje za uklanjanje
niskofrekvencijskog šuma uzrokovanog pomicanjem elektroda na koži i
drugim smetnjama tijekom hoda, te filtriranje u svrhu uklanjanja bijelog šuma)
• Određivanje frekvencijskog spektra signala Fourierovom transformacijom,
oblik spektra
• Ispravljanje signala, određivanje ovojnice (anvelope) signala
• Određivanje srednje vrijednosti signala i RMS (Root Mean Square) vrijednosti
• Određivanje median frekvencije
• Normalizacija signala radi međusobne usporedbe
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)
Sl.2.14: Ovojnica elektromiograma
Ovako obrađeni signal podliježe analizi i primjeni koje uključuju:
23
• Određivanje vremenskih trenutka aktivacije i deaktivacije mišića (On-Off

trenutaka). Ovaj vid analize primjenjuje se, među ostalim, u biomehanici radi
utvrđivanja aktivnosti mišića koji sudjeluju u lokomotornom sustavu. Postoje
različite metode određivanja trenutaka aktivacije. Pritom je nužno primjeniti
kvalitetnu tehniku uklanjanja šuma jer prisutnost smetnji često dovodi do
pogrešnog detektiranja aktivacijskih trenutaka.
U ovom radu predložena je metoda koja se zasniva na uklanjanju šuma

wavelet metodom i normalizaciji elektromiograma s obzirom na maksimalnu
voljnu kontrakciju mišića, kako je izloženo u poglavlju 6.
• Utvrđivanje veze između elektromiograma i sile koju mišić proizvodi tj.

procjena mišićne sile na temelju elektromiograma. Ova primjena zahtijeva
daljnja istraživanja jer u pogledu veze između mišićne sile i elektromiograma
među istraživačima danas vlada nejedinstveno mišljenje: dok jedni smatraju
vezu linearnom, drugi pribjegavaju mišljenju o nelinearnom odnosu, pri čemu
amplituda emg signala raste brže od iznosa sile, [13], [14].
• 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.
Objašnjen je proces generiranja i propagacije akcijskog potencijala duž mišićnog

vlakna te generiranje elektromiografskog signala kao sume akcijskih potencijala svih
motoričkih jedinica koje tvore pojedini mišić.
Dane su amplitudne i frekvencijske karakteristike emg signala kao i

jednostavan model kojim se mogu objasniti anatomski, fiziološki i električki faktori
koji utječu na formiranje elektromiograma.
Na kraju poglavlja ukratko su izložene tehnike obrade, analize i primjene emg

signala.
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
Sl.3.1. EMG sustav
U konfiguriranju EMG sustava bitno je pravilno odabrati elektrode kao i

biopojačalo s takvim karakteristikama koje će omogućiti snimanje signala s
minimalnim šumom.
Elektrode za mjerenje bioelektričkih signala mogu biti površinske i potkožne

(invazivne). Razlika je u tome što se površinskim elektrodama registrira električna
aktivnost grupe mišićnih vlakana, koji se nalaze u području ispod elektroda, dok se
potkožnim elektrodama registrira aktivnost pojedinih motoričkih jedinica.
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
U mjerenjima izvršenim u okviru ovog rada koristile su se isključivo

površinske elektrode, te ćemo u daljnjem izlaganju dati detaljan opis takovih
elektroda.
3.2. ELEKTRODE ZA MJERENJE ELEKTROMIOGRAMA
Elektrofiziologija: Elektrofiziologija je interdisciplinarno područje fiziologije i

elektromagnetizma koje, između ostalog obuhvaća, [9]:
1) ispitivanje električnih pojava u živom organizmu
2) ispitivanje utjecaja električne struje na procese
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
Elektrode: Funkcija elektroda je da ostvare kontakt (spoj) između metalnog

vodiča, bakrene žice koja vodi do sustava za registraciju ili stimulaciju, i elektrolita u
tkivu kojeg prožima ili se u njemu sadrži. Elektroda bi trebala ovaj spoj uspostaviti
bez:
1) bilo kakvog biokemijskog ili fizičkog utjecaja na živu tvar koja je u dodiru
s elektrodom
2) uvođenja kontaktnog potencijala između elektrode i kože
Na elektrodama dolazi do konverzije nosilaca naboja: iona iz bioloških sustava

u elektrone u elektroničkim sustavima.
Po namjeni elektrode se dijele na elektrode za mjerenje i elektrode za
stimuliranje.
26
Emg sustav
3.2.1. KONTAKTNI POTENCIJAL
Prilikom registriranja bioelektrične aktivnosti mišića površinskim elektrodama

na mjestu kontakta elektrode i tkiva (kože) dolazi do pojave kontaktnog potencijala
koji znatno može izmijeniti vrijednost potencijala kojeg treba registrirati. Smisao
kontaktnog potencijala objasnit ćemo na primjeru galvanskog protuelementa.
Galvanski protuelement: Galvanski protuelement je elektrokemijski sustav

kojeg čini vodič I reda (npr. elektroda od cinka) potopljen u elektrolit (npr. vodeni
rastvor sumporne kiseline), Sl.3.3. Na mjestu dodira ovih vodiča dolazi do hidratacije
iona metala, tj. nastojanja dipolnih molekula vode da obuhvate pozitivne ione metala
s kojima dolaze u dodir. Stoga će se izvjestan broj iona s dovoljno velikom
kinetičkom energijom otkinuti od metalne rešetke elektrode i prijeći u rastvor. Ova
pojava odvajanja pozitivnih iona iz rešetke metala i njihovog prelaženja u elektrolit
naziva se rastvaranje metala u elektrolitu.
Budući da između pozitivnih iona koji su napustili metal i samog metala koji
je zbog prisustva zaostalih elektrona iz ovih iona postao negativan, djeluje sve
izraženije elektrostatičko privlačenje, koncentracija pozitivnih iona u okolini
elektrode postupno se povećava (Sl.3.3). Međutim, istovremeno sve više dolazi do
izražaja obrnut proces: ioni, koji opkoljavaju elektrodu, uslijed kaotičnog kretanja,
sve više nalijeću na elektrodu i ostaju na njenoj površini.
Zn
V
-+
e -+ Zn
++ U
e
-- ++ r
Cink U Vodeni rastvor H2SO4
Sl.3.3. Stvaranje kontaktnog potencijala kod galvanskog protuelementa
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.
Kontaktni potencijal: Razlika potencijala između nagativnog (elektronskog)

i pozitivnog (ionskog) sloja u dinamičkoj ravnoteži, koji se nalaze u najneposrednijoj
blizini površine metala, naziva se kontaktni potencijal, Sl.3.3. Metal i elektrolit pritom
čine ekvipotencijalne volumene.
U tablici 3.1. prikazane su tipične vrijednosti kontaktnog potencijala za metale

koji se mogu koristiti za izradu EMG elektroda, [16].
27
Emg sustav
ELEKTRODA POTENCIJAL (V)

Cink -0.760
Kositar -0.140
Olovo -0.126
Srebro 0.799
Platina 1.200
Zlato 1.420
Ag-AgCl(srebro klorid) 0.223
Tablica 3.1. Kontaktni potencijal pojedinih metala
Poništavanje utjecaja kontaktnog potencijala: Na primjeru membrane neurona

pokazat ćemo kako se može poništiti kontaktni potencijal. Ako se metalne elektrode
(A i B) nalaze u blizini membrane neurona čiji je ekstracelularni elektrolit pozitivan, a
intracelularan negativan, Sl.3.4., elektrode neće mjeriti stvarne potencijale ovih
elektrolita (V1 tj. V2), već potencijale umanjene za vrijednosti kontaktnog potencijala
(V1-U´ tj. V2-U´´). Razlika potencijala koju će registrirati mjerni instrument biti će:
Uo = ( V1 - U´ ) – ( V2 - U ´´ ) = ( V1 - V2 ) – (U´ - U ´´) 3.1
Budući da kontaktni potencijali često po vrijednosti premašuju mjereni

potencijal, potrebno ih je poništiti. To se najčešće postiže ako se obje elektrode načine
od istog metala. Pritom će kontaktni potencijali postati jednaki, U´=U´´, tj. U´-U´´=0.
Mjerni instrument registrirat će napon Uo = V1 - V2, što odgovara stvarnoj vrijednosti.
+
V1-U’
- +
- +
--
A
+U“ U
0
U’
+
- + B
- + V2-U“
- +
Sl.3.4. Poništavanje utjecaja kontaktnog potencijala
Budući da u stvarnom okruženju nije moguće postići jednake fiziološke uvjete

na obje elektrode čime bi se poništio štetan utjecaj kontaktnog potencijala, bitno je
obratiti pozornost na odabir materijala za elektrode. Pri izboru materijala nije bitan
samo iznos polarizacijskog potencijala, nego i njegova stabilnost, jer je inače teško
razlučiti promjenu kontaktnog potencijala od mjerenog fiziološkog signala. Jako
dobra svojstva imaju elektrode od platine, dok najmanji potencijal imaju elektrode od
srebra presvučene slojem srebrnog klorida, tablica 3.1. Budući da je taj sloj gledano
dugoročno podložan propadanju, mora se na elektrodama obnavljati. Danas su na
tržištu najviše prisutne elektrode od Ag-AgCl.
28
Emg sustav
3.2.2. MODEL REGISTRIRANJA ELEKTRIČNE AKTIVNOSTI MIŠIĆA
Da bi se pratile promjene potencijala E(t) mišića kao bioelektričnog

generatora, potrebno je na tkivo koje okružuje mišić postaviti par elektroda (A i B) i
povezati ih na mjerni uređaj, npr. osjetljivi voltmetar, Sl.3.5.
Ra
mišić
R1 A: Ra, Ca I0
I0
R1 Ca
+
E(t) r V R0
- E(t)
r U’ R0
U
R2 B: Rb,Cb R2
Cb
tkivo
Rb
Sl.3.5. Elektrode aplicirane na tkivo Sl.3.6. Električni model sustava prikazanog

na slici 3.4
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.
Ako se u nekom trenutku aktivira određeni mišić, akcijski potencijal koji se

prenosi mišićnim vlaknima generirat će struju kroz volumski vodič koji čini okolno
tkivo. Strujno polje u ovom vodiču prikazano je strujnicama na slici 3.5. Ma koliko
aplicirane elektrode bile međusobno razmaknute, potencijalna razlika U između njih
(sl. 3.6) predstavljat će samo dio stvarnog potencijala E(t), uslijed djelimičnog pada
potencijala na ekvivalentnim otporima sredine, R1 i R2. Tada U predstavlja pad
potencijala na ekvivalentnom otporu r koji odgovara dijelu volumskog vodiča između
elektroda i upravo samo ovaj dio realnih promjena potencijala moći će se pratiti na
mjernom uređaju.
S druge strane, svaka od elektroda prislonjenih na tkivo, A i B, može se

ekvivalentno prikazati kao paralelan spoj otpornika i kondenzatora, Ra||Ca tj. Rb||Cb
(jer se na dodirnoj površini vodiča I i II reda formira električni dvosloj koji formalno
odgovara pločastom kondenzatoru). Kroz mjerni uređaj, unutrašnjeg otpora R0,
protiče struja I0, te će on registrirati samo dio napona U, tj. napon U’=R0I0.
Pretpostavimo li da je izvor promjenjivog biopotencijala zamijenjen izvorom

stalnog napona i pritom se zanemari utjecaj kondenzatora, budući da kroz njih ne
protiče stacionarna struja, za vrijednost biopotencijala se dobija:
 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.
3.2.3. IZVEDBA POVRŠINSKIH ELEKTRODA
U analizi hoda najčešće se primjenjuju površinske elektrode. Njima se

omogućuje snimanje električnih aktivnosti mišića iz dubine organizma na površini
tijela. Tijekom razvoja elektromiografije, obliku i karakteristikama detektirajućih
površina elektroda nije se pridavalo odveć pozornosti, vjerojatno stoga što su korisnici
elektromiografije isključivo bili usmjereni na kvalitativne aspekte emg signala [13].
Razvojem novih tehnika obrade koje omogućuju izdvajanje kvantitativnih informacija
iz emg signala, potrebno je obratiti pozornost na konfiguraciju elektroda. Pritom treba
razmotriti dvije bitne točke:
• Razmak između detektirajućih površina
• Veličina i oblik detektirajućih površina
Razmak između detektirajućih površina
Razmak utječe na frekvencijski opseg i amplitudu emg signala: smanjivanje

udaljenosti pomiče frekvencijski opseg signala ka višim frekvencijama i smanjuje
amplitudu. Iz ovog razloga, razmak između elektroda trebao bi biti fiksan da bi se
mjerenja na različitim mišićima i na više ispitanika mogla međusobno uspoređivati.
Rješenje je da se detektirajuće površine ugrade u jedno fiksno kućište. Ovakve
elektrode, koje proizvodi tvrtka Delsys inc., prikazane su na slici 3.7.
Prilikom određivanja razmaka među detektirajućim površinama, u obzir treba
uzeti i ukupne dimenzije elektrode, uključujući kućište: veći razmak rezultira fizički
većom elektrodom, što nije podesno za snimanje manjih mišića kod kojih do izražaja
dolazi problem cross-talka, objašnjen kasnije u tekstu.
Uzimajući u obzir navedene činjenice, za elektrode s fiksnim kućištem treba
pronaći optimalan razmak među detektirajućim površinama. DeLuca, u suradnji s
Delsys Inc. [13] ustanovio je da razmak od 1cm omogućuje izvedbu takove elektrode
koja će detektirati značajnu električnu aktivnost tijekom mišićne kontrakcije. Razmak
od 1cm također je dovoljno mali za snimanje malih mišića. Iako bi se moglo i manjim
razmakom snimiti signal dovoljno velike amplitude, promjena impedancije kože
uslijed znojenja i vlaženja onemogućuje dodatno smanjenje razmaka. Naime, uslijed
vlaženja kože može doći do električnog kontakta među detektirajućim površinama
elektrode što rezultira kratkim spojem.
30
Emg sustav
Sl.3.7. Površinske elektrode s fiksno Sl.3.8. Površinske elektrode s razdvojenim

ugrađenim detektirajućim površinama detektirajućim površinama
Danas su na tržištu najšire dostupne elektrode sa zasebno zaštićenim

detektirajućim površinama, u obliku diska, prikazane na sl. 3.8. Dimenzije dijametra
kružnog diska kreću se od 1mm do 5mm. S obzirom da je metal krut, elektrode veće
površine ne bi dobro nalijegale na kožu. Stoga je metalni disk obično okružen
teflonom ili nekim sličnim materijalom koji služi za pričvrščivanje elektrode na kožu,
sl. 3.8.
Kad se mjeri određeni mišić na više ispitanika, elektrode je potrebno uvijek
jednako razmaknuti i navesti udaljenost između elektroda u izvještaju mjerenja.
Veličina i oblik detektirajućih površina
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
Sl. 3.9. Shematski prikaz pravokutne i kružne konfiguracije

detektirajućih površina elektroda: za ekvivalentan iznos površina,
pravokutna elektroda zahvaća više mišićnih vlakana
Priprema kože
Unutrašnji otpor zdravog organizma je malen. Budući da je krv elektrolit,

unutrašnji otpor je to manji što je bolja prokrvljenost pojedinog tkiva. Prijelaz između
unutrašnjeg dijela organizma i “vanjskog svijeta” predstavlja koža čiji je otpor
mnogostruko veći od unutrašnjeg otpora i iznosi oko 20kΩ. Vanjski sloj kože sastoji
se od odumrlih rožnatih stanica i najviše doprinosi tom otporu. Zato se utjecaj
odumrlih stanica kože nastoji isključiti iz mjerenja. U tu svrhu prije apliciranja
elektrode provodi se priprema kože koja uključuje čišćenje kože alkoholom,
abrazivno uklanjanje sloja mrtvih stanica, uklanjanje malja s mjesta snimanja itd.
Kontakt metal-koža redovito se ostvaruje preko nekog dodatnog medija. To je
najčešće vodljiva želatinozna pasta ili gel koji se nanosi direktno na elektrode i
prodire kroz vanjski dio kože čime se bitno smanjuje prijelazni otpor elektroda-koža.
Prednosti površinskih elektroda i ograničenja
Površinske elektrode su, općenito uzevši, jednostavne izrade, jednostavno se

primjenjuju i pričvršćuju na kožu, bez neugodnosti za ispitanika kao što je to slučaj
kod potkožnih elektroda. Pružaju općenitu sliku mišićne aktivnosti.
Nedostatak ovih elektroda je što nisu selektivne na određena područja: njima
se mjeri aktivnost grupe mišićnih vlakana, a ne pojedinačnih vlakana kao što je to
slučaj kod potkožnih elektroda. S njima je otežano snimanje mišića koji su smješteni
duboko u tijelu. Dodatni nedostatak površinskih elektroda jest pojava cross talk-a tj.
preklapanja koje nastaje prilikom niske aktivnosti snimanog mišića, pri čemu
snimljeni emg signal sadrži aktivnost ne samo snimanog mišića već i susjednih koji
okružuju snimani mišić. Pojava je posljedica činjenice da površinska elektroda snima
svaku električnu aktivnost u radijusu svog osjetnog područja.
Postavlja se pitanje kako biti siguran da snimljeni signal sadrži aktivnost
mišića od interesa? Više je istraživača sa svojim radovima doprinjelo temi
određivanja, kvantificiranja i suzbijanja cross-talka: J.W. Morrenhof i H.J. Abbink
[17], J. Perry [18], C.J. De Luca i R. Merletti [19], T.J. Koh i M.D. Grabiner [20].
Međutim, još nema definiranih metoda za njegovo uklanjanje.
Odabir lokacije za smještaj elektroda
Usprkos dugotrajnoj primjeni elektromiografije u različitim područjima, u

literaturi je sadržano malo informacija o točnim lokacijama za smještaj površinskih
elektroda. Kod potkožnih elektroda, slučaj je jednostavniji: elektroda se smješta
32
Emg sustav
direktno u trbuh mišića kojeg snimamo. Za površinske elektrode, teže je odrediti

točno mjesto gdje položiti elektrodu. Neki istraživači predlagali su u svojim radovima
specifične anatomske lokacije i razvili mehanizme za normalizaciju položaja
smještanja elektrode koji se temelje na antropometrijskim podacima tj. dimenzijama
dijelova ljudskog tijela [21],[22].
Ipak, mogu se dati neke općenite smjernice gdje položiti elektrode da bi se dobio
kvalitetan signal:
• Elektrode treba položiti između motoričke točke i tetive, tako da longitudinalna os

elektrode leži paralelno s mišićnim vlaknima. Slika 3.10. shematski prikazuje
pravilan smještaj elektrode. Ukoliko os elektrode leži paralelno s mišićnim
vlaknima, obje detektirajuće površine presijecat će većinom ista mišićna vlakna.
Stoga će spektralne karakteristike signala biti određene svojstvima konačnog broja
mišićnih vlakana u području oko elektroda.
Sl.3.10. Pravilna pozicija elektrode, između motoričke točke

(ili područja inervacije mišića) i spoja mišića i tetive
• 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.
• Elektroda se ne smije položiti na motoričku točku. Motorička točka je mjesto na

mišiću gdje pobuđivanje mišića minimalnom el. strujom rezultira zamjetnim
trzajem na površin i mišićnih vlakana. Ova se točka obično nalazi u području
inervacije mišića, koje ima najveću gustoću živčanih završetaka i može se
detektirati električnom stimulacijom mišića. Zadnjih desetljeća smatralo se da se
površinska elektroda treba smjestiti upravo povrh motoričke točke, koja se mogla
točno identificirati i poslužiti kao fiksni anatomski položaj za smještaj elektrode.
Međutim, sa stajališta stabilnosti emg signala, motorička točka predstavlja najgori
mogući položaj: u području motoričke točke tj. području inervacije mišića,
akcijski potencijali putuju duž vlakana u oba smjera. Pozitivne i negativne faze
akcijskog potencijala, koje detektiraju diferencijalne elektrode, oduzimat će se s
minimalnom faznom razlikom, što bi rezultiralo prisustvom visokih frekvencijskih
komponenti u signalu. Gubitak stabilnosti signala objašnjava činjenica da bi i
najmanji pomak elektroda na koži (npr. 0.1 mm) uzrokovao nepredvidljivu
promjenu frekvencijskih karakteristika signala.
33
Emg sustav
3.2.4. SMETNJE KOJE NASTAJU PRILIKOM SNIMANJA BIOLOŠKIH

SIGNALA (ELEKTROMIOGRAMA)
Kod mjerenja bioloških aktivnosti smetnje koje se javljaju prilikom snimanja u

velikoj mjeri utječu na kvalitetu signala, budući da su mjereni naponi maleni, reda
milivolta. Smetnje dolaze iz nekoliko različitih izvora:
1. Tijekom snimanja često dolazi do određenih poremećaja na prijelazu elektroda-

biološki medij. Uzrokuju ih mehaničke vibracije uslijed kojih dolazi do pomicanja
elektrode u odnosu na kožu. Mehaničke vibracije (nagli pokreti i naprezanje kože
ispod elektrode) uzrokuju prolazne fluktuacije električnog potencijala kože koje se
u signalu manifestiraju kao niskofrekvencijske smetnje (do 15Hz) visoke
amplitude koja osjetljiva biopojačala može dovesti u zasićenje. Ovakove smetnje
nazivaju se artefakti tj. artefakti pomaka i potrebno ih je ukloniti tehnikama
filtriranja. Da bi se artefakti pomaka sveli na najmanju moguću mjeru, neposredno
prije mjerenja potrebno je obratiti pažnju na slijedeće [23]:
• Snažno prianjanje elektrode na kožu: Prije snimanja potrebno je čvrsto

nalijepiti elektrodu na kožu tako da se onemogući bilo kakav pomak elektrode. U
tu svrhu može se upotrijebiti ljepljiva traka.
• Dovoljno olabaviti kabel elektrode da se prilikom pojedinih pokreta kabel

maksimalno ne rastegne i pritom povlači elektrodu.
• Minimizirati nagle pokrete i trzaje: Neke aktivnosti poput trčanja mogu

izazvati vibracije tkiva u blizini mjesta snimanja. Ukoliko je moguće, treba svesti
ovakove aktivnosti na minimum ili ih modificirati na način da se reduciraju
vibracije tkiva.
• Osigurati kvalitetan električki kontakt elektroda-koža: Koristiti gel ili vodljivu

pastu, a u pojedinim slučajevima i navlažiti površinu elektrode vodom.
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.
3. Šum koji nastaje zračenjem okolnih elektromagnetskih izvora poput radija,

televizije, energetskih kabela, fluorescentnih izvora svjetlosti, itd. Dominantna
spektralna komponenta ovog šuma je 50 Hz, a prisutni su i viši harmonici.
Amplituda može biti i nekoliko redova veličina veća od amplitude
elektromiograma. Stoga je prilikom izrade biopojačala nužno upotrijebiti
komponente s visokim faktorom potiskivanja zajedničkog signala
(CMRR>80dB), [24], kao i izvršiti oklapanje pojačala i svih kabela sustava.
Upotreba digitalnog filtra s pojasnom branom oko 50 Hz se ne preporuča jer se u
području od 50 do 100Hz nalazi dominantna energija signala.
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:
• karakteristike pojačala ne smiju utjecati na fiziološki proces koji se mjeri

• pojačalo mora omogućiti maksimalno odbacivanje signala smetnje
• mora imati linearno pojačanje u frekvencijskom opsegu koje odgovara opsegu
miosignala
• mora imati visok ulazni otpor, barem 100 puta veći od otpora kože: Rul>2MΩ
• mora biti stabilno u odnosu na promjene temperature i napona
Pojačala s karakteristikama koje zadovoljavaju gore navedene zahtjeve i koriste se

u sustavima za akviziciju biosignala nazivaju se biopojačala. Njihova pravilna
izvedba predstavlja ključnu komponentu u konfiguriranju emg sustava. Biopojačalo se
obično sastoji od 2 stupnja, kaskadno povezana: predpojačala i glavnog pojačala.
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.
K tomu, ulazni signal u pojačalo sadrži uz mjereni emg signal i neželjene

komponente: biopotencijale koje generira okolno tkivo, signale smetnje frekvencije
50 Hz koje generira energetska mreža i njihove harmonike, artefakte koji nastaju na
kontaktu koža-elektroda i šum kojeg generira elektronička oprema.
Šum energetske mreže od 50Hz reducira se visokim iznosom faktora

potiskivanja, CMRR, koji se definira na slijedeći način:
Ad
CMRR[dB] = 20log 3.3
A cm
gdje su:
diferencijalno pojačanje: Ad = UIZ_d / Ud 3.4

pojačanje zajedničkog ulaznog napona: Acm = UIZ_cm / Ucm 3.5
Preporuča se da CMRR pojačala bude veći od 80dB.
Za snimanje kvalitetnih elektromiograma koji će sadržavati što manje

neželjenih komponenata, izvedba s jednim operacijskim pojačalom po svojim je
karakteristikama nedostatna. Stoga se kao glavna komponenta biopojačala koristi
instrumentacijsko pojačalo.
35
Emg sustav
3.3.1. PREDPOJAČALO: INSTRUMENTACIJSKO POJAČALO
Instrumentacijsko pojačalo je sklop koji kombinira najbolje karakteristike

potrebne za mjerenje biopotencijala [25], tj. ima visoko pojačanje diferencijalnog
napona, nisko pojačanje napona zajedničkog na oba ulaza, visok CMRR, visoku
ulaznu impedanciju.
Na sl.3.11. prikazana je osnovna izvedba instrumentacijskog pojačala. Sklop

sadrži tri operacijska pojačala koja, kaskadno povezana, čine dva stupnja. Ulazni
stupanj čine dva neinvertirajuća operacijska pojačala, međusobno povezana putem
zajedničkog otpornika Ra. Visoki ulazni otpor sklopa rezultat je ovog stupnja.
Pojačanje prvog stupnja iznosi: (2Rb + Ra ) / Ra. Drugi stupanj je klasično
diferencijalno pojačalo sa pojačanjem od –R2/R1. U praktičnim izvedbama obično je
pojačanje drugog stupnja jednako jediničnom (tj. R1=R2), a ukupno pojačanje sklopa
se podešava odabirom vrijednosti otpornika Ra.
E1 U1
R1 R2
Rb
Ra
Rb
R1
Uiz
E2 U2
R4
E3
Sl.3.11: Shema instrumentacijskog pojačala. E1,E2 – elektrode za snimanje,

E3 – referentna ili uzemljujuća elektroda
Za pojačalo na slici 3.11. vrijede slijedeće relacije:
izlazni diferencijalni napon: UIZ_d = Ad (U2 - U1) 3.6

2 R + Ra R2
diferencijalno pojačanje: Ad = − b * 3.7
Ra R1
Visok CMRR omogućuju diferencijski prvi stupanj i diferencijalno pojačalo

koje slijedi, tj. oba stupnja pojačala sudjeluju u uklanjanju zajedničkog signala.
CMRR se može povećati točnim podešavanjem jednakih otpornika (Rb i R1) i
odabirom operacijskih pojačala s visokim CMRR-om, ukoliko se instrumentacijsko
pojačalo izrađuje u diskretnoj tehnici. Danas se, međutim, instrumentacijska pojačala
izvode većinom u integriranoj tehnici čime se postiže visok CMRR, oko 100dB i više.
Sve komponente, izuzev Ra kojim se podešava ukupno pojačanje sklopa, integrirane
su u jednom chipu. Katkad je i Ra integriran, a pojačanje se selektira pinski. Ovakva
pojačala manje su osjetljiva na šum.
36
Emg sustav
Opisano instrumentacijsko pojačalo pojednostavljeni je prikaz predpojačala tj.

ulaznog stupnja biopojačala. Predpojačalo se mora nalaziti što bliže mjestu snimanja
da se reducira šum koji nastaje u vodičima. Stoga se često ugrađuje u kućište samih
elektroda, a takove elektrode nazivaju se aktivnima. Ukoliko to nije slučaj, vodiči koji
spajaju elektrode s predpojačalom trebaju se oklopiti. Pojačanje integriranih
instrumentacijskih pojačala koje ovisi o odabiru otpornika Ra kreće se u opsegu od 1
do 1000. Za predpojačanje biosignala dovoljno je odabrati pojačanje A=100. Veće
vrijednosti mogu dovesti predpojačalo u zasićenje.
U signalu su najčešće prisutne i niskofrekvencijske komponente, kao rezultat

artefakata, kao i istosmjerna komponenta, kao rezultat kontaktnog potencijala
elektrode. Uklanjanje ovih neželjenih komponenti moguće je dodavanjem
kondenzatora na ulaze predpojačala, koji se ponašaju kao pasivni visokopropusni
filtri. Oni bi uklonili istosmjerni potencijal elektrode i omogućili veće pojačanje
predpojačala. Međutim, uslijed teškog podešavanja jednakih vrijednosti kondenzatora
na oba ulaza, oni bi povećavali neravnotežu impedancija obaju ulaza, što bi rezultiralo
smanjenjem CMRR-a.
3.3.2. GLAVNO POJAČALO
Svrha glavnog pojačala je da dodatnim pojačanjem dovede signal na nivo

kompatibilan uređajima za procesiranje, dodatno priguši istosmjernu komponentu i
djeluje kao antialiasing filtar. Stoga se glavno pojačalo u najjednostavnijem slučaju
može izvesti kao filtar s pojasnim propustom. Pojednostavljena izvedba glavnog
pojačala prikazana je na slici 3.12. Slika 3.13. prikazuje amplitudnu karakteristiku
pojačala.
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
Pojačanje sklopa na sl.3.10. je:

U − ( jωC2 ) −1 R2 − jωR2C1
A = iz = −1
= 3.8
U ul ( jωC1 ) + R1 (1 + jωR2C2 )(1 + jωR1C1 )
A0 = 20log(R2/R1) [dB] 3.9
Donja i gornja granična frekvencija:

37
Emg sustav
fdg = 1 / (2πR1C1) 3.10

fgg = 1 / (2πR2C2) 3.11
Adekvatnim odabirom pasivnih komponenti postižu se željene vrijednosti donje i

gornje granične frekvencije.
3.4. IZVEDBA EMG SUSTAVA

Za potrebe ovog rada u “Laboratoriju za Biomehaniku i Automatiku”,
LaBACS-u na FESB-u izrađen je 4-kanalni emg sustav, sa svrhom primjene u
biomehanici, sl.3.1. Sustav se sastoji od 4-kanalnog biopojačala i A/D kartice CIO-
DAS08/Jr-AO, te koristi površinske pasivne elektrode. Za akviziciju i pohranu signala
korišten je programski paket Labtech, dok se obrada signala vrši pomoću Matlab-a, na
način opisan u 5. i 6. poglavlju.
3.4.1. IZVEDBA BIOPOJAČALA
Za izradu predpojačala odabrana su niskošumna instrumentacijska pojačala

AD621, a za glavna pojačala operacijska OP07. Oba integrirana kruga proizvodi
Analog Devices Inc. Sklop sadrži i VF filtar za uklanjanje istosmjerne komponente te
NF antialiasing filtar. Shema jednog kanala biopojačala prikazana je slikom 3.14.
Predpojačalo (App=100) Glavno pojačalo (Agp=20)

R2=100kΩ
-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
Sl.3.14: Shema biopojačala
Fizički, četiri predpojačala su smještena u četiri međusobno odvojena

plastična i oklopljena kućišta. Budući da predpojačala moraju biti što bliže mjestu
snimanja, smještena su sasvim blizu elektroda, koje s predpojačalima spaja kratki
uzemljeni kabel duljine 5cm. Četiri glavna pojačala integrirana su u zajedničko
kućište koje sadrži i baterije za napajanje, a smješteno je na struku ispitanika. Izlazi
pojačala spojeni su 10-metarskim oklopljenim kabelom sa A/D karticom u računalu
koja vrši digitalizaciju signala.
38
Emg sustav
3.4.2. PREDPOJAČALO AD621
Instrumentacijsko pojačalo AD621 odabrano je zbog visoke točnosti i niskog

šuma. AD621 je 8-pinski monolitički integrirani krug smješten u plastično kućište, sl.
3.15. Između ostalog, primjenjuje se u sustavima za akviziciju podataka te u
prijenosnim, baterijom napajanim mjernim instrumentima, [26].
Sl. 3.15. AD621 instrumentacijsko pojačalo
Pri radu u uvjetima visoke impendancije izvora, kao što je slučaj u

elektromiografiji, AD621 predstavlja optimalnu kombinaciju niskog šuma i niske
struje prenapona. Ove vrijednosti, kao i ostale karakteristike pojačala prikazane su u
tablici 3.2.
pojačanje 10 ili 100

napajanje ±2.3 - ±18 V
ulazna impedancija 10||2 GΩ||pF
ulazna struja prenapona 0.5 nA
CMRR (A=100, f=50Hz) 130 dB
CMRR (A=10, f=50Hz) 110 dB
pogreška pojačanja max 0.15%
offset napon max 125 µV
ulazni napon šuma 9 nV/ Hz
frekvencijski pojas (A=100) 200 kHz
frekvencijski pojas (A=10) 800 kHz
Tablica 3.2: Karakteristike pojačala AD621
Način rada pojačala AD621
AD621 temelji se na ponešto izmijenjenoj klasičnoj izvedbi

instrumentacijskog pojačala pomoću tri operacijska pojačala. Pojačanje (10 ili 100)
selektira se pinski. Slika 3.16. prikazuje pojednostavljenu shemu pojačala AD621.
Ulazni tranzistori Q1 i Q2 omogućuju diferencijalni ulaz visoke preciznosti i

osiguravaju vrlo male vrijednosti struje prenapona. Povratne veze Q1-A1-R1 i Q2-A2-
R2 održavaju kolektorsku struju tranzistora Q1 i Q2 konstantnom, te na taj način
prenose ulazni napon na otpornik za podešavanje pojačanja, RG, koji je jednak
otporniku R5 pri pojačanju 10 ili R5||R6 pri pojačanju 100.
39
Emg sustav
Sl.3.16: AD621; pojednostavljena shema
diferencijalno pojačanje para pojačala A1 i A2 dano je izrazom:

R + R2
A= 1 +1 3.12
RG
Pojačalo A3, s jediničnim pojačanjem, uklanja zajednički signal te na izlazu daje
potencijal koji, mjeren u odnosu na potencijal referentne nožice, daje izlazni napon.
Odabir pojačanja
Ukupno pojačanje pojačala A nominalno je podešeno na vrijednost 10, a kratkim

spajanjem nožica 1 i 8 poprima vrijednost 100. Pojačalo se također umetanjem
vanjskog otpornika (REXT) može podesiti na bilo koje vrijednosti pojačanja između 10
i 100, sl.3.17.
Sl.3.17. Podešavanje pojačanja kruga AD621

na vrijednosti između 10 i 100
U prisutnosti vanjskog otpornika REXT (sl.3.16 i 3.17), RG poprima vrijednost:
RG = 5555.6 [555.6 + REXT] [Ω] 3.13
Kad uvrstimo vrijednost RG u izraz 3.12., te stavimo R1=R2= 25kΩ (sl.3.16),

pojačanje A će biti:
9( REXT + 6111.111)
A= +1 3.14
( REXT + 555.555)
40
Emg sustav
Prigušenje istosmjerne komponente na ulazu
Pri radu instrumentacijskog pojačala kao biopojačala ukazuje se nužnost

uklanjanja ili prigušenja istosmjerne komponente koja, kako je spomenuto ranije u
tekstu, nastaje uslijed stvaranja kontaktnog potencijala na elektrodama. Kontaktni
potencijal katkada može poprimiti dovoljno veliku vrijednost da pojačalo zađe u
zasićenje.
DC komponentu prigušit ćemo spajanjem kondenzatora (C=100µF) na mjesto

vanjskog otpornika REXT. U tom će slučaju vrijednost otpora RG biti:
RG = 5555.6 [ 555.6 + 104 / jω ] [Ω] 3.15
Uvrstimo li izraz 3.15. u 3.14, pojačanje predpojačala APP, Sl.3.14., poprima

vrijednost:
U IZ 1 U IZ 1 9(10 4 + 6111.111 * ωj ) 10(1 + 0.555 * ωj )

APP = = = +1 = 3.16
U UL U E1 − U E 2 (10 + 555.555 * ωj )
4
1 + 0.0555 * ωj
Slika 3.18. prikazuje amplitudnu frekvencijsku karakteristiku pojačanja APP.
45
40
35
App (dB)
30
25
20
-1 0 1 2 3
10 10 10 10 10
w (rad/s)
Sl.3.18. Amplitudna frekvencijska karakteristika pojačanja APP
Lomne frekvencije su:

1 1
f L1 = * Hz = 0.28 Hz 3.17
2π 0.555
1 1
f L2 = * Hz = 2.8 Hz 3.18
2π 0.0555
Za f >fL2 =2.8Hz, pojačanje iznosi APP=100=40dB. Za f < fL2 pojačanje opada s

nagibom -20dB/dec, te pri fL2 =0.28 Hz poprima vrijednost APP≅10=20dB. Ovim
ćemo smatrati da su niskofrekventne komponente (<3Hz) dovoljno prigušene da ne
stvaraju smetnje u radu instrumentacijskog pojačala.
41
Emg sustav
3.4.3. GLAVNO POJAČALO
Glavno pojačalo realizirano je pomoću operacijskog pojačala, OP07, [27].

Pojačanje je namješteno na iznos AGP=-R2/R1=-100/5.1≈-20 (kad se zanemare niske i
visoke frekvencije tj. djelovanje kondenzatora C2 i C3), sl.3.14. Time ukupno
pojačanje biopojačala iznosi: A = App*Agp= 100*20=2000, vrijednost koja
zadovoljava potrebe površinske elektromiografije.
Na ulazu u pojačalo dodan je kondenzator (C2=10µF) koji djeluje kao VF

filtar tj. filtrira istosmjernu komponentu koju do kraja nije uklonilo predpojačalo.
Također, na izlazu pojačala kondenzator C3=33nF djeluje kao NF tj. antialiasing
filtar. Na taj način glavno pojačalo djeluje kao filtar s pojasnim propustom čija
prijenosna funkcija glasi:
1
R2 C3ωj ωj 1
AGP =− * =− * 3.19
1 1 5.1 33
R1 + R3 + 1+ ωj 1 + 5 ωj
C2ωj C3ωj 100 10
Amplitudna frekvencijska karakteristika glavnog pojačala prikazana je slikom 3.19.

30
25
20
15
Agp (dB)
10
-5
0 1 2 3 4 5
10 10 10 10 10 10
w (rad/s)
Sl.3.19. Amplitudna frekvencijska karakteristika pojačanja AGP
Donja granična frekvencija je:

1 1
f dg = * ( Hz ) = 3.12 Hz 3.20
2π R1C 2
Gornja granična frekvencija je:

1 1
f gg = * ( Hz ) = 482 Hz 3.21
2π R3C3
Pri odabiru komponenti R3 i C3 u obzir je uzet Nyquistov teorem uzorkovanja.

Budući da će signal biti uzorkovan pri frekvenciji fuz=1000Hz, R3 i C3 su odabrani
tako da gornja granična frekvencija iznosi oko 500Hz, tj. ima dvostruko manju
vrijednost od fuz.
U frekvencijskom opsegu fdg-fgg pojačanje iznosi AGP≈20≈25.8dB. Za f<fdg i
f>fgg iznos pojačanja opada s nagibom od -20db/dec.
42
Emg sustav
Ovako pojačan signal proslijeđuje se A/D konverteru.
3.4.4. A/D KONVERTER I PROGRAM ZA AKVIZICIJU SIGNALA
Kao AD konverter korištena je 12-bitna kartica CIO-DAS08/Jr, proizvođača

ComputerBoards, Inc. Kartica vrši AD i DA konverziju, ima 8 analognih i 8 digitalnih
ulaza te 2 analogna i 8 digitalnih izlaza. Naponski opseg kartice je +/-5V, a
maksimalna frekvencija uzorkovanja iznosi 20kHz.
Budući da rezolucija kartice iznosi 12 bita, veličina koraka N bit će:
Vmax − Vmin 10V

N= = = 2.44mV 3.22
2 −1
n
2096 − 1
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.
U drugom dijelu poglavlja opisan je EMG sustav realiziran za potrebe ovog

rada u “LaBACS”-u. Naglasak je dan na realizaciju biopojačala: predpojačala i
glavnog pojačala i njihovih karakteristika. Da bi se dobilo biopojačalo dobrih
svojstava, najvažnije je odabrati kvalitetno instrumentacijsko pojačalo. Mi smo
odabrali niskošumni integrirani krug AD621, s veoma visokim faktorom potiskivanja
od 130dB pri 50Hz, čime se u potpunosti uklanja zajednički signal na ulazima.
Nadalje, opisano je kako smo prigušili istosmjernu komponentu na ulazu koja nastaje
kao posljedica kontaktnog potencijala, kao i analogni RC filtri ugrađeni u sklop: NF
filtar koji služi kao anti-aliasing filtar i VF za uklanjanje sasvim niskih spektralnih
komponenti.
Na kraju poglavlja ukratko su dane informacije o A/D konverteru i

programskom paketu za prikupljanje i pohranu snimljenih emg signala.
44
Wavelet transformacija
4. OSNOVE WAVELET TRANSFORMACIJE I

MULTIREZOLUCIJSKE ANALIZE
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].
4.2. VREMENSKO - FREKVENCIJSKA ANALIZA I VREMENSKI

OGRANIČENA FOURIER-ova TRANSFORMACIJA
Do razvoja wavelet teorije došlo se nastojeći nadvladati jedan od najvećih
nedostataka Fourier-ove transformacije. Naime, poznato je da razvojem signala u
Fourierov niz prikazujemo signal kao sumu sinusoida različitih frekvencija. Fourier-
ovom transformacijom prebacujemo signal iz vremenskog u frekvencijsko područje,
dobivamo informaciju od kojih se točno frekvencijskih komponenti signal sastoji tj.
postižemo frekvencijsku rezoluciju. Pritom se, međutim, gubi informacija o tome u
kojem se vremenskom trenutku pojedina frekvencijska komponenta javlja u signalu tj.
gubi se vremenska rezolucija.
Dakle, Fourier-ovom transformacijom postiže se frekvencijska, ali potpuno

gubi vremenska rezolucija. Ovaj nedostatak ne utječe na stacionarne signale čije se
frekvencijske karakteristike ne mijenjaju s vremenom. Međutim, u svijetu koji nas
okružuje nailazimo većinom na nestacionarne signale za čiju analizu Fourier-ova
transformacija nije podesna.
Problem se pokušao riješiti na način da se signal promatra po dijelovima tj.

dovoljno uskim vremenskim intervalima unutar kojih se inače nestacionaran signal
može smatrati stacionarnim. Ova ideja dovela je do razvoja vremenski ograničene
Fourierove transformacije (STFT) u kojoj se signal, prije transformiranja, ograniči na
određeni vremenski interval tako da se pomnoži s prozorskom funkcijom ograničenog
trajanja, koju ćemo označiti sa w. Zatim se ovako ograničen signal transformira u
frekvencijsko područje. Potom se prozorska funkcija translatira po vremenskoj osi za
određeni iznos (u slučaju kontinuirane STFT, infinitezimalno mali) i opet se računa
Fourier-ova transformacija. Izraz za kontinuiranu STFT glasi:
∞
STFT(f, t’) = ∫ x(t ) w(t − t ' )e − j 2πft dt 4.1
−∞
45
gdje t’ označava iznos za koji se translatira prozorska funkcija. Postupak se ponavlja

sve dok prozorska funkcija ne prijeđe duž cijelog signala i rezultirat će prikazom
signala u vremensko-frekvencijskoj ravnini, u kojem ne samo da znamo od kojih se
frekvencijskih komponenti sastoji signal, već i u kojim se vremenskim intervalima te
komponente javljaju.
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:
Podsjetimo se da je kod F. transformacije vremenska rezolucija u vremenskom

području idealna jer u svakom vremenskom trenutku znamo točnu amplitudu signala.
Frekvencijska rezolucija u f. području je također idealna jer znamo točno koje
spektralne komponente u signalu egzistiraju. Međutim, u frekvencijskom području
nema vremenske rezolucije, kao ni f. rezolucije u vremenskom području. Općenito,
rezolucija je povezana sa širinom prozorske funkcije. Kod F. transformacije,
prozorskom funkcijom može se smatrati w=1, neograničenog trajanja. Ovakav prozor
ne lokalizira signal u vremenu, te u f. području nemamo informaciju o vremenu tj.
vremensku rezoluciju. Kod STFT, prozor je konačnog trajanja, čime smo lokalizirali
signal u vremenu te u vremensko-frekvencijskoj ravnini znamo u kojem vremenskom
intervalu postoje koje f. komponente, tj. dobili smo i određenu vremensku rezoluciju.
Ako suzimo prozor, postigli smo još bolju vremensku lokalizaciju signala čime se
poboljšava vremenska rezolucija, ali se pritom pogoršava frekvencijska rezolucija,
zbog Heisenberg-ovog principa. Dakle, može se zaključiti:
• uzak prozor: dobra vremenska, loša frekvencijska rezolucija

• široki prozor: loša frekvencijska, dobra vremenska rezolucija
Označimo sa ∆t i ∆f vremenski i frekvencijski opseg koji se može razlučiti, tj.

ovi intervali predstavljaju rezoluciju: što su intervali manji, rezolucija je bolja. Slika
4.1. prikazuje odnos rezolucije i širine prozora prozorske funkcije u vremensko-
frekvencijskoj ravnini.
Bitno je naglasiti da je za određenu prozorsku funkciju umnožak ∆t*∆f uvijek

konstantan. Dakle, poboljšanje vremenske rezolucije nužno uzrokuje pogoršanje
vremenske i obratno. Jedino što je moguće učiniti jest odabrati takvu prozorsku
funkciju za koju će iznos ∆t*∆f biti minimalan. Pokazuje se da je to Gauss-ova
funkcija [28]:
− at 2
w(t)= e 2
4.2
1
za koju vrijedi: ∆t*∆f = .
4π
46
f širina prozora: w1 širina prozora: w2

f
w1 < w2
t1 < t2
f1 > f2
f1
f2
t t
t1 t2
Sl.4.1: Utjecaj širine prozora na vremensko-frekvencijsku rezoluciju
4.3. MULTIREZOLUCIJSKA ANALIZA

Nedostatak vremenski ograničene Fourier-ove transformacije jest da jednom
kad odaberemo širinu prozora, njome smo definirali i rezoluciju, koja je
nepromjenjiva, bez obzira promatramo li signal na niskim ili visokim frekvencijama.
Međutim, mnogi stvarni signali sadrže niže frekvencijske komponente tijekom

dužeg vremenskog perioda, koje predstavljaju trend signala i više frekvencijske
komponente koje se javljaju u kratkim vremenskim intervalima (npr. VF smetnje koje
se javljaju na pojedinim mjestima u signalu). Kod analize ovakvih signala dobro bi
bilo postići dobru frekvencijsku rezoluciju pri niskim frekvencijama te dobru
vremensku rezoluciju pri visokim frekvencijama (npr. da bismo mogli lokalizirati VF
šum u signalu).
Analiza koja zadovoljava ove zahtjeve naziva se multirezolucijska analiza i

direktno vodi do wavelet transformacije [28],[29],[36]. Slika 4.3. prikazuje ideju
multirezolcijske analize: porastom frekvencije, ∆t opada čime se poboljšava
vremenska rezolucija, a ∆f raste tj. pogoršava se frekvencijska rezolucija. Ovdje se
također može primjeniti Heisenbergov princip: površine ∆t*∆f su svugdje jednake,
samo se mijenjaju iznosi ∆t i ∆f.
f t
Sl. 4.2: Odnos vremenske i frekvencijske rezolucije

kod multirezolucijske analize
47
4.4. KONTINUIRANA WAVELET TRANSFORMACIJA

Kontinuirana wavelet transformacija dana je izrazom:
∞
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.
Možemo reći da wavelet transformacija prikazuje signal kao beskonačnu sumu

skaliranih i pomaknutih waveleta, pri čemu wavelet koeficijenti predstavljaju težinske
faktore. Ovu tvrdnju objasnit ćemo pomoću jednostavnih matematičkih temelja, bez
ulaženja u matematičke definicije i teoreme, koji se mogu pronaći u knjizi G. Keisera,
[36].
Ideja wavelet transformacije temelji se na činjenici da se svaki vektor u nekom

vektorskom prostoru V može prikazati kao linearna kombinacija skupa linearno
nezavisnih vektora koji se nazivaju baza vektorskog prostora. Ovaj koncept može se
proširiti i na funkcije tj. svaka funkcija iz promatranog prostora funkcija može se
prikazati kao linearna kombinacija baznih funkcija tog prostora:
f(t) = ∑µ k ⋅ φk( t) 4.5

k
gdje su µk koeficijenti, a φk(t) bazne funkcije. Za svaku funkciju f(t) postoji više
skupova baznih funkcija. Međutim, obično se primjenjuju one bazne funkcije za koje
vrijedi uvjet ortonormalnosti jer je kod takvih funkcija proračun koeficijenata µk
jednostavan. Prije no što uvedemo pojam ortonormalnosti, definirajmo skalarni
produkt i ortogonalnost dviju funkcija.
48
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
Za dvije funkcije kažemo da su međusobno ortogonalne ako je njihov skalarni

produkt jednak nuli tj.:
< f(t), g(t) > =0 4.7
Skup baznih funkcija {φk(t)}, k=1,2,3,..., je ortonormalan, ako vrijedi:

< φk, φj > = 0 za k≠ j 4.8
i
b
∫ [φ (t )] dt = 1
2
k 4.9
a
Za ortonormalne baze, koeficijenti µk mogu se izračunati prema formuli:

⌠
µk= < f, φk > =  f ( t) ⋅ φk( t) dt 4.10
⌡
Uvrstimo li izraz 4.10 u 4.5, dobivamo rekonstrukcijsku formulu za funkciju f(t):
f (t ) = ∑ µ k φ k (t ) =∑ < f ,φ k > φ k (t ) 4.11
k k
Primjenimo gore izloženo na wavelet teoriju. Promotrimo li izraz 4.3., vidimo da
wavelet transformaciju možemo smatrati kao skalarni produkt promatranog signala
x(t) i baznih funkcija ψ(a,b, t):
CWT(a,b) = < x(t), ψ(a,b,t) > 4.12
gdje je:
1 t −b
ψ(t,a,b)= ψ( ) 4.13
a a
Kontinuirana wavelet transformacija je reverzibilan proces ukoliko je zadovoljen
slijedeći uvjet:
2
∞
Ψ (ω )
Cψ = 2π ∫
−∞
ω
dω < ∞ 4.14
pri čemu je Ψ(ω) Fourierova transformacija bazne funkcije ψ(t). Inverzna

kontinuirana wavelet transformacija dana je izrazom:
1 1 t −b
x(t) = ∫∫
C Ψ ab
CWT (a, b) 2 ψ (
a a
)dbda 4.15
Na temelju izraza 4.15 vidimo da se promatrani signal x(t) može rekonstruirati preko
koeficijenata CWT.
49
4.5. DISKRETIZACIJA KONTINUIRANE WAVELET

TRANSFORMACIJE
Nedostatak kontinuirane wavelet transformacije jest u visokoj redundantnosti
tj. prevelikom broju koeficijenata transformacije koji nam nisu nužno potrebni. K
tomu, redundancija direktno utječe na vrijeme potrebno za proračunavanje
transformacije, što se negativno odražava na zahtjeve obrade signala u realnom
vremenu. Također, digitalna računala nisu u mogućnosti izvršiti proračune prema
izrazima za kontinuiranu wavelet transformaciju. Da bi se u određenoj mjeri smanjila
redundantnost i omogućio proračun računalom, uvodi se diskterizacija baznih
funkcija, po faktoru skaliranja a i po faktoru translacije b.
Diskretizaciju uvodimo na način:
a=a0j; a0 = konstanta, j ∈Z 4.16

b=k a0j b0; b0 = konstanta, k∈Z 4.17
Diskretizirane bazne funkcije tj. waveleti će biti:
1  t − ka0j b0 
ψj,k(t) = ψ  j
 = a0− j / 2ψ (a0− j t − kb0 ) 4.18
j
a0  a 0 
Ukoliko za a0 i b0 odaberemo vrijednosti: a0=2; b0=1, dobivene wavelet funkcije ψj,k

formirat će ortonormalnu bazu tj. omogućit će rekonstrukciju signala na temelju
wavelet koeficijenata. Ovakove bazne funkcije nazivaju se dijadičke wavelet funkcije
i mogu se izraziti kao:
ψj,k (t) =2-j/2 ψ (2-j t– k) 4.19
Izraz za diskretiziranu wavelet transformaciju biti će:
∞ ∞
∫ x(t )ψ j ,k (t )dt = ∫ x(t )2

−j/2
Cj,k = ψ (2 − j t − k )dt 4.20
−∞ −∞
pri čemu su Cj,k koeficijenti transformacije. Promatrani signal može se prikazati kao
linearna kombinacija dijadičkih waveleta, s koeficijentima transformacije kao
težinskim faktorima:
x(t) = Cψ ∑∑ C j ,kψ j ,k (t ) 4.21

j k
50
4.6. DISKRETNA WAVELET TRANSFORMACIJA (DWT)
Iako diskretizirana wavelet transformacija omogućava proračun kontinuirane

wavelet transformacije pomoću računala, ona se ne smatra pravom diskretnom
transformacijom. Sa stajališta rekonstrukcije signala, uzorkovana verzija kontinuirane
transformacije i nadalje stvara redundanciju.
S druge strane, diskretna wavelet transformacija [29],[32]znatno se

jednostavnije implementira u odnosu na kontinuiranu, ukida redundanciju i stoga
značajno smanjuje vrijeme proračuna. Kod DWT koriste se digitalni filtri različitih
graničnih frekvencija kojima se signali analiziraju na različitim skalama tj.
frekvencijama. Signal se propušta kroz seriju visokopropusnih filtara radi analize
visokih frekvencija te kroz niz niskopropusnih filtara radi analize nižih frekvencijskih
komponenti signala: signal se rastavlja na aproksimacije koje sadržavaju niske
frekvencijske komponente i detalje s višim frekvencijama.
Diskretna wavelet transformacija koristi dva digitalna filtra:
• niskopropusni filtar, h(n), definiran funkcijom skaliranja φ(t)

• visokopropusni filtar, g(n), definiran wavelet funkcijom ψ(t)
Filtar h(n) povezan je s funkcijom skaliranja dvoskalarnom dilacijskom jednadžbom:
N −1
φ (t ) = 2∑ h(n)φ (2t − n) 4.22
n =0
Izraz koji povezuje filtar g(n) s waveletom naziva se jednadžba waveleta:
N −1
ψ (t ) = 2∑ g (n)φ (2t − n) 4.23
n =0
Filtri h(n) i g(n) međusobno su povezani slijedećom relacijom:
g( N-1-n ) = (-1)n h(n) 4.24
pri čemu je N broj koeficijenata filtara, n=0,1,2...N-1.
DWT algoritam prikazan slikom 4.3. zasniva se na slijedećem: Originalni digitalni

signal x(n) fr. opsega 0-Fs/2, Fs – frekvencija uzorkovanja, propušta se kroz
niskopropusni h(n) i visokopropusni g(n) filtar. Svaki od filtara propušta samo
polovicu frekvencijskog spektra originalnog signala. Potom se filtrirani signali
poduzorkuju na način da im se ukloni svaki drugi uzorak. Označimo s cA1(k) i cD1(k)
izlaze iz h(n) i g(n) filtra, redom. Postupak filtriranja i poduzorkovanja ulaznog
signala možemo izraziti kao:
cA1(k) = ∑ x(n)h(2k − n) 4.25

n
51
cD1(k) = ∑ x(n) g (2k − n) 4.26

n
cA1(k) nazivamo koeficijentima aproksimacije prvog nivoa dekompozicije i
predstavljaju ulazni signal u frekvencijskom opsegu 0-Fs/4 Hz. Analogno, cD1(k) su
koeficijenti detalja i predstavljaju signal u opsegu Fs/4 - Fs/2 Hz. Dekompozicija se
dalje nastavlja na način da se koeficijenti aproksimacije cA1(k) propuštaju kroz filtre
g(n) i h(n) tj. rastavljaju se na koeficijente cA2(k) koji predstavljaju signal u opsegu 0-
Fs/8 Hz i cD2(k), opseg Fs/8 - Fs/4 Hz.
Ako originalni signal x(n) ima N uzoraka, poduzorkivanjem se broj uzoraka

aproksimacije i detalja na prvom nivou svodi na N/2. Nadalje, cA2(k) i cD2(k) imaju
po N/4 uzoraka itd. Kako se algoritam nastavlja tj. kako idemo prema sve nižim
frekvencijama, broj uzoraka opada čime se pogoršava vremenska rezolucija budući da
sve manji broj uzoraka predstavlja čitavi signal za određeni frekvencijski opseg.
Međutim, poboljšava se frekvencijska rezolucija jer su frekvencijski opsezi za koje se
signal promatra sve uži. Dakle, i ovdje vrijedi princip multirezolucije opisan u
prethodnom tekstu.
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)
Sl.4.3: DWT algoritam: dekompozicija ili analiza signala
Općenito, wavelet koeficijenti i-tog nivoa mogu se izraziti preko koeficijenata

aproksimacije i-1 nivoa na način:
cAi(k) = ∑ cA i-1 (n) h(2k − n) 4.27

n
cDi(k) = ∑ cA i-1 (n) g(2k − n) 4.28

n
Rezultat provedenog algoritma nad signalom od N uzoraka, uzorkovanog
frekvencijom Fs, bit će matrica wavelet koeficijenata koja se dobiva povezivanjem
(konkatenacijom) koeficijenata na način prikazan slikom 4.4.
N/2j uzorka
52
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
... cD3(n) cD2(n) cD1(n)
cAj(n)
Sl 4.4: Koeficijenti aproksimacije i detalja kao rezultat DWT
Nad ovako dobivenim koeficijentima obično se provodi obrada u različite

svrhe: uklanjanje šuma, kompresija signala itd. Po završetku obrade vrši se
rekonstrukcija signala koji je u suštini jednostavan postupak budući da h(n) i g(n)
formiraju ortonormalnu bazu. Algoritram rekonstrukcije prikazan je na slici 4.5.
Nivo 2 Rekonstruirani
Nivo 1
cA2(n) signal
... 2 h’
cA1(n)
2 h’
cD2(n)
2 g’ x(n)
cD1(n)
2 g’
Sl.4.5: Rekonstrukcija ili sinteza signala
Koeficijenti svakog nivoa prvo se naduzorkuju tako da se između svaka dva

uzorka umetne novi uzorak s vrijednošću nula, te se propuštaju kroz filtre sinteze:
Koeficijenti aproksimacije cAi(n) propuštaju se kroz niskopropusni filtar h’(n), a
koeficijenti detalja cDi(n) kroz visokopropusni filtar g’(n). Izlazi iz filtara se zbroje, a
rezultat predstavlja koeficijente aproksimacije prvog slijedećeg nižeg nivoa. Filtri
sinteze (h’(n), g’(n)) i analize (h(n) i g(n)) zajedno čine kvadraturne zrcalne filtre
(QMF), i međusobno su povezani slijedećim relacijama:
h’(n) = h (N-1-n) 4.29

g’(n) = g (N-1-n) 4.30
Rekonstrukcijska formula za i-ti nivo će glasiti:
cAi(k) = ∑ (cA i+1 (n) h' (2k − n) + cD i+1 (n) g ' (2k − n)) 4.31
n
Rekonstruirani signal će biti:
x(k) = ∑ (cA (n) h' (2k − n) + cD (n) g' (2k − n))

n
1 1 4.32
53
4.7. WAVELETI PRIMJENJENI U NUMERIČKIM

EKSPERIMENTIMA
U numeričkim eksperimentima opisanim u šestom poglavlju, prilikom
diskretne wavelet transformacije u svrhu uklanjanja smetnji iz signala, korišteni su
slijedeći waveleti:
• Daubechies waveleti s 1, 4, 5 i 8 koeficijenata: Db1 (Haar), Db4, Db5, Db8
• Symmlet wavelet s 8 koeficijenata: Sym8
• Coiflet wavelet s 5 koeficijenata: Coif5
Slike 4.6-4.11. prikazuju wavelete i pripadajuće im funkcije skaliranja.
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)
Sl.4.6a): Haar wavelet Sl.4.6b): Haar funkcija skaliranja

1.5 1.2
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)
Sl.4.7a): Db4 wavelet Sl.4.7b): Db4 funkcija skaliranja

1.5 1.2
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)
Sl.4.8a): Db5 wavelet Sl.4.8b): Db5 funkcija skaliranja
54
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)
Sl.4.9a): Db8 wavelet Sl.4.9b): Db 8 funkcija skaliranja

1.5 1.2
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)
Sl.4.10a): Sym 8 wavelet Sl.4.10b): Sym 8 funkcija skaliranja

1.5 1.2
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)
Sl.4.11a): Coif 5 wavelet Sl.4.11b): Coif 5 funkcija skaliranja
55
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.
Nadalje, u poglavlju je izložen algoritam diskretne wavelet transformacije,

DWT, koji propuštanjem signala kroz niz VF i NF filtara i poduzorkivanjem rastavlja
signal na koeficijente detalja i aproksimacije. Ako se na koeficijente detalja primijeni
metoda praga, moguće je ukloniti smetnje iz signala, kao što je prikazano u slijedeća
dva poglavlja.
56
Uklanjanje šuma pomoću DWT
5. UKLANJANJE SMETNJI IZ SIGNALA POMOĆU

WAVELET TRANSFORMACIJE
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.
Također, u emg signalima često su prisutne niskofrekventne smetnje (do

15Hz) koje nazivamo artefaktima i koje nastaju kao rezultat nekog poremećaja na
prijelazu elektroda - biološki medij. U poglavlju će biti opisan postupak uklanjanja
ovih smetnji, također pomoću waveleta.
5.2. UKLANJANJE BIJELOG ŠUMA POMOĆU METODE

PRAGA
Tehniku uklanjanja šuma pomoću wavelet transformacije i primjene praga
razvili su D. Donoho, J. Johnstone, G. Kerkyacharian i D. Picard. Prof. Donoho, s
odsjeka za statistiku sveučilišta Stanford, vodeći je istraživač na području primjene
wavelet transformacije i metode praga u svrhu uklanjanja šuma i razvio je, u suradnji
s kolegama, opsežnu i kompleksnu teoriju, zasnovanu na egzaktnim matematičkim
temeljima i dokazima.
U poglavlju koje slijedi sažeto su izložene metode za određivanje praga, kao i

algoritam za uklanjanje šuma, korišten u ovom radu. Opširniji, matematički
formuliran pregled Donoho-ve teorije može se pronaći u većem dijelu publiciranih
radova, od kojih izdvajam: [37]-[42].
Izrazimo diskretni signal, s vremenski jednoliko razmaknutim uzorcima,

onečišćen šumom, x(n) kao:
x(n) = f(n) + σz(n) 5.1
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
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
Uklanjanje šuma metodom praga u wavelet području temelji se na slijedećem:

Wavelet transformacija komprimira energiju signala u relativno malen broj
koeficijenata visokih vrijednosti. Preostali koeficijenti, malih vrijednosti, sadrže
zanemarivu informaciju i mogu se izostaviti iz razmatranja bez gubitka informacije u
signalu, [41]. Wavelet koeficijenti koji se odnose na Gaussov bijeli šum također su
malih vrijednosti te se mogu detektirati primjenom praga i postaviti na nulu. Potom se
izvrši rekonstrukcija na temelju modificiranih wavelet koeficijenata koja rezultira
signalom očišćenim od šuma.
Algoritam za uklanjanje šuma iz diskretnog signala x(n), n=1,2,...,N sastoji se od tri

koraka:
1. Dekompozicija signala primjenom DWT:

Potrebno je odabrati wavelet i nivo dekompozicije J, te izvršiti dekompoziciju tj.
proračunati wavelet koeficijente na svim nivoima od j = 1 do J, koje ćemo označiti
kao wj,k pri čemu je j nivo, a k redni broj broj koeficijenta na određenom nivou,
k=1,2,...,N/2j.
2. Primjena praga na wavelet koeficijente:

Na svakoj razini dekompozicije od 1 do J odabere se vrijednost praga nakon čega se
prag primjeni na koeficijente detalja.
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.
Kod izvođenja algoritma potrebno je obratiti pozornost na slijedeće: kojom metodom

odabrati prag te na koji način primjeniti odabrani prag.
5.2.1. TVRDA I MEKA PRIMJENA 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
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
Sl.5.1: Primjena tvrdog i mekog praga
5.2.2. METODE ZA ODABIR PRAGA
Četiri metode za odabir praga opisane u tekstu koji slijedi temeljene su na

Donoho-vu radu i implementirane su u Wavelet Toolbox, dio programskog paketa
Matlab-a razvijenog za rad s waveletima.
PRORAČUN PRAGA POMOĆU STEIN-OVE PROCJENE (RIGRSURE

PRAG)
Ova adaptivna tehnika proračunava vrijednosti pragova na temelju

karakteristika wavelet koeficijenata te primjenjuje principe Stein-ove procjene (eng:
Stein’s Unbiased Risk Estimate – SURE). U Wavelet Toolbox-u Matlab-a primjenjuje
se pod nazivom rigrsure prag. Vrijednosti pragova ovisne su o razinama
dekompozicije.
SURE algoritam provodi se na slijedeći način, [43]: Apsolutne vrijednosti n

wavelet koeficijenata na svakoj razini, {wi}, (0 ≤ i ≤ n-1) sortiraju se po rastućem
redoslijedu, kreirajući niz { ŵi }. Potom se računaju kumulativne sume sortiranog niza,
{Wi} na način:
wˆ i2 , i=0
Wi =  2 5.5
wˆ i + Wi −1 , i>0
Slijedi proračun težinskog niza {si} te niza {ri} definiranih kao:

si = Wi + (n-1-i)wi2 5.6
59
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.
PRORAČUN PRAGA POMOĆU VIZUALNE KALIBRACIJE (SQTWOLOG

PRAG)
Ova metoda nazvana je vizualna kalibracija jer je s vizualnog aspekta

rekonstruirani signal gotovo posve očišćen od šuma. U Matlab-u se naziva sqtwolog
prag. Metoda primjenjuje fiksne pragove koji se računaju neovisno o karakteristikama
koeficijenata. Nakon što se signal normalizira, prag se za svaku razinu računa prema
izrazu:
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.
HIBRIDNA METODA PRORAČUNA PRAGA (HEURSURE PRAG)
Hibridna metoda kombinacija je vizualne kalibracije i SURE algoritma. Neka

su {wi}, (0 ≤ i ≤ n-1) koeficijenti detalja i neka je vrijednost α zadana kao:
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
Ako je α < c, tada se prag računa metodom vizualne kalibracije. U slučaju α ≥ c, za

prag se bira manji od pragova proračunatih vizualnom kalibracijom i SURE
algoritmom.
Ova tehnika predstavlja kompromis između SURE tehnike koja “čuva”

koeficijente i vizualne kalibracije, suprotne SURE metodi. Naime, ako se prag
primjenjuje na jako onečišćen signal s malim omjerom signal/šum, SURE metoda
može rezultirati rekonstruiranim signalom koji također ima nizak SNR. Ako se
ovakova situacija detektira, primjenjuje se vizualna kalibracija.
PRORAČUN PRAGA MINIMAX METODOM (MINIMAXI PRAG)
Ova metoda temelji se na minimax teoriji koja se koristi za računanje

statističkih estimatora. Kao i kod vizualne kalibracije, na svakom nivou
dekompozicije primjenjuje se fiksni, prethodno izračunati prag, neovisan o
karakteristikama promatranog signala. Prag se računa na temelju procjene minimalne
vrijednosti maksimalne srednje kvadratne pogreške dobivene za funkciju koja, iz
skupa zadanih funkcija, najlošije aproksimira zadanu funkciju [40]. Jednaki pragovi,
ovisni o nivou dekompozicije, koriste se za sve signale. Donoho i kolege proračunali
su vrijednosti praga za signale s različitim brojem uzoraka, [40], te se ova metoda
primjenjuje pomoću look-up tablice koja sadrži vrijednosti pragova. Minimax, kao i
SURE metoda, “čuva” koeficijente, te se također primjenjuje u slučajevima kad se
mali ali značajni detalji signala nalaze u rangu šuma. Međutim, također je vjerojatno
da određena količina šuma ostane u rekonstruiranom signalu.
5.3. UKLANJANJE NISKOFREKVENTNOG ŠUMA

DISKRETNOM WAVELET TRANSFORMACIJOM
U poglavlju 4.6 navedeno je da diskretna wavelet transformacija provedena na
J-tom nivou rastavlja signal na wavelet koeficijente detalja (cD1,...,cDJ) koji
predstavljaju signal u višim frekvencijskim opsezima i koeficijente aproksimacije
(cAJ) koji predstavljaju signal u opsegu 0-Fs/2J+1Hz, pri čemu je Fs frekvencija
uzorkovanja.
Ako je poznato da signal sadrži niskofrekventni šum u frekvencijskom opsegu

0-fšum Hz, kao što je najčešće slučaj kod emg signala, ovaj šum može se ukloniti
slijedećim algoritmom:
F
1. Odabrati razinu dekompozicije, J tako da vrijedi J s+1 ≈ f šum
2
2. Provesti diskretnu wavelet transformaciju. Koeficijenti aproksimacije cAJ odnosit
će se na NF šum i stoga se postavljaju u nulu. Koeficijenti detalja ostaju
nepromijenjeni.
3. Provesti inverznu DWT koja rezultira signalom očišćenim od NF šuma.
U numeričkim eksperimentima provedenim u šestom poglavlju opisana

metoda primijenjena je na sintetičke i stvarne emg signale, frekvencije uzorkovanja
od 1000Hz. Budući da se NF šum u emg signalu nalazi u području [0,~15]Hz, provest
ćemo DWT na 5-tom nivou, tj. biti će:
61
Fs 1000
J +1
= 5+1 = 15.6 Hz ≈ 15Hz 5.12
2 2
Poništavanjem koeficijenata aproksimacije cA5 uklonit će se niskofrekventni artefakt.
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
6. OBRADA I ANALIZA EMG SIGNALA: UKLANJANJE

ŠUMA I ODREĐIVANJE TRENUTAKA AKTIVACIJE I
DEAKTIVACIJE MIŠIĆA
Učinkovitost skidanja šuma wavelet metodom testirat ćemo na nizu signala,

kako sintetičkih tako i stvarno snimljenih elektromiograma. Wavelet tehniku za
uklanjanje šuma usporedit ćemo sa široko primijenjenim tehnikama filtriranja
biomedicinskih signala kao što su butterworthov i chebychevljev digitalni filtar. Na
temelju snimljenih elektromiograma i potom obrađenih wavelet metodom i
butterwort-ovim filtrom, provest ćemo postupak utvrđivanja trenutka aktivacije i
deaktivacije mišića. Dobiveni rezultati pružit će uvid da li je wavelet tehnika
podesnija za obradu emg signala u odnosu na ostale tehnike filtriranja izložene u radu.
U prvom od numeričkih eksperimenata testirat ćemo wavelet tehniku na nizu

od tri sintetički generirana signala, sličnih karakteristika koje nalazimo kod stvarnih
elektromiograma: nestacionarnost i diskontinuiranost. Sintetički elektromiogram bit
će onečišćen bijelim Gauss-ovim šumom i niskofrekventnim artefaktom,
ekstrahiranim iz stvarnog elektromiograma. Budući da ćemo tehnike fitriranja
primijeniti na signalima poznatih karakteristika, moći će se izračunati mjere
odstupanja filtriranog signala od signala bez šuma: omjer signal/šum (SNR) i srednja
kvadratna pogreška (SKP). Na temelju ovih mjera usporedit ćemo efikasnost svake
pojedine tehnike.
U slijedećem numeričkom eksperimentu promatrat će se stvarni signal

snimljen na mišiću tibialis anterioru tijekom normalnog hoda. Usporedba navedenih
tehnika provest će se vizualnim uvidom u oblike filtriranih signala u vremenskom i
frekvencijskom području.
Konačno, u trećem eksperimentu usmjerit ćemo se na definiranje vremenskih

trenutaka u kojima dolazi do aktivacije i deaktivacije mišića. Informacija o točnim
intervalu aktivnosti mišića tijekom neke fizičke aktivnosti poput hoda veoma je bitna
biomehaničarima i liječnicima tj. svima koji proučavaju ljudsku lokomociju. Naime,
na temelju takve informacije dobiva se uvid da li promatrani mišić sudjeluje u
pojedinom pokretu u optimalnom trenutku tj. da li djeluje pravilno. U razmatranje
ćemo uzeti niz signala snimljenih tijekom više uzastopnih mjerenja na mišiću tibialis
anterioru. Nakon filtriranja wavelet tehnikom i butterwort-ovim filtrom provest će se
obrada svih snimljenih signala za pojedini mišić i naći srednja vrijednost signala. Biti
će određena ovojnica signala na temelju koje ćemo određenim postupkom definirati
vremenske trenutke aktivacije i deaktivacije mišića. Rezultati će poslužiti kao
smjernica kako različite tehnike utječu na određivanje intervala aktivnosti mišića, te
koja od njih daje najbolje rezultate.
63
Generiranje sintetičkih signala, procesiranje, filtriranje te grafički prikaz

rezultata realizirani su pomoću programskog paketa Matlab, The MathWorks Inc,
uključujući dodatne pakete Wavelet Toolbox i Signal Processing Toolbox.
6.1. SINTETIČKI GENERIRANI SIGNALI

Wavelet tehnike filtriranja prvo ćemo primijeniti na tri sintetička signala
poznatih karakteristika, onečišćena šumom. U svrhu vrednovanja kvalitete filtriranja
računat će se omjer signal/šum i srednja kvadratna pogreška. Omjer signal/šum dan je
slijedećom formulom:
 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.
Srednja kvadratna pogreška definirana je slijedećom formulom:
1 N −1
SKP = ∑ [xˆ (t ) − x(t )]2 6.2
N t =0
Donoho i kolege generirali su četiri nestacionarna sintetička signala, pogodna

za testiranje učinka wavelet metoda u skidanju šuma [40]. U ovom radu od originalna
četiri odabrana su dva signala koja po svojim karakteristikama (nestacionarnost i
diskontinuiranost) najviše sliče elektromiogramima, “blokovi” i “bumps”.
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
pri čemu su:

{ti}={0.1, 0.13, 0.14, 0.23, 0.25, 0.40, 0.44, 0.65, 0.76. 0.78, 0.81}
{hi}={4, -5, 3, -4, 5, -4.2, 2.1, 4.3, -3.1, 5.1, -4.2}
Generirano je 1024 uzoraka signala s frekvencijom uzorkovanja od 1000 Hz.

Signal onečišćen Gaussovim bijelim šumom, N(0,1) prikazan je slikom 6.2. Omjer
signal/šum za onečišćeni signal iznosi SNR=15.7749dB.
64
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.6.1: Referentni signal “blokovi” Sl.6.2: “Blokovi” sa šumom,

SNR=15.7749
Filtriranje signala waveletima
U tablici 6.1 prikazani su rezultati filtriranja različitim waveletima i

pragovima. Odabrani su slijedeći waveleti: Haar, Daubechies4, Daubechies5,
Daubechies8, Symlet8 i Coiflet5. Primjenjene su sve četiri definirane vrste praga, te
tvrdi i meki prag.
Rezultati filtriranja nekim od waveleta dani su na slikama 6.3-6.11. Na svakom grafu

prikazani su referentni i filtrirani signal.
NIVO VRSTA TVRDI / MEKI

DEKO-
WAVELET MPOZI- PRAGA PRAG SNR (dB) SKP
CIJE
haar (db1) 3 sqtwolog meki 18.8850 0.1140
haar (db1) 6 sqtwolog tvrdi 23.3857 0.0405
haar (db1) 4 minimaxi meki 20.8200 0.0729
haar (db1) 6 minimaxi tvrdi 22.4557 0.0501
haar (db1) 5 heursure meki 20.8811 0.0720
haar (db1) 6 heursure tvrdi 24.0018 0.0351
Daubechies4 3 sqtwolog meki 18.1700 0.1340
Daubechies4 4 sqtwolog tvrdi 19.5110 0.0989
Daubechies4 3 minimaxi meki 19.8800 0.0906
Daubechies4 4 minimaxi tvrdi 19.7560 0.0933
Daubechies4 5 heursure meki 20.0110 0.0881
Daubechies4 6 heursure tvrdi 20.1260 0.0857
Daubechies5 5 rigrsure meki 20.5502 0.0777
Daubechies5 6 rigrsure tvrdi 17.0773 0.1729
65

Symmlet8 3 sqtwolog meki 18.5580 0.1230
Symmlet8 3 sqtwolog tvrdi 19.9045 0.0902
Symmlet8 3 minimaxi meki 20.0109 0.0880
Symmlet8 4 minimaxi tvrdi 19.4800 0.0994
Symmlet8 5 heursure meki 20.0627 0.0870
Symmlet8 5 heursure tvrdi 20.2575 0.0831
Symmlet8 5 rigrsure meki 21.0344 0.0695
Symmlet8 3 rigrsure tvrdi 18.4770 0.1253
Coiflet5 3 sqtwolog meki 18.3578 0.1288
Coiflet5 3 sqtwolog tvrdi 19.6087 0.0965
Coiflet5 3 minimaxi meki 19.8512 0.0913
Coiflet5 5 minimaxi tvrdi 19.5130 0.0987
Coiflet5 3 heursure meki 19.8077 0.0922
Coiflet5 4 heursure tvrdi 19.8131 0.0921
Coiflet5 3 rigrsure meki 20.7805 0.0737
Coiflet5 4 rigrsure tvrdi 18.1322 0.1356
Tablica 6.1: Rezultati filtriranja “blok” signala waveletima
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.
Primjena minimaxi mekog praga (SNR= 20.82dB; SKP=0.0729) i heursure mekog

praga (SNR= 20.8811 dB; SKP=0.0720) daje najbolje vizualne rezultate, slike 6.4a) i
6.5a).
Tvrdi prag poboljšava SNR i SKP (posebno za sqtwolog prag:

SNRsqtwolog_meki=18.885dB, SNRsqtwolog_tvrdi=23.3857dB; SKPsqtwolog_meki=0.1140,
SKPsqtwolog_tvrdi=0.0405), no vizualan dojam narušavaju 1-bitni “šiljci” koji se javljaju
na diskontinuitetima signala, sl. 6.3b).
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.
Najlošiji rezultat postignut je Daubechies5 waveletom i tvrdim rigrsure pragom:

SNR=17.0773 dB, SKP=0.1729, sl. 6.11.
66
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)
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)
heursure meki prag, SNR=20.0110 dB heursure tvrdi prag, SNR=20.1260 dB
67
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
Filtriranje signala klasičnim digitalnim filtrima

68
Tablica 6.2 sadržava rezultate filtriranja niskopropusnim butterworth-ovim i

chebychev-ljevim filtrima različitih gornjih graničnih frekvencija i redova filtara (3,4
i 5).
red filtra = 3 red filtra = 4 red filtra = 5

FILTAR fgg(Hz) SNR(dB) SKP SNR(dB) SKP SNR(dB) SKP
butterworth 50 9.5359 0.9816 8.1683 1.3450 7.0872 1.7251
butterworth 80 11.5442 0.6182 10.2398 0.8300 9.2288 1.0536
butterworth 100 12.4395 0.5030 11.1807 0.6722 10.1891 0.8445
butterworth 150 13.9394 0.3561 12.7520 0.4681 11.8014 0.5826
butterworth 200 14.8792 0.2868 13.9113 0.3584 13.0628 0.4358
butterworth 250 15.3210 0.2591 14.5489 0.3095 13.8921 0.3600
butterworth 300 15.5151 0.2478 14.8802 0.2868 14.3375 0.3249
butterworth 350 15.5917 0.2434 15.0898 0.2733 14.6601 0.3017
butterworth 400 15.6552 0.2399 15.3057 0.2600 14.9858 0.2799
butterworth 450 15.6692 0.2391 15.4710 0.2503 15.3006 0.2603
butterworth 500 15.7749 0.2334 15.7749 0.2334 15.7749 0.2334
chebyshev 50 9.5219 0.9848 7.5957 1.5345 6.2347 2.0993
chebyshev 80 11.3668 0.6440 9.6226 0.9622 8.3491 1.2901
chebyshev 100 12.2721 0.5228 10.6723 0.7556 9.2770 1.0419
chebyshev 150 13.7512 0.3719 12.0891 0.5453 10.9108 0.7153
chebyshev 200 14.7065 0.2985 13.2399 0.4184 12.1911 0.5326
chebyshev 300 15.3002 0.2603 14.1786 0.3370 13.7997 0.3678
chebyshev 400 15.6576 0.2398 14.7124 0.2981 14.7637 0.2946
chebyshev 500 15.7749 0.2334 15.5504 0.2458 15.7749 0.2334
Tablica 6.2: Rezultati filtriranja “blok” signala klasičnim filtrima
Na temelju rezultata filtriranja klasičnim niskopropusnim filtrima (tablica 6.2) vidimo

da butterworth-ovi i chebychev-ljevi filtri daju međusobno slične rezultate. Najveće
iznose SNR i, sukladno tomu, najmanje kvadratne pogreške postižu filtri trećeg reda,
čiji su rezultati (za butterworth-ove filtre) prikazani slikama 6.12-6.15.
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. 6.12: “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
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,
Kod nižih graničnih frekvencija (fgg=50Hz) propušta se manje bijelog šuma, te je

vizualan rezultat na konstantnim intervalima signala bolji, sl. 6.12. Međutim, na
područjima diskontinuiteta signala, veće je odstupanje filtriranog signala od
referentnog pri nižim graničnim frekvencijama filtriranja, što rezultira značajnim
opadanjem omjera SNR i porastom SKP (SNR=9.5359, SKP=0.9816dB za butter.
filtar 3. reda, fgg=50Hz). Porastom granične frekvencije filtrirani signal se približava
referentnom u područjima diskontinuiteta, što rezultira porastom SNR (npr.
SNR=14.8792, SKP=0.2868dB za butter. filtar 3. reda, fgg=200Hz). Međutim,
negativna posljedica je propuštanje veće količine bijelog šuma, što utječe na vizualnu
kvalitetu signala (sl. 6.15). Dakle, povećanjem fgg smanjuje se izobličenje signala
uslijed čega raste omjer SNR, no propušta se više bijelog šuma što rezultira slabijom
vizualnom kvalitetom signala. Ovisnost omjera SNR o fgg za Butterworth-ove filtre
reda 3, 4 i 5. prikazana je slikom 6.16. Za Chebysev-ljeve filtre vrijedit će analogno
razmatranje.
SNR u ovisnosti o fgg, za redove filtara: 3, 4, 5

16 50
3.red
4.red
15 0
5.red
14
-50
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)
Sl. 6.16: Ovisnost omjera SNR o Sl. 6.17: Frekvencijski odzivi

gornjoj graničnoj frekvenciji filtra Buttervorth-ovog filtra, fgg=200Hz
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
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.
Na temelju iznesenog uočljive su prednosti wavelet filtriranja u odnosu na klasične

filtre. Razlog zbog kojega je wavelet filtriranje u tolikoj mjeri efikasnije od klasičnih
filtara objasnit ćemo prikazom frekvencijskih spektara filtriranih signala, Sl.6.20-
6.23.
400 400
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.6.20: Fr. spektar referentnog Sl.6.21: Fr. spektar signala s

signala “blokovi” dodanim bijelim šumom
400 400
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
Butt. filtrom 3. reda, fgg=200Hz. waveletima
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
pri čemu su:

{ti}={0.1, 0.13, 0.14, 0.23, 0.25, 0.40, 0.44, 0.65, 0.76. 0.78, 0.81}
{hi}={4, 5, 3, 4, 5, 4.2, 2.1, 4.3, 3.1, 5.1, 4.2}
{wi}={0.005, 0.005, 0.006, 0.01, 0.01, 0.03, 0.01, 0.01, 0.005, 0.008, 0.005}
Slika 6.24b) prikazuje frekvencijski spektar “bumps” signala. Signal onečišćen

Gaussovim bijelim šumom, N(0,1) i pripadajući spektar prikazani su slikama 6.25a) i
6.25b). Omjer signal/šum za onečišćeni signal iznosi SNR=11.4231 dB.
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)
Sl. 6.24a): Signal “bumps” Sl. 6.24b): Frekvencijski spektar

“bumps” signala
72
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)
Sl. 6.25a): “Bumps” s bijelim Sl. 6.25b): Frekvencijski spektar

šumom, SNR=11.4231 “bumps” signala onečišćenog šumom
U tablici 6.3 prikazani su rezultati filtriranja waveletima. Odabrani su slijedeći

waveleti: Daubechies5, Daubechies8, Symlet8 i Coiflet5. Neki od rezultata filtriranja
prikazani su slikama 6.26-6.31.
NIVO VRSTA TVRDI / MEKI

DEKO-
WAVELET MPOZI- PRAGA PRAG SNR (dB) SKP
CIJE
Symmlet8 3 sqtwolog meki 18.3325 0.0475
Symmlet8 3 sqtwolog tvrdi 18.4126 0.0467
Symmlet8 3 minimaxi meki 18.8386 0.0423
Symmlet8 4 minimaxi tvrdi 16.3605 0.0749
Symmlet8 6 heursure meki 19.3488 0.0376
Symmlet8 6 heursure tvrdi 18.7482 0.0432
Symmlet8 6 rigrsure meki 19.9852 0.0325
Symmlet8 6 rigrsure tvrdi 17.3668 0.0594
Coiflet5 3 sqtwolog meki 17.6983 0.0550
Coiflet5 3 sqtwolog tvrdi 18.2365 0.0486
Coiflet5 3 minimaxi meki 18.5521 0.0452
Coiflet5 3 minimaxi tvrdi 16.6871 0.0694
73
Coiflet5 5 heursure meki 18.0941 0.0502

Coiflet5 4 heursure tvrdi 18.1662 0.0494
Coiflet5 6 rigrsure meki 19.3239 0.0378
Coiflet5 3 rigrsure tvrdi 17.0893 0.0633
Tablica 6.3: Rezultati filtriranja “bumps” signala waveletima
Uvidom u tablicu 6.3 uočava se da rezultati filtriranja ne ovise u tolikoj mjeri o

odabiru waveleta, koliko o odabiru praga. Tako najbolje rezultate daje meki rigrsure
prag za koji je omjer SNR redom veći od 19dB. Najveći SNR iznosi 19.9852dB,
najmanja kvadratna pogreška je 0.0325, a ovi rezultati dobiveni su symlet8
waveletom, sl. 6.30.
Ostali pragovi izuzev minimaxi i rigrsure tvrdog praga daju ujednačene rezultate
(SNR≈18.5dB, SKP≈0.045).
Filtriranje minimaxi i rigrsure tvrdim pragom rezultrira najnižim omjerima signal/šum

i, sukladno tomu, najvećom pogreškom. Najlošiji rezultat dobiven je db5 waveletom,
minimaxi tvrdim pragom: SNR=16.3013, SKP=0.0759, sl. 6.27.
6 6
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
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
Tablica 6.4 sadržava rezultate filtriranja niskopropusnim butterworth-ovim i

chebychev-ljevim filtrima.
red filtra = 3 red filtra = 4 red filtra = 5

FILTAR fgg(Hz) SNR(dB) SKP SNR(dB) SKP SNR(dB) SKP
butterworth 50 5.4417 0.9251 3.9086 1.3167 2.9084 1.6577
butterworth 80 8.3814 0.4701 6.5440 0.7177 5.1708 0.9846
butterworth 100 9.9765 0.3256 8.1430 0.4967 6.6872 0.6944
butterworth 150 12.4847 0.1828 10.9766 0.2586 9.6344 0.3523
butterworth 200 13.5161 0.1441 12.4793 0.1830 11.4479 0.2320
butterworth 300 13.4694 0.1457 13.1488 0.1568 12.7681 0.1712
butterworth 325 13.2467 0.1534 13.0169 0.1617 12.7433 0.1722
butterworth 350 12.9943 0.1635 12.8330 0.1687 12.6448 0.1761
butterworth 400 12.4740 0.1832 12.4029 0.1862 12.3262 0.1896
butterworth 450 11.9356 0.2074 11.9188 0.2082 11.9039 0.2089
butterworth 500 11.4231 0.2334 11.4231 0.2334 11.4231 0.2334
chebyshev 50 5.3987 0.9343 3.4988 1.4470 2.2203 1.9423
chebyshev 80 8.4854 0.4590 5.9187 0.8289 4.1347 1.2499
chebyshev 100 9.9990 0.3239 7.5088 0.5747 5.5105 0.9105
chebyshev 150 12.2542 0.1927 10.4733 0.2904 8.3513 0.4734
chebyshev 200 13.1930 0.1553 12.1044 0.1995 10.2707 0.3043
chebyshev 300 13.2076 0.1547 12.9231 0.1652 12.2047 0.1949
chebyshev 325 13.0154 0.1617 12.7976 0.1701 12.3237 0.1897
chebyshev 350 12.8393 0.1684 12.7060 0.1747 12.4300 0.1851
chebyshev 400 12.4624 0.1837 12.3827 0.1871 12.3420 0.1889
chebyshev 450 11.9432 0.2070 11.9926 0.2047 12.0209 0.2034
chebyshev 500 11.4231 0.2334 11.4231 0.2334 11.4231 0.2334
Tablica 6.4: Rezultati filtriranja “bumps” signala klasičnim filtrima
Na rezultate filtriranja klasičnim filtrima može se primijeniti analiza dana za “blok”

signal u poglavlju 6.1.1: kod većih gornjih graničnih frekvencija uklanja se manje
bijelog šuma, te je niža kvaliteta filtriranih signala, sl.6.33. Međutim, SNR raste s
porastom fgg zbog manjeg izobličenja signala.
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
referentnog i filtriranog signala (SNR=5.4417dB, SKP=0.9251, butter. filtar trećeg

reda, fgg=50Hz), sl.6.32.
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. 6.32: “Bumps”, butter. filtar 3.reda, Sl. 6.33: “Bumps”, butter. filtar 3.reda,
Kao i u prethodno izloženom primjeru sa signalom “blokovi”, usporedba rezultata

filtriranja waveletima (tablica 6.3, slike 6.26-6.31) i klasičnih filtara (tablica 6.4, slike
6.32 i 6.33), ukazuje na prednosti filtriranja waveletima.
76
6.2. SINTETIČKI ELEKTROMIOGRAM

U svrhu testiranja navedenih tehnika filtriranja na sintetičkom emg signalu
simulirat ćemo elektromiogram na slijedeći način:
Gaussov bijeli šum propušten je kroz Butterworth-ov filtar 4. reda, pojasnog propusta
20-150Hz, da bi se dobio frekvencijski spektar analogan spektru stvarnog emg
signala. Amplitudnom modulacijom filtriranog šuma dobiven je sintetički emg signal,
prikazan slikom 6.34a). Signal se sastoji od od 2 aktivna intervala, odijeljena
intervalima mirovanja mišića. Uzorkovan je frekvencijom od 1000Hz u trajanju od
2.6s. Na slici 6.34b) prikazan je spektar sintetičkog signala koji u velikoj mjeri
odgovara spektru stvarnog emg-a, te se stoga sintetički signal može primijeniti kao
valjani model stvarno izmjerenog signala. Slike 6.35a) i b) prikazuju signal onečišćen
Gauss-ovim bijelim šumom i pripadajući frekvencijski spektar. Potom je signal
onečišćen niskofrekventnim šumom koji je ekstrahiran iz stvarnog elektromiograma
mišića soleusa filtriranjem pomoću visokopropusnog butterwort-ovog filtra donje
granične frekvencije od 15Hz, [44]. Dodavanjem artefakta signalu na slici 6.35b)
dobiven je sintetički elektromiogram onečišćen NF i bijelim šumom. Testni signal i
pripadajući spektar prikazani su slikama 6.36a) i b). Omjer signal/ šum za testni signal
iznosi SNR = 9.3609 dB.
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)
Sl.6.34a): Sintetički elektromiogram Sl.6.34b): Frekvencijski spektar

sintetičkog 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)
Sl.6.35a): Sintetički elektromiogram Sl.6.35b): Spektar sintetičkog emg-a

+ bijeli šum s dodanim bijelim šumom
77
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)
Sl.6.36a): Testni signal: sintetički emg Sl.6.36b): Spektar sintetičkog emg-a

+ bijeli šum + NF artefakt, s dodanim bijelim šumom i
SNR=9.3609 dB NF artefaktom
Filtriranje signala waveletima
Niskofrekventni šum uklonit ćemo na način opisan u poglavlju 5.3,

postavljanjem aproksimacijskih koeficijenata 5-og nivoa na nulu.
Za uklanjanje bijelog šuma koristit ćemo slijedeće wavelete: Daubechies5,
Daubechies8, Symmlet8 i Coiflet5. Primjenjivat će se meki i tvrdi prag, te sve 4
prethodno opisane metode određivanja praga. Rezultati filtriranja prikazani su u
tablici 6.5, te na slikama 6.37a) do 6.41b). Uvidom u tablicu može se zaključiti da
odabir vrste waveleta ne utječe na rezultate filtriranja u tolikoj mjeri koliko odabir
praga, te da li se koristi tvrdi ili meki prag.
WAVELET/ NIVO VRSTA TVRDI /

FILTAR DEK. PRAGA MEKI SNR (dB) SKP
PRAG
Daubechies5 5 sqtwolog meki 7.5637 1.97*10-4
Daubechies5 5 sqtwolog tvrdi 10.4864 1.04*10-4
Daubechies5 5 minimaxi meki 9.6712 1.26*10-4
Daubechies5 5 minimaxi tvrdi 11.1132 9.04*10-5
Daubechies5 5 heursure meki 11.3166 8.64*10-5
Daubechies5 5 heursure tvrdi 10.8425 9.62*10-5
Daubechies5 5 rigrsure meki 11.3383 8.59*10-5
Daubechies8 6 sqtwolog meki 7.7692 1.95*10-4
Daubechies8 6 sqtwolog tvrdi 10.5770 1.02*10-4
Daubechies8 6 minimaxi meki 9.9017 1.19*10-4
Daubechies8 6 minimaxi tvrdi 11.1841 8.90*10-5
Daubechies8 6 heursure meki 11.5484 8.18*10-5
Daubechies8 6 heursure tvrdi 11.0535 9.17*10-5
Daubechies8 6 rigrsure meki 11.5488 8.11*10-5
Daubechies8 5 rigrsure tvrdi 10.7563 9.80*10-5
Symmlet8 6 sqtwolog meki 7.8654 1.91*10-4
Symmlet8 6 sqtwolog tvrdi 10.8622 9.58*10-5
Symmlet8 6 minimaxi meki 10.0175 1.16*10-4
Symmlet8 7 minimaxi tvrdi 11.0711 9.15*10-5
Symmlet8 6 heursure meki 11.4907 8.29*10-5
78
Symmlet8 6 rigrsure meki 11.4845 8.30*10-5

Coiflet5 6 sqtwolog meki 8.2002 1.76*10-4
Coiflet5 6 sqtwolog tvrdi 10.9028 9.49*10-5
Coiflet5 6 minimaxi meki 10.2323 1.10*10-4
Coiflet5 6 heursure meki 11.6118 8.06*10-5
Coiflet5 6 rigrsure meki 11.5581 8.16*10-5
Tablica 6.5: Rezultati filtriranja test signala waveletima
Može se primjetiti da meki, sqtwolog prag dobro uklanja šum u intervalu

neaktivnosti mišića, sl. 6.37a) i b). Međutim, dolazi do određenog prigušenja signala
u aktivnom intervalu što se odražava na omjer signal/šum i srednju kvadratnu
pogrešku (SNR≈7.8dB, SKP≈1.9*10-4).
Filtriranje pomoću mekog minimaxi praga također dobro uklanja šum, te
prigušuje signal, ali u ponešto manjoj mjeri u odnosu na meki sqtwolog prag,
Sl.6.38a). Stoga omjer signal/šum ima nešto veće vrijednosti (SNR≈9.90dB), odnosno
srednja kv. pogreška nešto niže (SKP≈1.2*10-4). Zbog atenuacije signala, ove tehnike
preporučuju se u slučajevima kad je predmet interesa trenutak aktivacije i deaktivacije
mišića, a ne iznos amplitude signala.
Tvrdi minimaxi prag daje visok SNR i SKP (≈11.1dB tj. ≈9*10-5), sl. 6.38b),
no rezultat je nešto slabije vizualne kvalitete u odnosu na meki minimaxi prag,
sl.6.38a) .
Što se tiče vrijednosti SNR i SKP, najbolje rezultate daju tehnike koje
primjenjuju heursure meki prag (SNR≈11.3dB, SKP≈8.3*10-5), sl.s6.39. Međutim, sa
vizualnog stajališta ne uočava se značajnije uklanjanje šuma u intervalima
neaktivnosti signala, stoga primjena ovih pragova nije podesna za praktičnu primjenu.
Najbolji rezultati sa vizualnog stajališta postižu se primjenom sqtwolog tvrdog
praga, sl.6.41a) i b). Prigušenje signala u aktivnim intervalima je zanemarivo, a bijeli
šum u intervalima mirovanja u najvećoj je mjeri uklonjen. Omjer signal/šum i sr. kv.
pogreška u prosjeku imaju vrijednosti SNR≈6.7dB, SKP≈10-4.
Filtriranje signala klasičnim filtrima
Korišteni su digitalni butterwort-ovi i chebyshev-ljevi filtri pojasnog propusta

promjenjive širine. Tablicom 6.6 i slikama 6.42a) i 6.42b) prikazani su rezultati
filtriranja. Na slikama 6.43a) i b) radi usporedbe su prikazani spektri signala
filtriranih Db5 waveletom (tvrdi, sqtwolog prag) i butterworth-ovim filtrom 3. reda,
pojasnog propusta 15-200Hz.
Rezultati iz tablice 6.6. pokazuju da omjer SNR raste s porastom širine
propusnog pojasa i dostiže maksimalnu vrijednost od 9.3609 dB (SNR za nefiltrirani
signal). Ovako niske omjere signal/šum objašnjavamo činjenicom da klasični digitalni
filtri s pojasnim propustom uvijek propuštaju određeni dio bijelog šuma čije
frekvencijske komponente leže u propusnom opsegu filtra dok istovremeno uklanjaju
korisni dio frekvencijskog sadržaja signala koji leži u zapornom pojasu. Stoga se
primjena klasičnih filtara ne pokazuje adekvatnom za uklanjanje smetnji iz emg
signala.
Možemo zaključiti da wavelet tehnike daju značajno bolje rezultate u odnosu
na klasične filtre, a posebno ako se koristi sqtwolog tvrdi prag.
filtar fdg-fgg red filtra=3 red filtra=4 red filtra=5

79
SNR SKP SNR SKP SNR SKP

butt 20-150 -0.6051 13.0*10-4 -1.9614 18.0*10-4 -2.7056 22*10-4
butt 20-250 2.8670 6.04*10-4 1.3209 8.62*10-4 0.1955 11*10-4
butt 20-350 3.5523 5.15*10-4 2.1334 7.15*10-4 1.1456 8.97*10-4
butt 20-500 2.4427 6.66*10-4 0.9001 9.50*10-4 -0.2001 12*10-4
butt 15-150 -0.5076 13.0*10-4 -1.9093 16.00*10-4 -2.7026 20*10-4
butt 15-250 3.5800 5.12*10-4 1.8973 7.55*10-4 0.5854 10*10-4
butt 15-350 5.0266 3.67*10-4 3.5292 5.18*10-4 2.3614 6.78*10-4
butt 15-500 4.4340 4.21*10-4 3.2642 5.51*10-4 2.1712 7*10-4
butt 10-150 -0.5220 13.2*10-4 -1.9142 18*10-4 -2.6953 32*10-4
butt 10-250 4.0950 4.55*10-4 2.4040 6.72*10-4 1.0233 9.23*10-4
butt 10-350 6.7227 2.48*10-4 5.3764 3.38*10-4 4.1763 4.46*10-4
butt 10-500 6.2200 2.79*10-4 4.8632 3.81*10-4 3.6479 5.04*10-4
butt 0-500 9.3609 1.34*10-4 9.3609 1.34*10-4 9.3609 1.34*10-4
cheb 20-150 -1.2766 16.02*10-4 -2.2124 19*10-4 -2.4100 20*10-4
cheb 20-350 2.6374 6.36*10-4 1.4101 8.44*10-4 0.4406 11*10-4
cheb 10-150 -1.2508 16.00*10-4 -2.2029 19*10-4 -2.4154 20*10-4
cheb 10-350 5.122 3.59*10-4 4.6700 3.98*10-4 2.2732 6.92*10-4
cheb 0-500 9.3609 1.34*10-4 9.3609 1.34*10-4 9.3609 1.34*10-4
Tablica 6.6: Rezultati filtriranja test signala klasičnim digitalnim filtrima
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)
Sl.6.37a): Meki sqtwolog prag; Sl.37b): Meki sqtwolog prag;

Daubechies 5 wavelet Symmlet 8 wavelet
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)
Sl.6.38a): Meki minimaxi prag; Sl.6.38b): Tvrdi minimaxi prag;

Daubechies 5 wavelet Daubechies 5 wavelet
80
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)
Sl.6.39: Meki heursure prag; Sl.6.40: Tvrdi heursure prag;

Symmlet 8 wavelet Daubechies 5 wavelet
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)
Sl.6.41a): Tvrdi sqtwolog prag; Sl.6.41b): Tvrdi sqtwolog prag;

Daubechies 5 wavelet Daubechies 8 wavelet
0.2 0.2
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)
Sl.6.42a): Butterworth-ov filtar 3. reda, Sl.6.42b): Butterworth-ov filtar 3. reda,

pojasni propust: 15-250Hz pojasni propust: 10-350Hz
81
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)
Sl.6.43a): Fr. spektar signala Sl.6.43b): Fr. spektar signala

filtriranog Db5 waveletom, filtriranog Butt. filtrom 3. reda,
sqtwolog tvrdi prag pojasnog propusta 15-200Hz
6.3. STVARNI ELEKTROMIOGRAM

Za testiranje tehnika filtriranja na stvarnom signalu snimili smo aktivnost
mišića tibialis anteriora tijekom normalnog hoda. Mjerenje je izvršeno u
“Laboratoriju za biomedicinsku tehniku i robotiku”, Ljubljana. Frekvencija
uzorkovanja iznosi 1000Hz, a vrijeme akvizicije 7s, pri čemu smo za prikaz odabrali
vremenski interval od dva puna koraka (3.5s). Da bismo dobili signal jako onečišćen
šumom, kožu na koju smo aplicirali elektrode nismo prethodno očistili pomoću
alkohola i uklonili malje. Na taj način dobiven je signal prikazan slikom 6.44a).
Slika 6.44b) prikazuje frekvencijski spektar neprocesiranog signala.

Uočavamo snažnu prisutnost artefakta (0-15Hz), bijelog šuma, te smetnje na 50Hz i
višim harmonicima.
Za uklanjanje šuma wavelet tehnikom koristili smo slijedeće: NF artefakt je

uklonjen postavljanjem na nulu aproksimacijskih koeficijenata 5-og nivoa. Bijeli šum
uklonjen je primjenom sqtwolog tvrdog praga i Daubechies 5 waveleta. Izvršena je
dekompozicija na 5-mom nivou. Rezultat filtriranja prikazan je slikom 6.45a), na
kojoj su intervali aktivnosti mišića jasno odijeljeni od intervala mirovanja. Na slici
6.45b) prikazan je spektar filtriranog signala: artefakt je u najvećoj mjeri uklonjen,
dok su visokofrekventne komponente prigušene. Također, uklonjene su komponente
na 50Hz i višim harmonicima.
Slike 6.46a) i 6.47a) prikazuju rezultate filtriranja butterworth-ovim i

chebysev-im filtrom 3-og reda, pojasnog propusta 15-200Hz. Na slikama 6.46b) i
6.46b) dani su spektri filtriranih signala. Usporedbom filtriranih signala (sl.6.45a),
sl.6.46a) i sl.6.47a)) vidimo da su wavelet metodom postignuti najbolji rezultati u
diferenciranju aktivnog intervala mišića od intervala u kojem mišić miruje.
82
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)
Sl.6.44a): Neprocesirani signal Sl.6.44b): Spektar neprocesiranog signala

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)
Sl.6.45a): Signal filtriran waveletom Sl.6.45b): Spektar signala filtriranog

waveletom
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)
Sl.6.46a): Signal filtriran butterworth-ovim Sl.6.46b): Spektar signala filtriranog

filtrom butterworth-ovim filtrom
83
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)
Sl.6.47a): Signal filtriran Chebysev-im Sl.6.47b): Spektar signala filtriranog

filtrom Chebysev-im filtrom
6.4. ODREĐIVANJE INTERVALA AKTIVNOSTI MIŠIĆA:

VREMENSKI TRENUCI AKTIVACIJE I DEAKTIVACIJE
MIŠIĆA
Klinički relevantan prikaz elektromiograma osobe tijekom hoda mora
uključivati kako srednju amplitudu signala, tako i trajanje intervala aktivnosti signala.
Naime, mjerenje intervala mišićne aktivnosti od velikog je značaja u mnogobrojnim
kliničkim primjenama, primjerice ortopediji [45],[46] i liječenju djece s celebralnom
paralizom [47]-[52]. Sutherland i ostali [53],[54] razmatrali su značaj utvrđivanja
intervala mišićne aktivnosti pri analizi modifikacija normalnog hoda tijekom
djetinjstva.
Uvidom u navedenu literaturu ([45]-[54]) da se zaključiti da je proučavanje

vremenskih trenutaka aktivacije (Ton) i deaktivacije (Toff) mišića nedvojbeno korisno
u kliničkom pristupu poremećajima hoda.
Više se istraživača bavilo ovom problematikom, [55],[56],[57]: J. Perry i ostali

[55] razvili su nekoliko algoritama za određivanje emg uzorka tijekom hoda. Bonato,
D’Allesio i Knaflitz [56] razvili su statističku metodu za mjerenje intervala mišićne
aktivnosti koja se temelji na detektoru aktivnosti pomoću dvostrukog praga.
U ovom radu predložit ćemo metodu za određivanje intervala mišićne

aktivnosti koju ćemo temeljiti na maksimalnoj voljnoj kontrakciji mišića. Izvršit ćemo
niz od 10 uzastopnih mjerenja i provesti analizu na skupu dobivenih signala. Detekciji
aktivnih intervala prethodit će filtriranje wavelet tehnikom i klasičnim filtrima.
Mjerenje aktivnosti mišića pri hodu izvršeno je EMG sustavom realiziranim u

LaBACS-u i opisanim u trećem poglavlju. Snimana je aktivnost mišića tibialis
anteriora, dok se ispitanik kretao normalnim hodom prosječne brzine od
0.769koraka/s. Dakle, trajanje jednog koraka u prosjeku iznosi 1.3s. Korištene su
kružne površinske elektrode, tip P00S-blue sensor, proizvođača Medicotest. Elektrode
su međusobno razmaknute 3cm. Frekvencija uzorkovanja iznosi 1000Hz.
84
Prije snimanja elektromiograma tijekom hoda provedeno je mjerenje

maksimalne voljne kontrakcije mišića. Maksimalna voljna kontrakcija mišića (MVC –
Maximum voluntary contraction) predstavlja maksimalnu snagu koju mišić može
razviti. Maksimalna snaga mišića predočava se maksimalnom silom ili momentom
oko zgloba koje mišić razvija i izražava se u jedinicama N (sila) ili Nm (moment).
Kontrakcija mišića izražena u postocima (%MVC) predstavlja omjer između

sile ili momenta koje generira mišić i vrijednosti MVC-a:
%MVC = 100 * {sila ili moment} / MVC 6.5
Ukoliko pođemo od pretpostavke da je snaga koju generira aktivan mišić

proporcionalna amplitudi emg signala snimljenog na tom mišiću, vrijednosti MVC i
%MVC možemo odrediti na temelju snimljenih elektromiograma. Pritom je MVC
izražen u µV i određuje se na način da se kroz određeni vremenski interval izmjeri
elektromiogram na maksimalno opterećenom mišiću. Srednja vrijednost tako
izmjerenog i ispravljenog emg-a predstavlja MVC.
Maksimalna voljna kontrakcija na temelju elektromiograma određuje se u

svrhu normalizacije emg signala, [58],[2]. Naime, elektromiogrami izmjereni na
različitim ispitanicima različitog su intenziteta, te se ne mogu međusobno
uspoređivati i statistički obrađivati. Stoga, da bi se omogućila međusobna usporedba,
potrebno ih je normalizirati.
Elektromiogrami se normaliziraju na način da se amplituda signala u svakom

vremenskom trenutku podijeli s vrijednošću MVC i izrazi u postocima. Na taj način
amplituda elektromiograma izražava se kao postotak od vrijednosti amplitude
elektromiograma pri maksimalnom naprezanju mišića.
Na slici 6.48. prikazan je emg snimljen na maksimalno opterećenom tibialis

anterioru, pri čemu se jasno uočava interval u kojem je mišić aktivan (Ton=3s,
Toff=7.2s). Srednja vrijednost ispravljenog signala tijekom aktivnog intervala (Ton-
Toff) je MVC i iznosi 459µV. Ova vrijednost poslužit će za normalizaciju
elektromiograma snimljenih tijekom hoda.
1500
1000
500
0
emg (uV)
-500
-1000
-1500
-2000
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
t (ms)
Sl.6.48: Emg maksimalno opterećenog tibialis anteriora;

određivanje MVC-a
Postupak određivanja intervala mišićne aktivnosti prikazan slikom 6.49. bit će

slijedeći: Iz svakog od 10 uzastopno izvršenih mjerenja ekstrahiran je emg za jedan
učinjeni korak. Svaki pojedini signal filtriran je wavelet i butterwort-ovim filtrom i
ispravljen. Na ispravljenom signalu određena je linearna ovojnica tj. anvelopa
85
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
Sl.6.49: Postupak određivanja intervala mišićne aktivnosti
Budući da želimo dobiti uzorak srednje aktivnosti mišića za jednu osobu

tijekom jednog koraka, linearna ovojnica na kojoj ćemo definirati vremena aktivacije i
deaktivacije mišića određena je kao srednja vrijednost ovojnica svih snimljenih
signala.
70
Slika 6.50. prikazuje srednju ovojnicu

60
neobrađenih signala. Na slikama 6.51a) i
50
6.51b) prikazane su srednje vrijednosti
ovojnica dobivene na temelju signala
emg (%MVC)
40
filtriranih waveletom i butterworth-ovim

30
filtrom. Korišten je wavelet daubechies 5
20
na 5-mom nivou uz tvrdi, sqtwolog prag.
10 Butterworth-ov filtar je trećeg reda,
pojasnog propusta 15-200 Hz.
0
0 10 20 30 40 50 60
% ciklusa koraka
70 80 90 100
Signali su dani u funkciji trajanja koraka, a
amplitude su predočene kao %MVC.
Sl.6.50: Srednja anvelopa neobrađenih
signala
Usporedbom slika 6.51a) i b) vidimo da je nivo signala u neaktivnom intervalu (≈15-
60% koraka) veći kod 6.51b), što je posljedica lošijeg uklanjanja šuma pomoću
butterworth-ovog filtra u odnosu na wavelete.
86
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
Sl.6.51a): Srednja anvelopa signala Sl.6.51b): Srednja anvelopa signala

filtriranih waveletom filtriranih Butter. filtrom
Predloženi postupak sastoji se iz slijedećeg: Označimo anvelope signala sa

slika 6.51a) i 6.51b) kao diskretan niz emg(n), (n=1 do N), N-broj uzoraka signala. Na
anvelope se primjenjuje metoda praga na način da se po određenom kriteriju definira
vrijednost praga, p. Zatim se za ∀n (tj. svaki pojedini uzorak ovojnice signala)
promatra da li vrijedi emg(n)>p. Ukoliko je uzorak signala veći od praga, smatrat
ćemo da spada u interval aktivnosti mišića. Analogno, ako je emg(n)<p, uzorak će
pripadati intervalu mirovanja mišića tj. smatrat će se posljedicom šuma koji nije do
kraja uklonjen.
Vrijednost praga definirat ćemo kao 5% od vrijednosti MVC jer se smatra da

amplituda signala manja od 5%MVC nije od funkcionalnog značaja [59] i može se
pripisati šumu, a ne aktivnosti mišića. U ovom primjeru vrijednost praga će biti:
p=5% od 459µV =22.95µV. Primjenom praga dobivaju se intervali aktivnosti mišića
omeđeni vremenskim trenucima aktivacije (Ton) i deaktivacije (Toff), koje čine uzorci
veći od praga p. Aktivni intervali međusobno su odijeljeni intervalima mirovanja
mišića koje čine uzorci manji od praga p.
K tomu, iz literature je poznato da intervali aktivnosti koji traju manje od 5%

ciklusa jednog koraka također nemaju funkcionalnog značaja [55], te se neće smatrati
aktivnim intervalom.
Ucrtamo li na slikama 6.51a) i 6.51b) isprekidanom linijom prag p kao 5%-tnu

vrijednost od MVC, dobit će se slike 6.52. i 6.54.
Na slici 6.52. možemo uočiti tri intervala aktivnosti mišića:

• I1=[ 0,0% - 17%]
• I2=[49,5% - 54%]
• I3=[58,5% - 100%]
Srednji interval, I2 trajanja je 54%-49,5% = 4,5%, što je manje od 5% trajanja

koraka, te se po prethodno izenesenom neće smatrati da je mišić u tom periodu
aktivan.
87
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
Sl.6.52: Primjena praga na srednju anvelopu signala filtriranih waveletom
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
Sl.6.53: Aktivnost mišića tibialis anteriora tijekom jednog koraka;

primjenjena je wavelet tehnika filtriranja
Prikažimo slikom 6.53. samo aktivne intervale, I1 i I3. Na temelju usporedbe

ovako dobivene mišićne aktivnosti s intervalima aktivnosti iz literature [16],[60],
može se vidjeti da se intervali dobiveni primjenom wavelet tehnike dobro poklapaju s
vrijednostima iz literature, što navodi na zaključak da izložena metoda u kombinaciji
88
s wavelet filtriranjem daje valjane rezultate i može se koristiti kod utvrđivanja

aktivnosti mišića.
Za razliku od uklanjanja šuma pomoću wavelet metode, na slici 6.54. vidljivo
je da filtriranje pomoću butterworth-ovog filtra ne daje zadovoljavajuće rezultate jer
su uslijed nedostatnog uklanjanja šuma svi uzorci signala veći od vrijednosti praga.
Time ispada da je mišić aktivan tijekom čitavog koraka, što ni u kom slučaju ne
odgovara istini.
70
65
60
55
50
45
emg (%MVC)
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
Sl.6.54: Primjena praga na anvelopu

signala filtriranih butt. filtrom
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.
Generirana su dva sintetička signala: “blokovi” i “bumps”, koji imaju neke od

karakteristika elektromiograma, prvenstveno diskontinuiranost i nestacionarnost.
Također, generirali smo sintetički emg signal kojemu smo dodali niskofrekventni i
bijeli šum. Na ovakvim signalima, poznatih karakteristika, testitrali smo primjenu
klasičnih filtara kao i filtriranje pomoću wavelet transformacije. Kao kvantitativne
mjere kvalitete primjenjenih filtara računali smo omjer signal/šum i srednju kvadratnu
pogrešku filtriranih signala. Na temelju rezultata zaključujemo da su waveleti
podesniji za uklanjanje šuma iz emg signala od klasičnih filtara.
Jednake filtre primjenili smo na stvarno izmjereni elektromiogram. Vizualni

uvid u filtrirane signale, kao i njihove spektre, također ukazuje na prednosti filtriranja
pomoću waveleta o odnosu na klasične filtre.
Nadalje, predložili smo metodu za određivanje aktivnih intervala mišića koja

daje dobre rezultate ako se koristi u kombinaciji s uklanjanjem šuma iz signala
pomoću waveleta. Metodu smo testirali na emg signalima mišića tibialis anteriora
snimljenih tijekom hoda.
89
Inverzna dinamika
7. INVERZNA DINAMIKA PRIMIJENJENA NA LJUDSKI

HOD: USPOREDBA MIŠIĆNE AKTIVNOSTI I
MOMENATA U ZGLOBOVIMA
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.
7.2. DIREKTNI I INVERZNI DINAMIČKI PRISTUP

Ljudsko kretanje temelji se na fizikalnim zakonitostima, formuliranim kroz Newton-
ove zakone. Prilikom proučavanja dinamike ljudskog hoda može se primijeniti više
različitih pristupa [61]:
• Newton-Euler-ova metoda (Cappozzo, Leo i Pedotti, 1975; Hardt i Mann, 1980;
Vaughan, Davis i O’Connor, 1992)
• Lagrange-ova metoda
• Kane-ova tehnika (Zajac i Winter, 1990; Kuo, 1995.)
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).
Kod mnogih artificijelnih sustava poput robota, zadatak direktnog dinamičkog

pristupa jest na temelju poznatih pokretačkih sila i rješavanja jednadžbi gibanja dobiti
rezultirajuće kinematičke podatke.
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)
Sl.7.1: Dijagram direktnog dinamičkog pristupa
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.
mišićne sile kinematika

(putanje, brzine, akceleracije)
jednadžbe
sile i momenti gibanja
u zglobovima sile reakcije podloge
antropometrija (inercijski
parametri segmenata tijela)
Sl.7.2: Dijagram inverznog dinamičkog pristupa
Kod inverznog pristupa, na temelju izmjerenih kinematičkih podataka, u

kombinaciji s inercijskim parametrima segmenata tijela i izmjerenim silama reakcije
podloge, računaju se rezultirajući momenti i sile u svakom zglobu modela ljudskog tijela,
[66]. Dobiveni podaci često se nadalje procesiraju da bi se procijenile sile pojedinih
mišića i sile reakcije u zglobovima. Međutim, procjena mišićnih sila na temelju sila i
91
Inverzna dinamika
momenata koji djeluju u zglobovima predstavlja jedan od najtežih problema u analizi

ljudskog kretanja: naime, na svaki zglob pričvršćen je veliki broj mišića i, budući da se
tijekom svakog pokreta istovremeno aktivira najčešće više njih, vrlo je teško odrediti silu
koju generira pojedini mišić. Metode za rješavanje ovog problema temelje se na
grupiranju mišića po funkciji, [67]-[69] ili na primjeni optimizacijskih kriterija pomoću
kojih se određuje distribucija mišićnih sila, [70],[71]. Međutim, nijedna od ove dvije
metode nije se pokazala kao potpuno zadovoljavajuća: prvi pristup vodi ka prevelikom
pojednostavljenju, dok kod drugog pristupa nedostaju tehnike za pouzdanu procjenu
kvalitete primijenjenog modela.
Kvaliteta dinamičkog pristupa i odabranog modela inače često se procjenjuje

usporedbom mišićne aktivnosti dobivene dinamičkom analizom s mišićnom aktivnosti
dobivenom EMG mjerenjima.
7.3. OPIS EKSPERIMENTA

Eksperiment, proveden u “Laboratoriju za Biomedicinsku Tehniku i Robotiku”,
na Fakultetu Elektrotehnike u Ljubljani, Slovenija, uključivao je mjerenje kinematičkih
parametara hoda, mjerenje sile reakcije podloge i emg mjerenje četiri glavna mišića noge
koja sudjeluju u hodu.
Kinematički podaci prikupljeni su Optotrak-om (Northern Digital Inc),

infracrvenim 3D sustavom za analizu pokreta. 2D snimanje provedeno je u sagitalnoj
ravnini. Šest aktivnih markera pozicionirano je na desnu stranu tijela: rame, kuk, koljeno,
gležanj, petu i peti metatarzal.
Sile reakcije podloge izmjerene su AMTI OR6-5-1 platformom sila.
Emg mjerenje izvršeno je 4-kanalnim Emg sustavom. Korištene su pasivne, kružne
površinske elektrode, proizvođača In Vivo Metric. Promjer elektroda iznosio je 0.6cm, a
međusobni razmak 3cm. Kao referentna elektroda korištena je površinska Axelgard
elektroda, koja se inače koristi za funkcionalnu električnu stimulaciju. Emg signali
propušteni su kroz dvostupanjsko kaskadno biopojačalo čije pojačanje iznosi
A=100*20=2000.
Digitalizaciju svih izmjerenih signala obavlja analogno-digitalna jedinica Optotrak-a,
ODAU, čime se postiže sinkronizacija podataka. Frekvencija uzorkovanja kinematičkih
podataka iznosila je 50Hz, dok je fuz emg signala i podataka sa platforme sile iznosila
1000Hz.
Obrada dobivenih podataka i dinamička analiza provedeni su u programskom paketu
Matlab, The MathWorks Inc.
Mjerenje je provedeno na zdravoj muškoj osobi koja je hodala normalnim hodom i
ponovljeno je deset puta, Sl.7.3. Brzina hoda iznosila je 0.76 koraka/s.
92
Inverzna dinamika
Sl.7.3: Mjerenje provedeno

“Laboratoriju za Biomedicinsku Tehniku i Robotiku”, Ljubljana
Antropometrijski podaci osobe na kojoj su provedena mjerenja dani su u tablici 7.1.

Podaci za računanje masa i duljina segmenata te za računanje centra mase preuzeti su iz
literature, [24].
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)
Tablica 7.1: Antropometrijski podaci osobe na kojoj su izvršena mjerenja
93
Inverzna dinamika
7.4. MODEL LJUDSKOG TIJELA KOD INVERZNOG

DINAMIČKOG PRISTUPA
Ljudsko tijelo promatrali smo kao 7-segmentni kruti mehanizam. Pretpostavka
krutosti nužna je kod primjene dinamičke analize, iako predstavlja idealizaciju stvarnog
sustava: na primjer, razmotrimo deformaciju stopala tijekom odgurivanja prstiju od
podloge. Kod 7-segmentnog modela glava, vrat, ruke i torzo sjedinjeni su u jedan
segment, hat. Ostalih 6 segmenata su bedra, potkoljenice i stopala, sl. 7.4. Veze među
segmentima su zglobovi (kuk, koljeno i gležanj).
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.
7.5. OBRADA KINEMATIČKIH PODATAKA

Jedan korak definiran je kao interval između dva uzastopna udarca petom. S
obzirom na kontakt stopala s podlogom, korak je podijeljen u dvije faze: potporna faza
pri kojoj kontakt postoji i zamašna faza, bez kontakta. Slika 7.5. prikazuje linijski
dijagram ispitanikove desne noge, za vrijeme trajanja jednog koraka. Podaci su uzeti iz
jednog od obavljenih mjerenja.
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)
Sl.7.5: Linijski dijagram jednog koraka
7.5.1. Translacijska kinematika
Za potrebe dinamičke analize, potrebno je izračunati akceleracije centara mase

stopala, potkoljenice i natkoljenice za vrijeme trajanja jednog koraka.
Budući da nismo postavili markere na centre masa segmenata, njihove putanje

proračunate su na temelju očitanih pozicija markera na zglobovima (kuku, koljenu,
gležnju), pozicija markera na peti i petom metatarzalu i antropometrijskih podataka za
udaljenost centra mase od proksimalnog zgloba iz tablice 7.1.
Tako je za svaki vremenski uzorak koraka pozicija centra mase natkoljenice

izračunata kao točka koja leži na pravcu koji spaja pozicije markera kuka i koljena, i to
na udaljenosti od 0.427*lnatkoljenice, promatrano od proksimalnog zgloba (kuka). Centar
mase potkoljenice izračunat je kao točka koja leži na pravcu definiranom pozicijama
markera na koljenu i gležnju i to na udaljenosti od 0.404*lpotkoljenice od koljena.
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
Krivulje putanja numerički su derivirane da bi se dobila brzina centara mase.

Derivacijom brzina dobivene su putanje akceleracija.
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)
Sl.7.7.a): Kinematički podaci za stopalo u horizontalnom (x) smjeru
96
Inverzna dinamika
0.4
z-cm (m) 0.2 putanja centra mase stopala

0
u vertikalnom smjeru (zcm)
0 0.2 0.4 0.6 0.8 1 1.2 1.4
2
vz-cm (m/s)
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)
Sl.7.7.b): Kinematički podaci za stopalo u vertikalnom (z) smjeru

1
putanja centra mase potko-
x-cm (m)
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)
Sl.7.8.a): Kinematički podaci za potkoljenicu u horizontalnom (x) smjeru

0.5
z-cm (m)
0.4 putanja centra mase potko-

0.3
ljenice u vertikalnom smjeru
0.5
0 0.2 0.4 0.6 0.8 1 1.2 1.4
(zcm)
vz-cm (m/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)
Sl.7.8.b): Kinematički podaci za potkoljenicu u vertikalnom (z) smjeru
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)
Sl.7.9.a): Kinematički podaci za natkoljenicu u horizontalnom (x) smjeru

0.8
putanja centra mase
z-cm (m)
0.75 natkoljenice u vertikalnom

0.7
smjeru (zcm)
0 0.2 0.4 0.6 0.8 1 1.2 1.4
0.5
vz-cm (m/s)
0 brzina u vertikalnom smjeru

-0.5
(vzcm)
0 0.2 0.4 0.6 0.8 1 1.2 1.4
10
az-cm (m/s2)
0
akceleracija u vertikalnom
-5
smjeru (azcm)
0 0.2 0.4 0.6 0.8 1 1.2 1.4
t (s)
Sl.7.9.b): Kinematički podaci za natkoljenicu u vertikalnom (z) smjeru
98
Inverzna dinamika
7.5.2 Rotacijska kinematika
Uz linearne akceleracije centara mase potrebno je izračunati kutne akceleracije

kuka, koljena i gležnja. U tu svrhu treba definirati kuteve zglobova, izračunati kuteve
tijekom jednog perioda koraka, te numeričkom derivacijom dobiti kutne brzine i
akceleracije.
Definiranje kuteva kuka, koljena i gležnja
Kuteve zglobova, prikazane slikom 7.10. definirat ćemo na temelju [75].
Θtr – kut trupa

Θtr Θnk – kut natkoljenice
Θpk – kut potkoljenice
Θst – kut stopala
kut kuka: Θkuk = Θnk - Θtr

Θnk + za fleksiju
- za ekstenziju
kut koljena: Θko = Θnk - Θpk

Θpk + za fleksiju
- za ekstenziju
Θst
kut gležnja: Θgl = Θst - Θpk - 90°
Sl.7.10: Kutevi zglobova + za dorsalnu fleksiju
- za plantarnu fleksiju
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
thgl (rad) 0 kut gležnja, Θgl

-0.5
0 10 20 30 40 50 60 70 80 90 100
5
vthgl(rad/s)
0 kutna brzina gležnja
-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 (%)
Sl.7.11: Rotacijske kinematičke veličine za gležanj

1
thko (rad)
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 kutna akceleracija koljena

0
-50
0 10 20 30 40 50 60 70 80 90 100
ciklus koraka (%)
Sl.7.12: Rotacijske kinematičke veličine za koljeno

1
thkuk (rad)
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 kutna akceleracija kuka

0
-20
0 10 20 30 40 50 60 70 80 90 100
ciklus koraka (%)
Sl.7.13: Rotacijske kinematičke veličine za kuk
100
Inverzna dinamika
7.6. OBRADA KINETIČIH PODATAKA

Snimljeni grafovi komponenti sile i momenta reakcije podloge prikazani su na
slici 7.14. Krivulje su prikazane u funkciji ciklusa koraka. Do kontakta s podlogom, pri
čemu se javljaju sile reakcije podloge, dolazi tijekom potporne faze koja traje 60%
koraka.
komponente sile reakcije komponente momenta reakcije

200 20
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 (%)
Sl.7.14: Komponente sile i momenta reakcije tijekom potporne faze
Na temelju snimljenih sila i momenata izračunat ćemo točku djelovanja sile

reakcije na stopalo u sagitalnoj ravnini tj. centar pritiska (CP). Na slici 7.15. prikazana je
platforma sila na koju stopalo, u trenutku odgurivanja od podloge, u točki CP djeluje
silama u negativnim smjerovima x i z osi. K tomu, podloga u ishodištu platforme generira
moment My koji uravnotežuje momente što ga stvaraju sile stopala. Na temelju relacije:
My - Fz * xCP + Fx * z0 = 0 7.1
izračunat ćemo x koordinatu centra pritiska:
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
Uvrstimo li u relaciju 7.2. izmjerene vrijednosti za My, Fx i Fz, za centar pritiska u

sagitalnoj ravnini dobit ćemo graf prikazan slikom 7.16.
-0.25
-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 (%)
Sl.7.16: x-koordinata centra pritiska
Ukoliko se na jedan graf objedine informacije o centru pritiska, te horizontalne i

vertikalne komponente sile reakcije, dobit ćemo vektorski tj. Pedotti-jev dijagram, [77],
prikazan na slici 7.17. Ovaj dijagram čine vektori dobiveni zbrojem Fx i Fz komponenti
sile reakcije. Ishodišta vektora su x-koordinate centra pritiska prikazane slikom 7.16.
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)
Sl.7.17: Pedotti-jev dijagram
7.7. RAČUNANJE SILA I MOMENATA U ZGLOBOVIMA

Na temelju podataka izloženih u prethodnom dijelu poglavlja, kinematičkih
parametara hoda, sila i momenata podloge, izračunat će se sile i momenti u zglobovima
desne noge tijekom jednog koraka.
Problemu pristupamo na način da prvo postavimo jednadžbe gibanja, izvedene na temelju
Newton-Eulerove jednadžbe, za svaki pojedini segment noge. Jednadžbe gibanja
postavljaju se za dijagram slobodnog tijela (DST) svakog promatranog segmenta, počevši
od najdistalnijeg segmenta (stopala) i nastavljajući do najproksimalnijeg (natkoljenice),
[16]. Kod dijagrama slobodnog tijela svaki segment promatramo zasebno, oslobođen od
susjednih veza, pri čemu susjedne segmente zamjenjujemo silama i momentima kojima
djeluju na promatrani segment, kao što je prikazano na slici 7.18.
Sl.7.18: Dijagram slobodnog tijela za promatrani segment
Na temelju Newton-ovog zakona, postavimo jednadžbu translacijskog gibanja za segment

prikazan slikom 7.18:
103
Inverzna dinamika
miai = mig + Fi + Fi+1 7.3
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].
Eulerova jednadžba predstavlja primjenu drugog Newton-ovog zakona na kružno

gibanje: suma vanjskih momenata koji djeluju na segment oko njegovog centra mase
jednak je vremenskoj promjeni količine kružnog gibanja. Ako segment na slici 7.18.
rotira oko i-tog zgloba kutnom brzinom wi, Eulerova jednadžba bit će oblika:
d/dt ( Ii wi ) = Mi + Mi+1 + ri × Fi + ri+1 × Fi+1 7.4
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:
d/dt ( Ii wi) = Ii * d/dt (wi) = Ii * αi 7.5
gdje je αi kutno ubrzanje i-tog segmenta.
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
7.7.1 PRORAČUN SILA U ZGLOBOVIMA
Proračun sile u gležnju
Na temelju slike 7.19, na kojoj je prikazan dijagram slobodnog tijela za stopalo,

jednadžbe translacijskog gibanja biti će:
mstast-x = Fx + Fgl-x 7.6

mstast-z = Fz + Fgl-z - mstg 7.7
tj:
Fgl-x = mstast-x - Fx 7.8
Fgl-z = mst(ast-z + g) - Fz 7.9
pri čemu su Fx i Fz komponente sile

reakcije, mst masa stopala iz tablice 7.1,
ast-x i ast-z ubrzanje centra mase stopala u
horizontalnom i vertikalnom smjeru,
Sl.7.19: Dijagram slobodnog tijela za sl.7.7a) i 7.7b).
stopalo
Grafovi izračunatih sila u gležnju prikazani su slikama 7.20a) i 7.20b).

100 100
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
Sl.7.20.a): Horizontalna komponenta Sl.7.20.b): Vertikalna komponenta

sile u gležnju sile u gležnju
105
Inverzna dinamika
Proračun sile u koljenu
S izračunatom silom u gležnju možemo postaviti jednadžbe gibanja za potkoljenicu na

temelju kojih ćemo izračunati silu u koljenu. Na slici 7.21. prikazan je dijagram
slobodnog tijela za potkoljenicu. Jednadžbe translacijskog gibanja biti će:
Fko-z
z Fko
x koljeno Fko-x mpkapk-x = Fko-x - Fgl-x 7.10
mpkapk-z m a
pk pk-z = Fko-z - mpk g - Fgl-z 7.11
tj:
CM Fko-x = mpkapk-x + Fgl-x 7.12
mpkapk-x Fko-z = mpk(apk-z + g) + Fgl-z 7.13
mpkg
Fgl-x pri čemu je mpk masa potkoljenice iz
gležanj
tablice 7.1, apk-x i apk-z ubrzanje centra
mase potkoljenice u horizontalnom i
Fgl Fgl-z
vertikalnom smjeru, sl.7.8a) i 7.8b).
Sl.7.21: Dijagram slobodnog tijela za
potkoljenicu
Grafovi izračunatih sila u koljenu prikazani su slikama 7.22a) i 7.22b).

80 100
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
Sl.7.22.a): Horizontalna komponenta Sl.7.22.b): Vertikalna komponenta

sile u koljenu sile u koljenu
106
Inverzna dinamika
Proračun sile u kuku
Nastavljamo s proračunom za susjedni segment, natkoljenicu, prikazanu na slici 7.23. Na

temelju dobivene sile u koljenu računamo silu u kuku.
Fkuk-z mnkank-x = Fkuk-x – Fko-x 7.14

z Fkuk
mnkank-z = Fkuk-z - mnkg – Fko-z 7.15
x Fkuk-x tj:
kuk Fkuk-x = mnkank-x + Fko-x 7.16
mnkank-z
Fkuk-z = mnk(ank-z + g) + Fko-z 7.17
CM
mnkank-x pri čemu je mnk masa natkoljenice iz
mnkg tablice 7.1, ank-x i ank-z ubrzanje centra
mase natkoljenice u horizontalnom i
Fko-x koljeno
vertikalnom smjeru, sl.7.9a) i 7.9b).
Fko Fko-z
Sl.7.23: Dijagram slobodnog tijela za
natkoljenicu
Grafovi izračunatih sila u kuku prikazani su slikama 7.24a) i 7.25b).

80 200
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
Sl.7.24a): Horizontalna komponenta Sl.7.25b): Vertikalna komponenta

sile u kuku sile u kuku
107
Inverzna dinamika
7.7.2. PRORAČUN MOMENATA U ZGLOBOVIMA
Nakon što smo izračunali sile u zglobovima, imamo sve veličine potrebne za proračun
momenata.
Proračun momenta u gležnju
Očitavanjem pozicija markera na gležnju, peti i petom metatarzalu dobivene su x i z

koordinate označenih točaka stopala, koordinate centra mase stopala izračunate su na
način opisan u 7.5.1, dok je horizontalna koordinata centra pritiska izračunata na način
opisan u 7.6. Označimo točke na način:
• peta: PE (xpe, zpe)

• peti metatarzal: PM (xpm, zpm)
• gležanj: GL (xgl, zgl)
• centar mase stopala: CM (xst, zst)
• centar pritiska: CP (xcp, zcp)
Za pozitivan smjer momenta odabrat ćemo smjer kazaljke na satu. Djelovanje momenata
na centar mase stopala prikazano je na slici 7.26.
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
Sl.7.26: Računanje momenta u gležnju
Eulerova jednadžba za stopalo biti će oblika:
Istαgl = Mgl + r Fx* Fx ± r Fz* Fz + r Fgl-x* Fgl-x ± r Fgl-z* Fgl-z 7.18

tj.
Mgl = Istαgl - r Fx* Fx -/+ r Fz* Fz - r Fgl-x* Fgl-x -/+ r Fgl-z* Fgl-z 7.19
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
r Fx =  zst - zcp 7.20

r Fz =  xst - xcp 7.21
r Fgl-x =  zgl - zcp 7.22
r Fgl-z =  xgl – xst 7.23
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 (%)
Sl.7.27: Flex-ext moment u gležnju
109
Inverzna dinamika
Proračun momenta u koljenu
Označimo poziciju markera na koljenu i izračunati centar mase potkoljenice na način:

• koljeno: KO (xko, zko)
• centar mase potkoljenice: CM (xpk, zpk)
Djelovanje momenata na centar mase potkoljenice prikazano je na slici 7.28.
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
Sl.7.28: Računanje momenta u koljenu
Eulerova jednadžba za potkoljenicu biti će oblika:
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.
Na slici 7.29. prikazan je graf izračunatog i normaliziranog momenta.
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 (%)
Sl.7.29: Flex-ext moment u koljenu
Proračun momenta u kuku
Djelovanje momenata na centar mase natkoljenice prikazano je na slici 7.30.
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
Sl.7.30: Računanje momenta u kuku
Pozicija markera na kuku i izračunati centar mase natkoljenice označeni su na način:

• kuk: KUK (xkuk, zkuk)
• centar mase natkoljenice: CM (xnk, znk)
Izrazom 7.30. dana je Eulerova jednadžba za natkoljenicu:
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 (%)
Sl.7.31: Flex-ext moment u kuku
112
Inverzna dinamika
7.8. USPOREDBA MIŠIĆNE AKTIVNOSTI I MOMENATA U

ZGLOBOVIMA
Na temelju usporedbe grafova momenata u zglobovima i snimljenih
elektromiograma zaključit ćemo kako pojedini mišić učestvuje u stvaranju pokreta
tijekom hoda. U sagitalnoj ravnini, koju smo u ovom eksperimentu promatrali,
usmjerenja kretnji segmenata su fleksija (pregibanje) i ekstenzija (ispružanje)
natkoljenice i potkoljenice tj. dorzalna fleksija i plantarna fleksija stopala, sl.7.32.
Budući da smo u u prethodnim

fleksija kuka razmatranjima za pozitivan smjer
momenta pretpostavili smjer
ekstenzija kuka kazaljke na satu, bit će:
• Mgl > 0, plantarna fleksija

ekstenzija koljena gležnja
Mgl < 0, dorzalna fleksija
fleksija koljena gležnja
dorzalna • Mko > 0, fleksija koljena

fleksija stopala Mko < 0, ekstenzija koljena
plantarna • Mkuk > 0, ekstenzija kuka

fleksija stopala Mkuk < 0, fleksija kuka
Sl.7.32: Usmjerenje kretnji segmenata noge

u sagitalnoj ravnini
Mišići koji generiraju fleksiju zgloba nazivaju se fleksori, a ekstenziju zgloba

ekstenzori. U svakom pokretu bilo kojeg segmenta noge sudjeluje veći broj mišića,
fleksora i ekstenzora, tj. njihovom koordiniranom aktivnošću generira se kretnja. Pritom
dominantna mišićna skupina definira usmjerenje kretnje tj. pregibanje ili ispružanje.
Predznak zglobnog momenta ukazuje na dominantnu mišićnu skupinu koja generira
moment.
U tablici 7.2 dane su skupine mišića koji sudjeluju u pokretanju zglobova noge, u
sagitalnoj ravnini, [78].
113
Inverzna dinamika
GLEŽANJ KOLJENO KUK

dorzalna plantarna fleksija ekstenzija fleksija ekstenzija
fleksija fleksija
- tibialis - gastrocnemius - harmstrings - quadriceps - rectus - gluteus
anterior (semitendinosus, femoris femoris maximus
- soleus semimembranos., (rectus
- extensor biceps femoris) femoris, - sartorius - harmstrings
digitorum -tibialis vastus (semitendinosus,
longus posterior - sartorius intermedius, - iliopsoas semimembranos.
vastus biceps femoris)
- extensor - peronei - gastrocnemius medialis,
hallucis (peroneus vastus
longus longus, lateralis)
peroneus
brevis)
Tablica 7.2: Mišići koji sudjeluju u pokretanju segmenata noge
Zbog ograničenog broja kanala EMG sustava, u provedenom eksperimentu mjerenje

smo proveli na 4 mišića. Iz svake skupine mišića odabrali smo mišić s dominantnim
djelovanjem u odnosu na ostale mišiće skupine:
• tibialis anterior, prednji m. potkoljenice (dorzalni fleksor stopala), sl. 7.33d)

• gastrocnemius, stražnji m. potkoljenice (plantarni fleksor stopala i fleksor
potkoljenice), sl.7.33b)
• rectus femoris, prednji m. natkoljenice, dominantni mišić skupine quadriceps femoris
(ekstenzor potkoljenice i fleksor natkoljenice), sl.7.34d)
• biceps femoris, stražnji m. natkoljenice, dominantni mišić skupine hamstrings
(ekstenzor natkoljenice), sl.7.34b)
Mjerenje je ponovljeno 10 puta. Iz svakog mjerenja ekstrahirani su emg signali u

trajanju od jednog punog koraka. Signalima je šum uklonjen wavelet metodom opisanom
u poglavlju 6.3. Primjenim filtra s pomičnim prosjekom (širina prozora, N=101 uzorak)
dobivena je ovojnica signala, te srednja ovojnica signala iz svih 10 mjerenja.
Elektromiogrami ostalih mišića iz svake pojedine skupine, navedenih u tablici 7.2.

[16], [75] vrlo su slični elektromiogramima odabranih i snimljenih mišića, tj. njihova
aktivnost se podudara tijekom ciklusa hoda. Stoga je opravdan ovakav odabir mišića za
snimanje, na temelju kojeg možemo uspostaviti korelaciju kinetike hoda i aktivnosti
dominantnih mišića. Radi potpunije analize, u razmatranje smo uvrstili nekolicinu mišića
čije aktivnosti nismo mjerili, već su elektromiogrami preuzeti iz [75]:
• soleus (stražnji mišić potkoljenice, plantarni fleksor stopala), sl.7.33c)

• sartorius (prednji mišić potkoljenice, fleksor koljena i kuka), sl.7.35e)
• gluteus maximus (mišić zdjelice, ekstenzor kuka)., sl.7.35c)
114
Inverzna dinamika
7.8.1. ANALIZA MOMENTA U GLEŽNJU
Na slikama 7.33 a), b), c), d) dani su grafovi momenta u gležnju te

elektromiogrami mišića koji najvećim dijelom stvaraju moment.
Tijekom prvih 18% ciklusa koraka (prva trećina potporne faze) moment gležnja
ima negativan predznak tj. uzrokuje dorzalnu fleksiju stopala. Ovaj moment najvećim
dijelom stvara mišić tibialis anterior, što je i vidljivo iz elektromiograma (sl.7.33d), te u
manjoj mjeri mišići extensor digitorum longus i extensor hallucis longus. Tibialis anterior
je aktivan u prvih 20% koraka, potom aktivnost opada (20%-60% koraka). Nakon
odgurivanja prstima (60% koraka) aktivnost ponovno počinje rasti da bi dostigla
potrebnu vrijednost kojom će generirati dorzalni moment na početku slijedećeg koraka.
Također se može uočiti da se maksimum dorzalnog momenta poklapa s maksimalnom
aktivnošću tibialis anteriora (oko 8% koraka).
Nakon dorzifleksije (0-18% koraka), moment mijenja smjer i do kraja potporne
faze (60% koraka) uzrokuje plantarnu fleksiju stopala. Ovaj moment najvećim dijelom
generiraju gastrocnemius (sl.7.33b) i soleus (sl.7.33c), čije aktivnosti slijedi krivulja
momenta. U zamašnoj fazi aktivnost mišića opada, te i vrijednost momenta poprima nultu
vrijednost.
GASTROCNEMIUS (pl. fleksor gleznja, fleksor koljena)

1.4 120
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
Sl.7.33a): Moment u gležnju Sl.7.33b): Emg gastrocnemiusa

SOLEUS (pl. fleksor gležnja) TIBIALIS ANTERIOR, dorz.fleksor stopala
400 200
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
Sl.7.33c): Emg soleusa Sl.7.33d): Emg tibialis anteriora
115
Inverzna dinamika
7.8.2. ANALIZA MOMENTA U KOLJENU
Na slikama 7.34a), b), c) i d) promotrit ćemo utjecaj biceps femorisa,

gastrocnemiusa i rectus femorisa na moment u koljenu, koji uzrokuju nekoliko
uzastopnih izmjena smjera momenta.
Tijekom početnih 10% koraka i krajnjih (80%-100%) u koljenu djeluje fleksorski
moment kojeg generiraju mišići skupine hamstrings: biceps femoris (sl.7.34b), te
semitendinosus čiji aktivnost je gotovo identična biceps femorisu. Manjim dijelom na
moment utječe sartorius, sl.7.35e).
Moment zatim mijenja smjer (10%-20% koraka) i postaje ekstenzorski, nešto
slabijeg intenziteta (Mmax = -0.2 Nm/kg). Ovaj moment uzrokuju prednja natkoljenična
mišićna skupina, rectus femoris (sl.7.34d), vastus lateralis i vastus medialis, koji u ovoj
fazi hoda ispoljavaju najveću aktivnost.
U periodu koraka 30%-53% pozitivan tj. fleksorski smjer momenta uzrokuje
gastrocnemius, koji je u navedenom periodu maksimalno aktivan.
Nadalje, moment poprima negativan predznak (53%-80%) pod utjecajem rectus
femorisa koji u navedenom intervalu ispoljava aktivnost, premda manjeg intenziteta u
odnosu na intenzitet s početka potporne faze, sl.7.34d).
BICEPS FEMORIS (fleksor koljena, ekstenzor kuka)

0.5 80
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
Sl.7.34a): Moment u koljenu Sl.7.34b): Emg biceps femorisa

GASTROCNEMIUS (pl. fleksor gleznja, fleksor koljena) RECTUS FEMORIS (ekstenzor koljena, fleksor kuka)
120 20
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
Sl.7.34c): Emg gastrocnemiusa Sl.7.34d): Emg rectus femorisa
116
Inverzna dinamika
7.8.3. ANALIZA MOMENTA U KUKU
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 (%)
Sl.7.35a): Moment u kuku

BICEPS FEMORIS (fleksor koljena, ekstenzor kuka) GLUTEUS MAX.(ekstenzor kuka)
80 50
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
Sl.7.35b): Emg biceps femorisa Sl.7.35c): Emg gluteus maximusa

RECTUS FEMORIS (ekstenzor koljena, fleksor kuka) SARTORIUS(fleksor koljena i kuka)
20 55
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
Sl.7.35d): Emg rectus femorisa Sl.7.35e): Emg sartoriusa
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.
U tom trenutku ponovno se aktiviraju ekstenzori kuka, biceps femoris i gluteus

maximus koji generiraju ekstenzijski moment koji traje sve do kraja ciklusa koraka.
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.
Izmjerene su putanje označenih točaka na tijelu na temelju kojih su proračunati

kinematički parametri hoda poput translacijskih i kružnih brzina i akceleracija zglobova
gležnja, koljena i kuka. K tomu, izmjerene su sila i moment reakcije podloge, kao i
elektromiogrami četiri glavna mišića noge koja sudjeluju u hodu.
Na temelju izmjerenih i obrađenih podataka primjenjen je inverzni dinamički

pristup u svrhu proračuna momenata u zglobovima noge, koji su potom uspoređeni s
elektromiogramima mišića koji sudjeluju u hodu, te je provedena analiza korelacije
momenata u zglobovima i mišićne aktivnosti.
118
Zaključak
8. ZAKLJUČAK
Mjerenje, prikupljanje podataka, obrada i primjena emg signala četiri su segmenta

realizirana u ovom radu. Razvijen je, realiziran i testiran uređaj za mjerenje emg signala.
Pri razvijanju uređaja vodilo se računa da se mjerenja vrše neinvazivnom metodom, što je
stvorilo jake zahtjeve na izradu biopojačala u smislu neposrednog uklanjanja šuma.
Realizirano je niskošumno pojačalo s visokim faktorom potiskivanja zajedničkog signala
na ulazu (CMRR=130dB pri 50Hz). Realiziranim sustavom izvršen je niz mjerenja
aktivnosti mišića tijekom hoda.
Snimljeni signali procesiraju se digitalnim tehnikama u svrhu uklanjanja šuma.

Danas se u svijetu biomehanike najčešće koriste klasični filtri poput butterworth-ovog.
Međutim, ja sam se odlučila na filtriranje pomoću wavelet transformacije koja trenutno
predstavlja korak naprijed u obradi bioloških signala. Usporedbom rezultata filtriranja
pomoću waveleta s rezultatima dobivenim primjenom klasičnih digitalnih filtara ukazalo
se na višestruke prednosti wavelet transformacije u odnosu na klasične filtre.
Slijedeći korak u analizi emg signala, realiziran u ovom radu, odnosio se na

određivanje intervala mišićne aktivnosti tijekom neke fizičke kretnje. Predložen je
postupak određivanja aktivnih intervala koji, primjenjen zajedno s wavelet
transformacijom, daje veoma dobre rezultate, provjerene usporedbom s rezultatima
dostupnim iz literature.
Kao primjer primjene izmjerenih i obrađenih elektromiograma, pristupilo se

analizi pokreta pri hodu uz popratno promatranje emg signala. Snimanje kinematičkih
parametara hoda i emg-a vršeno je u “Laboratoriju za biomedicinsku tehniku i robotiku”,
Fakulteta elektrotehnike u Ljubljani. Primjenom inverznog dinamičkog pristupa i
Newton-Euler-ovih jednadžbi, na temelju izmjerenih podataka proračunate su sile i
momenti u zglobovima koji generiraju kretnje. Provedenom analizom tj. usporedbom
dobivenih momenata i snimljenih elektromiograma identificirani su pojedini mišići u
stvaranju pokreta pri hodu.
119
Literatura
LITERATURA:
1. Jelena Krmpotić- Nemanić: “Anatomija čovjeka”, Medicinska naklada- Zagreb,

1993.g.
2. U.S. Department of Health and Human Services, National Institute for Occupational
Safety and Health: “Selected Topics in Electromyography for Use in the
Occupational Setting: Expert Perspectives”, 1992.g.
3. Guyton AC: “Textbook of Medical Physiology”, WB Saunders Co, 1981.g.
4. Ekstedt J, Stalberg E: “Single Fiber Electromyography for the Study of the
microphysiology of the human muscle”, New Developments in Electromyography and
Clinical Neurophysiology, Vol.1, 113-129str., 1973.g.
5. Ruch C. Theodore, Patton D. Harry: “Physiology and Biophysics”, W. B. Saunders
Company, 1965.g.
6. Gerald E. Loeb, Carl Gans: “Electromyography for experimentalists”, The University
of Chicago Press, 1986.g.
7. Dowben RM: “Contractility With Special Reference to Skeletal Muscle”, Medical
Physiology, Vol.14, 104-105str, 1980.g.
8. Strand F: ”Physiology: A Regulatory System Approach”, Macmillian Publishing Co,
1983.
9. Ristanović D., Simonović J., Vuković J., Radovanović R.: “Biofizika”, Medicinska
Knjiga, Beograd-Zagreb, 1989.g.
10. Basmajian J, DeLuca C: “Muscles Alive: Their Functions Revealed by
Electromyography”, Williams & Wilkins, 1985.g.
11. Joel A. DeLisa; “Gait Analysis in the Science of Rehabilitation”, Rehabilitation
Research and Development Service, 1998.
12. “The User's Guide to EMGworks 1.0”, Delsys Inc., 2000.g.
13. Carlo J. De Luca: “Surface Electromyography: Detection and Recording”, Delsys
Inc, 1996.g.
14. Carlo J. De Luca: “The Use of Surface Electromyogrphy in Biomechanics”,
Wartenweiler Memorial Lecture (The International Society for Biomechanics),
Delsys Inc., 1997.g.
15. Silvia Conforto, Tommaso D’Alessio, Stefano Pignatelli: “Optimal Rejection of
Movement Artefacts from Myoelectric Signals by Means of a Wavelet Filtering
Procedure”, Journal of Electromyography and Kinesiology, No. 9., 47-57str., 1999.g.
16. Christopher L. Vaughan, Brian L. Davis, Jeremy C. O’Connor: “Dynamics of human
gait”, Kiboho Publishers,1992.g.
17. J.W. Morrenhof, H.J.Abbink: “Cross-correlation and Crosstalk in Surface
Electromyography”, Electromyography Clin. Neurophysiology No.25, pp.73-79,
1985.
18. J. Perry, D.J. Antonelli: ”Surface Versus Intramuscular Electrodes for
Electromyography of Superficial and Deep Muscles"” Physiology Theory No.61,
pp.7-15, 1981.g.
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
42. D.L.Donoho, I.M.Johnstone:”Minimax Estimation via Wavelet Shrinkage”, Technical

Report, Stanford University, 1992.
43. D.L.Donoho, I.M.Johnstone: "Adapting to Unknown Smoothness by Wavelet
Shrinkage", Journal of American Stat. Association, Vol.90, 1200-1224, 1995.
44. Silvia Conforto, Tommaso D’Alessio: “Real Time Monitoring of Muscular Fatique
from dynamic surface Myoelectric Signals Using a Complex Covariance Approach”,
Medical Engineering & Physics, No. 21., 225-234str., 1999.g.
45. Andriacchi T.P., Galante J.O., Fermier R.W.:”The Influence of Total Knee
Replacement Design On Walking and Stair Climbing”, J. Bone Joint Surgery, vol.64-
A, no.9, pp.1328-1335, 1982.g.
46. Steiner M.E., Simon S.R., Pisciotta j.C.:”Early Changes in Gait and Maximum Knee
Torque Following Knee Arthroplasty”, Clin. Orthop., Related Res. no.238, pp 174-
182, 1989.
47. Gage J.R., Perry J., Hicks R.R., Koop S., Werntz J.R.:”Rectus Femoris Transfer to
Improve Knee Function of Children With Cerebral Palsy”, Develop. Med., Child
Neurol., vol. 29, pp. 159-166, 1987.
48. Perry J., Hoffer M.M., Giovan P., Antonelli D., Greenberg R.:”Gait Analysis of the
Triceps Surae in Cerebral Palsy” , J. Bone Joint Surgery, vol.56-A, pp.511-520,
1974.g.
49. Perry J., Hoffer M.M., Antonelli D., Plut J., Lewis G., Greenberg
R.:”Electromyography Before and After Surgery for Hip Deformity in Children With
Cerebral Palsy”, J. Bone Joint Surgery, vol.58-A, no.2, pp.201-208, 1976.g.
50. Perry J., Hoffer M.M.:”Preoperative and Postoperative Dynamic Elektromyography
as an Aid in Planning Tendon Transfers in Children With Cerebral Palsy”, J. Bone
Joint Surgery, vol.59-A, pp. 531-537, 1977.g.
51. Perry J.:”Distal Rectus Femoris Transfer”, Develop. Med., Child Neurol., vol.29,
pp.153-158, 1987.
52. Sutherland D.H., Larsen L.J., Mann R.:”Rectus Femoris Release in Selected Patients
With Cerebral Palsy: A Preliminary Report”, Develop. Med., Child Neurol., vol.17,
pp.26-34, 1975.
53. Sutherland D.H., Olshen R., Cooper L., Woo S.L.-Y.:”The Development Of Mature
Gait”, J. Bone Joint Surgery, vol.62-A, no.3, pp. 336-353, 1980.
54. Sutherland D.H., Olshen R., E. N. Biden, Wyatt M.P.:”The Development of Mature
Walking”, Oxford, U.K.: MacKeith, 1988.
55. Perry J., Barnes L.A., Bogey R.A.:”Computer Algorithms to Characterise Individual
Subject EMG Profiles During Gait”, Arch. Phys. Med. Rehabilitation, vol.73, pp.
835-841, 1992.
56. Bonato P., D’Alessio T., Knaflitz M.:”A Statistical Method For The Measurement of
Muscle Activation Intervals From Surface Myoelectric Signal During Gait”, IEEE
Transactions on Biomedical Engineering, vol. 45, No.3., pp. 287-299, 1998.
57. S.Micera, G.Vannozzi, A.M.Sabatini, P.Dario:”Improving Detection of Muscle
Activation Intervals”, Engineering in Medicine and Biology, vol.20, No.6, pp.38-46,
2001.
58. Jacquelin Perry: “Gait Analysis: Normal and Pathological Function”, Slack
Incorporated, 1992.
122
Literatura
59. Beasley W.C.:”Quantitative Muscle Testing: Principals and Application to Research

and Clinical Services”, Arch. Phys. Med. Rehabil, pp. 398-406, 1961.
60. “Observational Gait Analysis Handbook”, Los Amigos Research and Education
Institute, Inc., 1996.g.
61. P. Allard, A. Cappozzo, A. Lundberg, C. Vaughan: “Three-dimensional analysis of
Human Locomotion”, John Wiley & Sons Ltd, England, 1997.
62. Chow C.K., Jackobson D.H.:”Studies of Human Locomotion via optimal
programming”, Math. Bioscience, Vol.10, 239-306, 1971.
63. Siegler S., Seliktar R., Hyman W.:”Simulation of Human Gait With the Aid of a
Simple Mechanical Model”, Jourmal of Biomechanics, Vol 15, 415-425, 1982.
64. Pandy M.G., Berme N.:”Quantitative Assessment of Gait Determinants During Single
Stance Via a Three- Dimensional Model: Part 1-Normal Gait, Part 2- Pathological
Gait”, Jourmal of Biomechanics, Vol 22, 717-733, 1989.
65. T. Grujić, A. Kuzmanić, J. Kuželički, V. Zanchi: “Estimation of Vertical Component
of Ground Reaction Force During Sit to Stand Movement: Direct Dynamics
Approach”, Proc. of Int. Electrotehnical and Computer Science Conference
ERK2002, Portorož, Slovenija, 23-25 September, 2002, p.p.225-228
66. A. Kuzmanić, T. Grujić: “Identification of Kinematics and Kinetics of Human Gait”,
European Medical & Biological Engineering Conference, Embec’02, 04-08
December 2002, p.p.824-825.
67. Nissan M.:”The Use of Permutation Approach in the Solution of Joint Biomechanics:
The Knee”, Engineering in Medicine, Vol 10., 39-43, 1981.
68. Collins, J.J.:”Antagonistic-Synergistic Muscle Action at the Knee During Competitive
Weightlifting”, Med. Biol. Eng. Comput., Vol 32., 168-174, 1994.
69. Collins, J.J.:”The Redundant Nature of Locomotor Optimisation Laws”, Journal of
Biomechanics, Vol 28., 251-267, 1995.
70. Davy D.T., Audo M.L.:”A Dynamic Optimisation Technique for Predicting Muscle
Forces in the Swing Pgase of Gait”, Journal of Biomechanics, Vol 20, 187-202, 1987.
71. Yamaguci G.T., Zajac F.E.:”Restoring Unassisted Natural Gait to Paraplegics via
Functional Neuromuscular Stimulation: a Computer Simulation Study”, IEEE Trans.
Biomedical Engineering, Vol 39., 886-902, 1990.
72. Hatze H.:”A Complete Set of Control Equations For Thr Musculo-Skeletal System”,
Journal of Biomechanics, Vol 10,799-805, 1977.
73. Cappozzo A.:”Analysis of The Linear Displacement of The Head and The Trunk
During Walking at Different Speeds”, Journal of Biomechanics, Vol 14, 411-425,
1981
74. Stokes V.P, Andersson C., Ferssberg H.: ”Rotational and Translational Movement
Features of The Pelvis and Thorax During Adult Human Locomotion”, Journal of
Biomechanics, Vol 22, 43-50, 1989.
75. David A. Winter: “Biomechanics and Motor Control of Human Gait: Normal,
Elderly and Pathological”, University of Waterloo Press, 1991.g.
76. V. Papić: “Ekspertni Sustav za Vrednovanje Kinematike Ljudskog Hoda Temeljen na
Prepoznavanju Lika”, doktorska disertacija, FESB, Sveučilište u Splitu, 2001.g.
77. A.C.Nicol: ”Postgraduate Diploma in Biomechanics: Instrumentation”, University of
Strathclyde, 1999.
78. Werner Platzer: “Sustav Organa za Pokretanje”, Jumena, Zagreb, 1989.g.
123
SAŽETAK
Tema ovog rada je površinska elektromiografija koja uključuje mjerenje,

prikupljanje, obradu i primjenu emg signala. Razvijen je, realiziran i testiran sustav za
mjerenje elektromiograma. Prilikom projektiranja uređaja posebno se vodilo računa o
biopojačalu čiji je prvi stupanj realiziran pomoću niskošumnog instrumentacijskog
pojačala s visokim faktorom potiskivanja zajedničkog signala od 130dB.
Obrada emg signala izvršena je pomoću više metoda filtriranja, uključujući

metodu uklanjanja šuma pomoću wavelet transformacije. Analiza signala usmjerena je na
detekciju aktivnih intervala mišića tijekom hoda. Predložena metoda za detektiranje
mišićne aktivnosti zasniva se na maksimalnoj voljnoj kontrakciji i primjeni praga.
Kao primjer primjene emg signala u biomehanici provedena je analiza pokreta

tijekom hoda. Primjenjen je inverzni dinamički pristup koji pomoću Newton-Euler-ovih
jednadžbi proračunava sile i momente u zglobovima. Kao ulazni podaci za proračun
poslužili su kinematički podaci izmjereni u Laboratoriju za Biomedicinsku Tehniku i
Robotiku, na Fakultetu elektrotehnike u Ljubljani. Provedena je usporedba proračunatih
momenata zglobova i izmjerenih emg signala, koja je rezultirala identifikacijom
dominantnih mišića koji u različitim fazama ciklusa hoda uzrokuju pokrete segmenata
noge.
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.
Processing of emg signals was performed by using several filtering methods,

including wavelet based noise removal. Analysis of emg signals was focused on detection
of muscle activation intervals during gait. The proposed method for detecting muscle
activity is based on maximum voluntary contraction and application of thresholding.
As the case example of the application of emg signals in biomechanics, the

analysis of movement during gait was performed. The inverse dynamics approach which
uses Newton-Euler’s equations was implemented and joint forces and moments were
calculated. Kinematic data, measured at the Laboratory of Biomedical Engineering and
Robotics, at the Faculty of Electrical Engineering, University of Ljubljana, were used as
input data for the calculation of moments. Finally, the comparison of joint moments and
emg signals of the dominant leg muscles was done in order to identify the influence of
particular muscles in generation of movement.
124
Ključne riječi: elektromiogram, emg sustav, biopojačalo, wavelet transformacija,
uklanjanje šuma, intervali mišićne aktivnosti, inverzna dinamika
125

Emg Signali

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Emg Signali

Caricato da

Copyright:

Formati disponibili

SVEUČILIŠTE U SPLITU

FAKULTET ELEKTROTEHNIKE, STROJARSTVA I

TAMARA GRUJIĆ ŠUPUK

MJERENJE, OBRADA I ANALIZA EMG SIGNALA

1. Dr. sc. Vlasta Zanchi, redovni profesor (mentor)

2. Dr. sc. Dinko Begušić, redovni profesor

3. Dr. sc. Mirjana Bonković, docent

KOMISIJA ZA OBRANU MAGISTARSKOG RADA:

1. Dr. sc. Vlasta Zanchi, redovni profesor (mentor)

2. Dr. sc. Dinko Begušić, redovni profesor

3. Dr. sc. Mirjana Bonković, docent

Datum obrane rada: 25.04.2003.

Processing of emg signals was performed by using several filtering methods,

As the case example of the application of emg signals in biomechanics, the

2. ANATOMSKA I FIZIOLOŠKA OSNOVA POVRŠINSKE ELEKTROMIOGRAFIJE...........8

5.2. UKLANJANJE BIJELOG ŠUMA POMOĆU METODE PRAGA ...........................................57

Elektromiogram (skraćeno: emg) je električki signal koji služi kao indikator

Površinska elektromiografija bavi se mjerenjem, obradom i analizom emg

U trećem poglavlju opisan je sustav za mjerenje i prikupljanje emg signala

Analizi izmjerenih signala prethodi procesiranje u svrhu uklanjanja smetnji,

U šestom poglavlju izloženi su rezultati eksperimenata provedenih na nizu

Nadalje, pristupilo se analizi procesiranih signala. Osnovni parametri koji se

elektromiogrami iz kojih želimo dobiti informaciju o aktivnosti mišića normaliziraju s

Da bi se stekao uvid u primjenu površinske elektromiografije i emg signala u

2. ANATOMSKA I FIZIOLOŠKA OSNOVA

Mišići, musculi, su organi koji imaju sposobnost kontrahiranja ako su

U sustavu organa za kretanje sudjeluju poprečnoprugasti mišići, što se

2.2. OBLIK, DIJELOVI I HVATIŠTA MIŠIĆA, MIŠIĆNA

2.3. DJELOVANJE MIŠIĆA

2.4. GRAĐA MIŠIĆA

Pojas I pojas G-aktin molekule

A pojas Miosin filament

Sl.2.1: Organizacija skeletnog mišića, od početnog do molekularnog nivoa

Mišić je podijeljen na svežnjiće, fascicule, koji su obavijeni unutrašnjom

Fascikule Epimisium Membrana mišićne stanice tj. vlakna leži

Transverzalne cjevčice tvore mrežu

Sarcoplazmični reticulum sastoji se od cjevčica longitudinalno smještenih duž

Myofibril je građen od niza sarcomera koje se nastavljaju jedna na drugu,

Na svakoj sarcomeri mogu se raspoznati tri različita pojasa: A, I i H pojas.

Sarcomera je najmanja kontraktilna jedinica mišića. Tijekom kontrakcije,

Sl.2.3: Trodimenzionalna rekonstrukcija dijela mišićnog vlakna

Sl.2.4: Shematski prikaz kontrakcije mišića

2.4.1. MOTORIČKI NEURONI, MOTORIČKE JEDINICE

Živci mišića su mješoviti i sadržavaju motoričke, osjetne i autonomne živčane

Skup mišićnih vlakana koja se pobuđuju ograncima jednog motoričkog živca

2.5. GENERIRANJE ELEKTROMIOGRAFSKOG SIGNALA

Mišićno vlakno je okruženo sarcolemmom, tankom polupropusnom

ion stanična tekućina međustanična tekućina

Tablica 2.1: Koncentracija iona u staničnoj i međustaničnoj tekućini

Stanična tekućina sadrži visoku koncentraciju iona kalija (K+) i anorganskih

U međustaničnoj tekućini sadržane su visoke koncentracije iona natrija (Na+) i

Da bismo razumjeli potencijal membrane mišića u mirovanju, pretpostavimo

Zbog veće koncentracije iona kalija u staničnoj tekućini u odnosu na

Uslijed međudjelovanja gradijenta koncentracije iona unutar i van stanice i

Sl.2.5: Stvaranje membranskog potencijala. Dijagram sustava:

Raznoimeni naboji razdvojeni membranom zadržavaju se blizu

Budući da se istoimeni naboji odbijaju, pozitivni naboj van stanice u

Kad bi se prodiranje natrijevih iona u stanicu nastavilo, unutrašnji dio stanice

Različita koncentracija iona unutar i van stanice zajedno s natrij-kalijevom

Sl.2.6: Potencijal membrane mišića u mirovanju; može se izmjeriti mjernim

2.5.2. AKCIJSKI POTENCIJAL MIŠIĆNOG VLAKNA

Ukratko ćemo opisati stvaranje akcijskog potencijala mišićnog vlakna.

Nekoliko radnji prethodi kontrakciji mišića. Aktivnošću centralnog živčanog