МЕТОДЫ ФИЛЬТРАЦИИ И ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ ЭМГ-СИГНАЛОВ ДЛЯ МЕДИЦИНСКИХ ИНФОРМАЦИОННЫХ СИСТЕМ

АННОТАЦИЯ

Электромиографические (ЭМГ) сигналы обладают выраженной нестационарностью и низким отношением сигнал/шум, что осложняет их использование в медицинских информационных системах, особенно при мониторинге в реальном времени и в носимых устройствах. В работе кратко систематизированы основные источники шумов (сетевые наводки, двигательные артефакты, биологические помехи) и рассмотрены подходы к их подавлению. Описаны базовые методы частотно-временной фильтрации (полосовая и режекторная фильтрация, скользящее среднее, медианная фильтрация), современные методы на основе вейвлет-преобразований и адаптивной фильтрации (LMS/RLS), а также методы компонентного разложения (PCA/ICA) и нейросетевые модели (CNN/LSTM). Предложены практические рекомендации по выбору каскадной схемы предобработки с учетом ограничений по вычислительным ресурсам и задержке.

Ключевые слова: электромиография; фильтрация; предобработка; вейвлеты; адаптивные фильтры; PCA/ICA; нейросети; телемедицина.

ВВЕДЕНИЕ

ЭМГ применяется для оценки нейромышечной активности и диагностики моторных нарушений, однако на практике данные нередко искажаются внешними помехами, двигательными артефактами и биологическими шумами.

С ростом телемедицинских сервисов и распространением портативных регистраторов возрастают требования к устойчивой предобработке: алгоритм должен повышать качество сигнала, но не создавать критической задержки и не «съедать» информативные компоненты [3, 5].

Цель работы – кратко классифицировать методы фильтрации и предобработки ЭМГ и сформулировать рекомендации по их применению в медицинских информационных системах (МИС) для различных сценариев регистрации.

ХАРАКТЕРИСТИКИ ЭМГ И ИСТОЧНИКИ ПОМЕХ

ЭМГ-сигнал формируется суммарной активностью моторных единиц и отличается изменчивостью амплитуды и спектра во времени. Типовой рабочий диапазон поверхностной ЭМГ находится примерно в пределах 20-500 Гц, при этом полезная составляющая часто сопоставима по уровню с шумами [4].

Ключевые помехи включают: (1) сетевые наводки 50/60 Гц и гармоники; (2) электромагнитные интерференции от оборудования; (3) дрейф базовой линии и скачки из-за изменения контакта электродов; (4) двигательные артефакты при смещении электродов; (5) перекрестные помехи от соседних мышц; (6) биологические влияния, включая интерференцию ЭКГ (при регистрации в области грудной клетки) и потенциалы кожи [5].

МЕТОДЫ ФИЛЬТРАЦИИ И ПРЕДОБРАБОТКИ

Базовая схема предобработки обычно начинается с частотной селекции: полосовой фильтр выделяет рабочую полосу (например, 20-500 Гц), а режекторный (notch) подавляет сетевую компоненту 50/60 Гц. Во временной области применяют сглаживание (скользящее среднее) и медианную фильтрацию для подавления импульсных помех и локальных выбросов.

Для нестационарных шумов эффективны вейвлет-методы: сигнал раскладывается на компоненты по масштабам, затем выполняется пороговая обработка коэффициентов и обратное преобразование, что позволяет уменьшить шум при контролируемом искажении формы сигнала. Адаптивные фильтры (LMS/RLS) подстраивают коэффициенты в процессе работы и полезны при медленно меняющихся помехах и вариативной сетевой наводке; выбор LMS/RLS определяется компромиссом «вычислительная сложность – скорость сходимости» [1, 4, 6]

Для удаления специфических артефактов и разделения источников применяют методы компонентного анализа. PCA снижает размерность и помогает выделить основные направления вариативности, ICA позволяет разделить смешанные компоненты на статистически независимые; их связка удобна для многоканальной ЭМГ и частично перекрывающихся источников.

Нейросетевые подходы (CNN, RNN/LSTM и гибридные архитектуры) способны автоматически извлекать признаки и подавлять сложные нелинейные искажения. Их практическая применимость в МИС определяется наличием обучающих данных, устойчивостью к доменным сдвигам и возможностью «облегчения» моделей под edge-устройства [5].

ОЦЕНКА КАЧЕСТВА И РЕКОМЕНДАЦИИ ВНЕДРЕНИЯ

Качество предобработки целесообразно оценивать метриками отношения сигнал/шум (SNR), ошибками восстановления (MSE/RMSE) и корреляцией между исходным и очищенным сигналом, дополняя их клинически значимыми показателями (точность детекции начала активации, стабильность спектральных признаков утомления и т.п.) [4].

Для систем онлайн-мониторинга рекомендуется каскадная схема: (1) предварительное ограничение полосы + notch, (2) подавление выбросов/артефактов (медианная фильтрация или детектор артефактов), (3) адаптивный или вейвлет-этап для нестационарных помех, (4) при многоканальной регистрации – PCA/ICA по показаниям. Нейросетевые методы уместны при наличии валидации на данных конкретного устройства/клиники и при обеспечении воспроизводимости (фиксированные пайплайны, протоколы тестирования, контроль смещения данных) [3, 4].

ЗАКЛЮЧЕНИЕ

Предобработка является критическим этапом обеспечения достоверности ЭМГ-данных в МИС. Статические фильтры необходимы, но недостаточны при сложных нестационарных артефактах; на практике выигрывают гибридные каскадные схемы, сочетающие частотную селекцию, робастную временную обработку и адаптивные/временнo-частотные методы. Перспективным направлением остается перенос шумоподавления на edge-уровень с использованием легковесных моделей и стандартизированной валидации под телемедицинские сценарии.

Список литературы:

1. Джиган В.И. Адаптивная фильтрация сигналов: теория и алгоритмы. — М.: Техносфера, 2013.
2. Кубланов В.С., Борисов В.И., Долганов А.Ю. Анализ биомедицинских сигналов в среде MATLAB. — Екатеринбург: УрФУ, 2016.
3. Монаков Д.М., Алтунин Д.В. Медицинские информационные системы: современные реалии и перспективы // Российский журнал телемедицины и электронного здравоохранения. — 2022. — №4.
4. Прокопенко Е.Н. Методы обработки биомедицинских сигналов. — Могилев: Белорусско-Российский университет, 2025.
5. Каххаров А.А., Шукуров С.Ф. Анализ современных методов обработки электромиографических сигналов // Innovations in science and technologies. — 2025. — №2.
6. Чупов А.А., Жданов А.Е., Князев С.Т. и др. Обработка сигналов ЭКГ с помощью вейвлет-анализа: диагностические возможности // Ural Radio Engineering Journal. — 2021. — №4.