Концепция построения интеллектуального программно-аппаратного комплекса на основе LSTM для управления реабилитационной перчаткой

Л. Е. Родионова

Аннотация


Для решения проблем, связанных со здоровьем пациента, вызванных различными заболеваниями (инсульт с когнитивными нарушениями, церебральные травмы, травмы конечностей и др.), необходимо проводить реабилитацию, которая наряду с восстановлением работоспособности призвана снизить риск рецидива. Киберфизические системы, предназначенные для реабилитации, включают киберпространство, которое обеспечивает поддержку принятия решений для проведения процессов восстановительной и регенеративной медицины, и различные физические объекты. Примером комплекса восстановления специального назначения могут быть реабилитационные перчатки: Hand Tutor, Gloreha, Music Glove, Amadeo, Rehab-Robotics Handof Hope, Аника. Основными недостатками этих устройств являются то, что не все аналоги имеют индивидуальный подход к пациенту, отсутствует биорегламент для сравнения различных условий после тренировки, отсутствует автономное управление устройством и их дороговизна. В статье рассматривается подход к созданию киберфизической системы восстановительной медицины в виде интеллектуального программно-аппаратного комплекса (ИПАК), который позволит эффективно восстановить двигательную активность верхних конечностей человека с определенными дисфункциями, обеспечивая высокую степень адаптивности и индивидуализации реабилитационного процесса. Предлагаемые модели, методы и алгоритмы будут использоваться для управления физическим объектом с помощью нейронной сети, что позволит устройству адаптироваться к конкретному пациенту и обеспечить наиболее оптимальные условия для его восстановления. В состав ИПАК войдет комплекс восстановления специального назначения с интеллектуальным управлением, камерами и микрофонами для сбора данных.

Ключевые слова


Интеллектуальный программно-аппаратный комплекс; ма-шинное обучение; интеллектуальные информационные системы управления; технологии искусственного интеллекта; повышение квалификации; цифровые технологии.

Полный текст:

PDF

Литература


Airò Farulla G., Russo L., et al. Vision-Based pose estimation for robot-mediated hand telerehabilitation // Sensors. 2016, vol. 16. Р. 208. DOI: 10.3390/s16020208.

Bushuev S. Application of AI for monitoring and optimizing IT infrastructure: economic prospects for implementing predictive analytics in enterprise operations // Int. J. of Humanities and Natural Sciences. 2024. No. 8-3(95). P. 125-129. DOI: 10.24412/2500-1000-2024-8-3-125-129.

Cordella F., Scotto Di Luzio F., et al. Hand motion analysis during robot-aided rehabilitation in chronic stroke // J. Biol. Regul. Homeost. Agents. 2020, vol. 34, р. 45-52.

Darwish A. "The Impact of Implantable Sensors in Medical Applications" // Austin Journal of Biosensors & Bioelectronics, vol. 2, no. 1, p. 1016, 2016.

Gaoyong Lu, Yang Ou, et al. A Survey of Deep Learning for Time Series Forecasting: Theories, Datasets, and State-of-the-Art Techniques // Computers, Materials and Continua, Vol. 85 (2) 2025. P. 2403-2441. DOI: 10.32604/cmc.2025.068024.

Kelley H. J. Gradient theory of optimal flight paths // ARS Journal. 1960. Vol. 30. No. 10. pp. 947-954.

Kulikov G. G., et al. Formal method of structural-logical identification of functional model of subject area by polycubic data matrix // Acta Polytech. Hungarica. 2020. 17(8), 41-59. DOI: 10.12700/APH.17.8.2020.8.4. EDN: SBYOBP.

Vanoglio F., Comini L., et al. A sensor-based upper limb treatment in hemiplegic patients: results from a randomized pilot study // Sensors 2024. 24. Р. 2574. DOI: 10.3390/s24082574. EDN: CSQMHV.

Богданов М. Р., Насыров Р. В., Шахмаметова Г. Р. Персональные профили пациентов с бронхолегочными заболеваниями // СИИТ. 2025. Т. 7, № 2(21). С. 177-188. DOI: 10.54708/2658-5014-SIIT-2025-no2-p177. EDN: NPYVKX.

Буркин А. А., Марьин Н. Е., Дорошин К. М. Создание программного обеспечения с нейронной сетью для перчатки-тренажера // Молодежь и наука: шаг к успеху: сб. науч. ст. 7-й Всеросс. науч. конф., Курск, 21-22 марта 2024 г. Курск, 2024. С. 37-43. EDN: YABVBC.

Буркин А. А., Родионова Л. Е. и др. Разработка алгоритма предобработки и фильтрации мультимодальных биометрических данных для программно-аппаратного комплекса с интеллектуальным управлением // Вестник УГАТУ. 2025. Т. 29, № 4(110). С. 65-71. DOI: 10.54708/19926502_2025_29411065. EDN: GLQLCY.

Вяткин В. В., Дроздов Д. Н., Голуб Ю. А. Теории киберфизических систем // Системный анализ в проектировании и управлении: Сб. науч. тр. XXIII Междунар. науч.-практ. конф., СПб., 2019. С. 98-112. EDN: SORNXS.

Жиганов В., Иванов Ю. С., Грабарь Д. М. Исследование нейросетевых алгоритмов прогнозирования движений человека на базе LSTM и трансформеров // Доклады Российской академии наук. Математика, информатика, процессы управления. 2023. T. 514, № 2. С. 364-374. DOI: 10.31857/S2686954323601689.

Зиновьев М. С., Нургаянова О. С. Оценка индивидуального риска развития сахарного диабета второго типа и возможных осложнений // СИИТ. 2023. Т. 5, № 4(13). С. 101-110. DOI: 10.54708/2658-5014-SIIT-2023-no5-p101. EDN: HIIXFH.

Зиновьев М. С., Нургаянова О. С. Прогнозирование вероятности развития диабетической ретинопатии у пациентов с сахарным диабетом: анализ методов машинного обучения // СИИТ. 2024. Т. 6, № 3(18). С. 95-101. DOI: 10.54708/2658-5014-SIIT-2024-no3-p95. EDN: VLFFLP.

Ирзаев Г. Х. Проблемы внедрения алгоритмов машинного обучения в интеллектуальные носимые медицинские устройства мониторинга // СИИТ. 2026. Т. 8, № 1(25). С. 19 31. EDN: MSNGAM.

Каерова Е. В., Журавская Н. С. и др. Восстановление двигательной функции верхних конечностей после инсульта // Вестник восстановит. медицины. 2021. № 1. DOI: 10.38025/2078-1962-2021-20-1-21-26. EDN: XZVGJU.

Коровин Е. А., Чиглинцева С. А. и др. Медицинская рекомендательная система на основе автоматического извлечения знаний из текстов // СИИТ. 2024. Т. 6, № 4(19). С. 111-121. DOI: 10.54708/2658-5014-SIIT-2024-no4-p111. EDN: OTVTXR.

Костючек М. И., Макаренко А. В. Применение сверточных глубоких нейронных сетей для решения некоторых задач анализа траекторных данных // Журнал радиоэлектроники. 2021. № 11. С. 1-25. DOI: 10.30898/1684-1719.2021.11.15.

Мейзер М. В., Северьянова Е. Д., Мокшин В. В. Пример прогнозирования временных рядов с помощью рекуррентной нейронной сети LSTM // Молодой ученый. 2022. № 9 (404). С. 13-15. EDN: HLXMXT

Орель П., Тозато А. Машинное обучение с помощью Python. Руководство для специалистов по работе с данными. ДМК Пресс. 2017. 470 с.

Скрипачев В. О., Гуйда М. В. и др. Особенности работы сверточных нейронных сетей // Int. J. of Open Information Technologies. 2022. Т. 10, № 12. С. 53-61. EDN: IIQDBG.

Рапаков Г. Г., Горбунов В. А и др. Исследование LSTM-нейросетевого подхода при моделировании временных рядов // Вестн. Череповецк. гос. ун-та. 2023. № 3 (114) С. 47-54. DOI: 10.23859/1994-0637-2023-3-114-4.

Родионова Л. Н., Можаев А. Ю. Интеллектуальные методы принятия решений в организации системы здравоохранения территории // СИИТ. 2025. Т. 7, № 1(20). С. 13-20. DOI: 10.54708/2658-5014-SIIT-2025-no1-p13. EDN: WXTLEO.

Сазонова Е. Ю., Сметанина О. Н. и др. Интеллектуальная СППР при управлении психофизическим состоянием человека // СИИТ. 2023. Т. 5, № 6(15). С. 38-49. DOI: 10.54708/2658-5014-SIIT-2023-no5-p38. EDN: JFLRCX.

Чумарина Е. А., Мартынюк М. В. Моделирование бизнес-процессов при разработке программного обеспечения для радиопередатчика // Научно-технический вестник Поволжья. 2024. № 4. С. 232-235. EDN: CWOSKV.

Шапошникова А. С., Богданов М. Р. Определение сердечного ритма плода по неинвазивному ЭКГ с применением различных фильтров // СИИТ. 2023. Т. 5, № 6(15). С. 32-37. DOI: 10.54708/2658-5014-SIIT-2023-no5-p32. EDN: WBBOVK.

Ширинов Р. А., Гардашова Л. А., Богданова Д. Р. Краткий анализ методов Deep Learning для распознавания эмоционального состояния человека для принятия решений // СИИТ. 2025. Т. 7, № 2(21). С. 68-77. DOI: 10.54708/2658-5014-SIIT-2025-no2-p68. EDN: DAWGEI.




DOI: https://doi.org/10.54708/SIIT-2026-no2-p110

Ссылки

  • На текущий момент ссылки отсутствуют.


(c) 2026 Л. Е. Родионова