Идея проекта:

Создание универсальной программно-аппаратной платформы для сбора, предобработки и декодирования поверхностных электромиографических (ЭМГ) сигналов на базе технологий TinyML. Платформа объединяет носимый сенсорный модуль (сухие электроды, аналоговый фронтенд, микроконтроллер) и встроенные модели машинного обучения, которые распознают мышечную активность, жесты и состояния мышц (сокращение, усталость, тремор) непосредственно на устройстве — без передачи данных в облако. Решение предназначено для протезирования, реабилитации, эргономики труда, спорта и человеко-машинных интерфейсов, где критичны автономность, низкая задержка и приватность биосигналов.

Цель на акселератор:

Сформировать и верифицировать работающий прототип платформы, который снимает поверхностный ЭМГ-сигнал с помощью носимого модуля, выполняет его фильтрацию и декодирование на борту микроконтроллера с использованием TinyML-модели, и демонстрирует точность распознавания не менее 3–5 типов жестов/состояний мышц не ниже заданного порога, а также подготовить архитектуру решения для масштабирования на новые сценарии (протезы, реабилитация, промышленность) и пилотного внедрения.

Задачи для достижения цели:

1. Разработка архитектуры и аппаратного ядра платформы: Спроектировать модульную архитектуру (аналоговый фронтенд, АЦП, микроконтроллер, беспроводной интерфейс, питание), выбрать оптимальный стек (микроконтроллер с поддержкой TinyML, сухие электроды, фильтры), реализовать базовый пайплайн сбора и предобработки ЭМГ-сигнала (фильтрация сетевых наводок, артефактов движения, детекция начала сокращения).
2. Построение и обучение TinyML-моделей декодирования: Сформировать датасет ЭМГ-сигналов для выбранных жестов/состояний, обучить и скомпилировать модели (например, 1D-CNN, LSTM, деревья решений) для запуска на микроконтроллере, провести квантование и оптимизацию под ограничения по памяти и энергопотреблению.
3. Создание системы верификации и визуализации: Разработать методику оценки точности декодирования (accuracy, precision, recall, F1, задержка инференса, энергопотребление) в сравнении с эталонной разметкой и создать интерактивный дашборд (веб-интерфейс) для отображения сырого сигнала, результата декодирования в реальном времени и истории распознавания.
4. Анализ применимости и подготовка бизнес-кейса: Провести анализ чувствительности системы к качеству сигнала (уровень шума, смещение электродов, индивидуальные различия), определить сценарии использования (Use Cases) для протезирования, реабилитации, эргономики и спорта, сформировать roadmap развития продукта за пределами акселератора.

Ожидаемые результаты:

· Рабочий прототип платформы: Программно-аппаратный комплекс, который в автономном режиме снимает ЭМГ-сигнал, декодирует его на борту микроконтроллера с помощью TinyML и выдаёт структурированный результат через API или веб-интерфейс.
· Отчет по верификации точности: Документ, содержащий метрики корректности декодирования (accuracy/precision/recall/F1) по типам жестов и состояний мышц, а также данные по задержке инференса и энергопотреблению в сравнении с облачными аналогами.
· Интерактивный демонстрационный дашборд: Визуальный интерфейс, отображающий сырой ЭМГ-сигнал, результат декодирования в реальном времени, историю распознавания и метрики работы модели, готовый для показа инвесторам и партнёрам.
· Пакет проектной документации: Архитектурная схема решения, описание бизнес-модели, анализ рынков (HealthNet, Нейронет, WearNet) и план дальнейшего развития (roadmap) на 6–12 месяцев.


Проект «Универсальная программно-аппаратная платформа сбора и декодирования поверхностных ЭМГ-сигналов на базе TinyML» соотносится с национальным проектом технологического лидерства «Микроэлектроника» через уровень «Машины вычислительные электронные цифровые (серверы, компьютерное и периферийное оборудование, контроллеры управления сетью и т.д.)» и элемент «Микроконтроллеры, процессоры, ПЛИС, контроллеры SSD, интерфейсные контроллеры», что соответствует прямой связи, поскольку платформа построена на микроконтроллере с поддержкой TinyML и включает разработку встраиваемого программного обеспечения для обработки биосигналов на edge-устройстве.

Дополнительно проект соотносится:

· с НПТЛ «Новое здоровьесбережение» через уровни «Медицинские изделия и технологии» и «Цифровые сервисы в здравоохранении» — тип связи обеспечивающая, поскольку платформа может использоваться для реабилитации, мониторинга мышечной активности и управления бионическими протезами;
· с НПТЛ «Научное приборостроение и расходные материалы» через уровень «Прочие аналитические системы (для анализа жидкостей, газов и мониторинга окружающей среды)» — тип связи обеспечивающая, поскольку платформа выступает как инструмент сбора и анализа биомедицинских сигналов для исследовательских задач;
· с НПТЛ «Промышленное обеспечение транспортной мобильности» через уровень «Прочие транспортные средства» — тип связи косвенная, поскольку ЭМГ-интерфейсы могут применяться для управления транспортными средствами и робототехническими комплексами в сценариях «человек-машина».

На страницу проекта