حسین معصومی - کارشناسی ارشد دانشگاه آزاد اسلامی واحد مشهد، گروه مهندسی پزشکی، مشهد، ایران
حمیدرضا کبروی - استادیار دانشگاه آزاد اسلامی واحد مشهد، گروه مهندسی پزشکی، مشهد، ایران
میثم روح بخش حسن نژاد - کارشناسی ارشد دانشگاه آزاد اسلامی واحد مشهد، گروه مهندسی پزشکی، مشهد، ایران
افسانه معصومی - کارشناسی ارشد دانشگاه آزاد اسلامی واحد مشهد، گروه مهندسی پزشکی، مشهد، ایران

وقوع پدیده خستگی عضلانی، تاثیر بسزایی در تغییر رفتار دینامیکی عضله دارد. لذا تعیین وضعیت خستگی عضلانی حین فعالیت عضله، درکنترل سیستم عضله مفصل، از اهمیت خاصی برخوردار است. از این روی، هدف این تحقیق ارائه راهکاری است تا بتوان به صورت برخط وضعیت -خستگی عضله واستوس مدیالیز زانو را در یک انقباض ایزومتریک تشخیص دهد. در راهکار ارائه شده، یک شبکه عصبی بازگشتی براساسویژگی های استخراج شده از سیگنال الکترومایوگرام سطحی عضله واستوس مدیالیز، چهار وضعیت عدم خستگی، گذار به خستگی، خستگی و خستگی مفرط را در طول زمان آشکار کرده است. به منظور جمعآوری دادههای آموزش شبکه عصبی و تعیین آستانههای زمانی ورود به هر یک از چهار وضعیت مورد نظر، زاویه مفصل زانو توسط یک سنسور انحراف سنج اندازه گیری شده است. آزمایشهای انسانی روی 5 فرد سالم صورتگرفتهاند. نتایج این تحقیق نشان میدهند که شبکه عصبی بازگشتی قادر بوده است با دقت قابل ملاحظهای تغییر وضعیت خستگی عضله واستوس مدیالیز را دنبال نماید. به دلیل اینکه عضلات بدن دارای رفتار غیر خطی هستند، جهت تخمین رفتار این سیستم پیچیده، نیازمند بررسی ویژگی های غیر خطی نیز هستیم. در کارهای گذشته تمرکز بیشتر روی ویژگی های خطی بوده که دارای درصد صحت نسبتاً پایین تری در تخمین خستگی عضلانی است. با افزودن ویژگی های غیرخطی و پردازش های غیرخطی به نتایج به مراتب بهتری رسیدیم که با این افزایش کارایی، با اطمینان بیشتری می توان از این داده ها در حوزه ی توان بخشی استفاده کرد

الکترومایوگرام سطحی sEMGخستگی عضلانیFatigue)شبکه عصبی بازگشتی مصنوعیNARXNET