پیش بینی الگوی فعالیت مطلوب عضلات انگشت شست هنگام عملکردهای حرکتی ترسیم و نوشتن حروف با استفاده از شبکه های عصبی مصنوعی

سال انتشار: 1393
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 9

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IJBM-8-3_008

تاریخ نمایه سازی: 20 اسفند 1404

چکیده مقاله:

در اکثر فعالیت­های حرکتی، بیش­از یک گروه عضلانی درگیر هستند، لذا در روش­های بازتوانی حرکتی، در طول زمان حرکت، فرد باید بتواند هماهنگی لازم را به بین زمان و شدت فعالیت عضلات درگیر، ایجاد نماید. عملکرد حرکتی نوشتن یا ترسیم، ازجمله عملکردهای حرکتی قرار دارد که بیش­از یک گروه عضلانی را درگیر می­کند. در دسته­ای از بیماری­ها مانند دسته­ای از افرادی که مبتلا به فلج غیرکامل نخاعی یا تنگی کانال کارپال هستند، ممکن است عضلات ساعد سالم باشند، اما عضلات انگشتان به طور خاص عضلات انگشت شست، دچار فلج نسبی یا مطلق باشد. لذا برای بازتوانی چنین حرکتی، باید الگوی هماهنگی مربوط به نحوه­ی فعالیت عضلات ساعد و انگشت شست برقرار شود. درین تحقیق، یک مدل پیش­بین مبتنی بر شبکه­های عصبی برای روش شناسایی الگوی سینرژی بین دسته­ای از عضلات ساعد و انگشت شست دست، حین فرآیند رسم شکل و نوشتن حروف ارائه شد. به طوری که ورودی شبکه­ عصبی مصنوعی، الگوی فعالیت عضلات بازکننده و جمع­کننده ساعد است، درحالی که خروجی شبکه­ی عصبی مصنوعی، الگوی فعالیت مطلوب عضلات بازکننده و جمع­کننده انگشت شست دست را پیش­بینی کرد. ابتدا سیگنال­های الکترومایوگرام عضلات ساعد و انگشت شست ده فرد سالم، حین نوشتن چهار حرف انگلیسی و رسم یک دایره ثبت شد. سپس، با استخراج الگوی فعالیت عضلات از سیگنال­های الکترومایوگرام داده­های آموزش شبکه به دست آمد. کارایی پنج شبکه عصبی پرسپترون چند لایه، نارکس، بازگشتی، عصبی/فازی تطبیقی و پایه­ی شعاعی ارزیابی و مقایسه شد. نتایج نشان می­دهد که شبکه­ی­ عصبی نارکس با ساختار سری/موازی در مقایسه با چهار شبکه عصبی دیگر توانست با دقت قابل قبولی الگوی فعالیت مطلوب عضلات انگشت شست دست را پیش­بینی نماید.

نویسندگان

ساناز احمدزاده

کارشناسی ارشد، گروه مهندسی پزشکی، دانشگاه آزاد اسلامی مشهد، ایران

حمیدرضا کبروی

استادیار، گروه مهندسی پزشکی، دانشگاه آزاد اسلامی مشهد، ایران

سعید طوسی زاده

استادیار، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی مشهد، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • س. احمدزاده، ح. کبروی. ع. شعیبی، ز. طالب زاده، "پیش­بینی ...
  • س. احمدزاده، ح. کبروی. س. طوسی­زاده، ز. طالب زاده. "شناسایی ...
  • J. L. Lujan, P. E. Crago, “Computer-based test-bed for clinical ...
  • C. Castellini P. V. D. Smag, “Preliminary evidence of dynamic ...
  • M. Liu, T. Liu, and G. Wang “A Compact Representation ...
  • Y. P. Ivanenko, R. E. Poppele, F. Lacquaniti, “Motor Control ...
  • M. Chen, Q. B. Wang, X. X. Lou, K. Xu, ...
  • H. Bezine, A. M. Alimi, N. Derbel, “Handwriting Trajectory Movements ...
  • E. Engeberg, M. Frankel, S. Meek, “Biomimetic Grip Force Compensation ...
  • S. D. Iftime, L. L. Egsgaard, M. B. Popovic, “Automatic ...
  • J. K. Shim, A. W. Hooke, Y. S. Kim, J. ...
  • J. Li, Z. J. Wang, J. Eng, M. J. McKeown ...
  • I. Chihi, C. Ghorbel, A. Abdelkrim, M. Benrejeb “Parametric identification ...
  • B. Mijovic, M. B. Popovic D. B. Popovic, “Synergistic control ...
  • S. B. Thies, P. Tresadern, L. Kenney, D. Howard, J. ...
  • P. S. Thomas, M. S. Branicky, A. V. D. Bogert, ...
  • M. Popovic, D. Popovic, “Cloning Biological Synergies Improves Control of ...
  • M. Borjkhani, F. Towhidkhah, “Modeling kinematic features of human handwriting ...
  • G. Huang, D. Zhang, X. Zheng, X. Zhu, “An EMG-based ...
  • نمایش کامل مراجع