کاربرد شبکه های عصبی در تحلیل سیگنال های EMG و عملکرد عضلانی

مقدمه: الکترومایوگرافی (Electromyography; EMG) یکی از مهم ترین روش های ارزیابی فعالیت الکتریکی عضلات و عملکرد سیستم عصبی–عضلانی محسوب می شود. سیگنال های EMG اطلاعات ارزشمندی درباره الگوی فعال سازی عضلات، خستگی عضلانی، هماهنگی حرکتی و کنترل عصبی فراهم می کنند. با این حال، ماهیت غیرخطی، پیچیده و نویزی این سیگنال ها تحلیل سنتی آنها را با محدودیت هایی مواجه ساخته است. در سال های اخیر، شبکه های عصبی مصنوعی و الگوریتم های یادگیری عمیق به عنوان ابزارهای پیشرفته پردازش سیگنال توانسته اند دقت تحلیل داده های EMG را به طور چشمگیری افزایش دهند.هدف: هدف این مقاله مروری، بررسی کاربرد شبکه های عصبی در تحلیل سیگنال های EMG، ارزیابی عملکرد عضلانی، تشخیص الگوهای حرکتی و تحلیل خستگی عصبی–عضلانی در علوم ورزشی، توان بخشی و مهندسی پزشکی است.روش شناسی: این مطالعه به صورت مرور علمی–تحلیلی انجام شد. مقالات منتشرشده بین سال های ۲۰۱۰ تا ۲۰۲۶ از پایگاه های اطلاعاتی ، ، و بررسی شدند. کلیدواژه های اصلی شامل “EMG”، “Artificial Neural Network”، “Deep Learning”، “Muscle Performance”، “Signal Processing” و “Neuromuscular Analysis” بودند.یافته ها و نتیجه گیری: نتایج مطالعات نشان داد که شبکه های عصبی مصنوعی قادرند الگوهای پیچیده سیگنال های EMG را با دقت بالا تحلیل کرده و در طبقه بندی حرکات، تشخیص خستگی عضلانی، کنترل پروتزهای هوشمند و ارزیابی عملکرد عضلات نقش موثری داشته باشند. مدل های یادگیری عمیق به ویژه شبکه های کانولوشنی (CNN) و بازگشتی (RNN) توانسته اند ویژگی های زمانی و فرکانسی سیگنال های EMG را به صورت خودکار استخراج کنند. با وجود مزایای فراوان، نیاز به داده های استاندارد، حساسیت به نویز و محدودیت تفسیرپذیری مدل ها همچنان از چالش های مهم این حوزه محسوب می شوند. در مجموع، شبکه های عصبی می توانند تحول قابل توجهی در تحلیل عملکرد عصبی–عضلانی و توسعه فناوری های هوشمند توان بخشی ایجاد کنند.

کلیدواژه ها:

الکترومایوگرافی ، شبکه عصبی مصنوعی ، عملکرد عضلانی ، یادگیری عمیق ، خستگی عصبی–عضلانی