بخشی از مقاله
چکیده:
در یک ربات فیزیوتراپ زانو، تعیین نیروی عضلات برای انتخاب نوع و شیوه درمان و کنترل فیزیوربات در هر مرحله درمان، مسأله مهم و قابل توجهی است. در این مقاله دو روش مبتنی بر رگرسیون بردار پشتیبان - SVR - و شبکه عصبی - ANN - برای تخمین نیروی عضلانی از روی سیگنالهای الکترومایوگرام سطحی پیشنهاد میشود. در یک تمرین ایزومتریک زانو سیگنالهای sEMG از سه ماهیچه ران - واستوس مدیالیس، واستوس لترالیس و رکتوس فموریس - و بطور همزمان نیروی متناظر آن توسط یک نیروسنج فشاری، ثبت شده و به ترتیب به عنوان ورودی و خروجی آموزشی مدل پیشنهادی، مورد استفاده قرار گرفته اند.
در نهایت این مدلها توسط آزمایشاتی بر روی افراد سالم ارزیابی شده و با هم مقایسه شدهاند. ریشه میانگین مربعات خطا - RMSE - و ضریب همبستگی - CC - بین نیروی پیشبینی شده و نیروی واقعی اندازهگیری شده محاسبه گردید. نتایج نشان میدهد هر دو روش SVR و ANN عملکرد خوبی در تخمین نیروی عضلات اندام تحتانی دارند اما مدل SVR تعمیمپذیری بهتر و دقت بیشتری نسبت به شبکه عصبی BPNN دارد.
-1 مقدمه:
امروزه موضوع توانبخشی و فیزیوتراپی در میان جامعه افراد پیر و سالخورده و نیز معلولین و ناتوانان جسمی، حائز اهمیت است. در کنار کادر پزشکی و توانبخشی مجرب، وجود یک ربات کمکی دستیار که طبق اصول و علوم پزشکی بتواند کار درمان را در جهت بازیابی قدرت عضلات و بهبود عملکرد اعضای حرکتی بدن انجام دهد، میتواند مفید باشد. رباتهای فیزیوتراپ با ثبت اطلاعات فیزیکی چون موقعیت، سرعت و نیروی عضلات و نیز اطلاعات فیزیولوژیکی بدن مانند سیگنال-های EMG1، EEG2 ، ECG3 و... در بررسی شرایط کنونی بیمار و تشخیص عارضه، کمک به روند درمان و نیز بررسی میزان پیشرفت پروسه درمان بسیار مؤثر و کارآمد خواهند بود.
درواقع در ربات های فیزیوتراپ، ارزیابی وضعیت بیمار در هر لحظه و تعیین استراتژی مناسب برای کنترل کننده که بتواند کمک و مساعدت راحت و مناسبی را در طول توانبخشی ارائه کند، امری ضروری است. - Ai, 2014 - الکترومایوگرافی4 در توانبخشی پزشکی کاربرد زیادی دارد و قادر است وضعیت عضلات و رشتههای عصبی انسان را توصیف کند و در بسیاری از موارد در تشخیص نوع بیماری، حرکت عضله و پیشبینی نیرو استفاده شده است.
Krebs و همکارانش راهکاری برای راهاندازی ربات معالج پیشرو مبتنی بر اجرا، با استفاده از آستانههای سیگنال ماهیچهای EMG زمانی که فعالیت EMG عضلات از یک آستانه معینی بیشتر شود، ارائه کرده است Kiguchi . - Krebs et al, 2003 - و همکارش یک روش مبتنی بر EMG برای کنترل یک ربات بالاتنه مطابق با قصد حرکت و تغییر مکان کاربر ارائه کردند . - Kiguchi and Hayashi, 2012 - در بسیاری از تحقیقات آمده است که نیروی اعضای بدن ناشی از انقباض ماهیچههای اسکلتی است.
کاربرد EMG برای تخمین گشتاور مفصل یا شدت نیروهای عضلانی در شمار زیادی از مقالات یافت می شود. از سیگنالهای EMG سطحی به منظور برآورد قدرت عضلات نیز با موفقیت کم و بیش در بسیاری از برنامههای کاربردی استفاده شده است. اعتبار و درستی برآورد نیرو عمدتا توسط طیف وسیعی از عوامل ذاتی، به سیگنال EMG و به فیزیولوژی و آناتومی عضلات محدود است Song . - Staudenmann et al, 2013 - و همکارانش یک روش کمکی برای ربات مداوم در جهت تعیین گشتاورهای لازم برای ربات که متناسب با دامنه سیگنالهای EMG چندکاناله بود، ارائه کرد . - Song et al, 2013 - پردازش سیگنالهای EMG ناشی از ماهیچههای بسیاری که در تولید نیرو درگیر هستند کار دشواری است و به تبع آن مدلسازی رابطه بین EMG و وضعیت اندام و یا نیروی متناسب با آن نیز کار سختتری است. الگوریتمهای پیشبینی مبتنی بر مدل یا "جعبه سیاه" معمولا برای بدست آوردن رابطه بین ورودیBخروجی یک سیستم استفاده میشود.
از جمله این روشها میتوان به شبکههای عصبی مصنوعی - ANN - 5، تبدیل ویولت6، الگوریتم ژنتیک - GA - 7 و ماشین بردار پشتیبان8 - SVM - اشاره کرد. Loconsole و همکارانش روشی برای تخمین گشتاور مفصل اسکلت خارجی توسط یک شبکه عصبی مصنوعی آموزش دیده با سیگنالهای EMG ارائه کردند و این مدل را برای یک اسکلت خارجی فعال در جهت جابجایی آهسته اندام فوقانی، استفاده کرد Oyong . - Loconsole et al, 2014 - و همکارانش روشی برای نگاشت سیگنال EMG به گشتاور مفصل بوسیله الگوریتم ژنتیک بیان کردند Meng . - Oyong et al , 2010 - و همکارانش نیز برای پیشبینی نیروی اندام تحتانی توسط EMG در جهت کنترل ربات دستیار توانبخشی، از مدل رگرسیون بردار پشتیبان9 - SVR - استفاده کردند .
دستیابی به یک مدل تخمینگر دقیق که بطور گسترده برای پیشبینی نیروی ماهیچهای اندامهای بدن استفاده شود، در توانبخشی و رباتهای فیزیوتراپ بسیار حائز اهمیت است. به همین خاطر هدف این کار پیشبینی نیروی عضلانی اندام تحتانی زانو تحت انقباضات ایزومتریک، در فرد تحت درمان توسط فیزیوربات میباشد؛ چراکه تخمین نیروی عضله از روی سیگنالهای الکترومایوگرام در کنترل فیزیوربات نقش بسیار مهمی دارد.
در این مقاله، ما یک روش مبتنی بر مدل برای تخمین نیرو با استفاده از سیگنالهای الکترومایوگرام سطحی، ارائه خواهیم کرد. این روش، مدل تخمینگر SVR میباشد که نسبت به شبکه عصبی دقت بهتر و تعمیمدهندگی بیشتری دارد و این برتریعمدتاً به دلیل اصل حداقلکردن خطای ساختاری در SVM است که توانایی تعمیم وسیعتری نسبت به اصل حداقلکردن خطای تجربی در شبکه عصبی دارد. در انتها نتایج این دو روش با یکدیگر مقایسه خواهند شد.
-2 روش ها:
-1-2 روش آزمایش:
6 شخص سالم 4 - مرد و 2 زن - ، داوطلبانه در این مطالعه شرکت کردهاند. میانگین و انحراف معیار سن، وزن و قد افراد به ترتیب 27/3±2/8 و 64/9±11/3 و 167/5±4/1میباشد. افراد قبل از شرکت در آزمایش، با نوع ثبت و نحوه انجام آن آشنا شده اند و همچنین سابقه هیچگونه فعالیت ورزشی منظم، بیماری و مصرف داروی خاصی را نداشته اند. در این آزمایش، افراد بر روی صندلی فیزیوربات نشسته و پا توسط موتور و نقاله مندرج، در یک زاویه مشخص ثابت نگه داشته میشود. هر فرد به مدت 5 ثانیه عضلات چهارسر رانی را در جهت باز کردن زانو و وارد کردن نیرو به لودسل، منقبض کرده و سپس 3 ثانیه استراحت می کند. این روند 5 بار بطور متوالی تکرار می شود. - لازم به ذکر است قبل از انجام آزمایش اصلی، بیشترین انقباض ممکن هر فرد در سه مرحله پیاپی ثبت شد و میانگین آنها به عنوان مقدار ماکزیمم انقباض ارادی10 - MVC - هر فرد در نظر گرفته شد. -
