بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
تشخيص خستگي عضلاني با استفاده از شبکه هاي عصبي مصنوعي
چکيده
خستگي به عنوان يک علامت مزمن در برخي از اختلالات نظير MS، پارکينسون و بيماريهاي اسکلتي- عضلاني ظهور مييابد و از آن جا که مسأله اي پيچيده براي پزشکان به شمار ميآيد، تعيين دقيق سطوح آن ، امري ضروري تلقي ميشود. در اين مقاله از سيگنال هاي الکترومايوگرافي سطحي (SEMG) به عنوان يک روش غيرتهاجمي براي تشخيص خستگي عضلاني استفاده ميشود که پس از کميسازي اين سيگنال ، ١١ ويژگي در حوزه ي زمان ، فرکانس و زمان - فرکانس استخراج شده است . در اين مقاله سعي شده است ، ضمن مقايسه ي دو روش هوشمند شبکه ي عصبي براي تشخيص خستگي عضلاني، مناسب ترين روش انتخاب گردد. نتايج نشان ميدهند که در مرحله آزمايش ، صحت طبقه بندي در تشخيص خستگي عضلاني با استفاده از شبکه هاي عصبي RBF و MLP، به ترتيب %٨٧.١ و %٩٦.٣ ميباشد. از اين رو استفاده از شبکه هاي عصبي MLP، از نظر صحت عملکرد و سرعت اجرا، به ويژه زمانيکه تعداد داده ها افزايش مييابد، گزينه اي مناسب به شمار ميرود.
واژه هاي کليدي: الکترومايوگرافي سطحي(SEMG)، پرسپترون چندلايه (MLP)، تابع شعاع مدار(RBF)، خستگيعضلاني، طبقه بندي.
١- درمقعلدوم ه پايه ، مخصوصاً فيزيولوژي، خستگي به صورت پديده اي کـه با زمان کاهش در حداکثر توان توليد نيرو مـرتبط اسـت ، تعريـف شـده است . معمولاً اين مسأله با بدتر شـدن حـداکثر انقبـاض ارادي (MVC)
بيان ميشود. خسـتگي فيزيولوژيـک ، الزامـاً همـراه بـا درک شـخص از خستگي نميباشد. فقدان توان توليد نيـرو مـيتوانـد منشـأ محيطـي و مرکزي داشته باشد. خستگي غالباً در سطح محيطـي، يعنـي در سـطح بافت عضلاني مورد مطالعه قرار گرفته است . افـت نيـرو حـين انقبـاض ، اساساً به تغييرات سطوح يون داخل سلولي نسبت داده ميشود که اثري منفي بر روي نيـروي انقباضـي دارد. در خسـتگي محيطـي، انباشـتگي
lactate و پتاسيم خارج سلولي به همراه کاهش pH، تحريک پذيري غشاء
را متأثر ميسازد.
در طب باليني، خستگي تا چند سال اخير مورد بررسي قرار نگرفتـه است . شايد به اين دليل که واژه ي خستگي به صورت يک واژه ي ذهنـي و ill defined در نظر گرفته شده است و مفهومي اسـت کـه بـا دو بعـد مشخص مـيشـود، سـايکولوژيک و فيزيولوژيـک . بنـابراين فاکتورهـاي سايکولوژيک نظير احساس خوشبختي و تندرستي، مسـائل مربـوط بـه تمرکز، خصوصيات ، فعاليت هاي فيزيکي و عملکردهاي اجتماعي، نحوه ي تجربه ي خستگي را تحت تأثير قرار ميدهند.
خستگي به عنـوان يـک علامـت مـزمن بـه بهتـرين شـکل در برخـي اختلالات جسـمي نظيـر سـرطان ، MS، پارکينسـون (PD) و اخـتلالات قلبي- عروقي ظهور مييابد. خستگي نيـز بـه صـورت اثرجـانبي عوامـل دارويي نظير β-blockerها رخ ميدهد و به صورت افسردگي و در طـول استرس تعريف ميگردد. به علاوه گروهي از بيماران شديدًا خسته وجود دارند که هيچ بيماري جسمي قابل شرحي ندارنـد. اگـر خسـتگي بـراي بيش از ٦ ماه به طول بيانجامد و بيماران برخي از معيارهاي ديگر را نيز برآورده سازند، اختلال به صورت سندروم خستگي مزمن تشـخيص داده ميشود.
خستگي، پديده اي همگاني و روزانه ميباشد که علائم آن مفـاهيمي دشوار و چندبعدي هستند که اين مسأله اي پيچيده براي پزشکان مـي- باشد. از اين رو براي اين که مقايسـه ي بـين سـطوح خسـتگي بيمـاران ممکن گردد، درک فردي از خستگي بايد کمـي شـود. بنـابراين تعيـين دقيق سطوح مختلف آن ، امري ضروري ميباشد. ثبـت همزمـان نيـرو و
SEMG، اطلاعات مفيدي را در مورد مکانيزم هاي خستگي فـراهم مـي- سازد. SEMG، امکان مشاهده ي online متغيرهاي مختلف نظير دامنـه ، محتويات فرکانسي سيگنال و سرعت هدايت فيبر عضـلاني (MFCV) را فراهم ميسازد. تشخيص خستگي عضلاني کاربرهاي وسيعي در حـوزه - هاي درماني، پژوهشي، تشخيصـي ماننـد مطالعـات ارگونوميـک ، علـوم ورزشي، توانبخشي و بيوفيدبک دارد. با ديد بهتر نسبت بـه جنبـه هـاي مختلف خستگي مزمن و توانايي سنجش اين جنبه ها بـه صـورتي قابـل اطمينان ، اکنون احساسات ذهني ميتواننـد بـه صـورت علمـي مطالعـه شوند که هم محققان و هم متخصصين باليني را متقاعد نموده است که به خستگي به عنوان مسأله اي با ارزش تحقيقاتي نگاه کنند[١٢].
٢- مواد و روش ها
در اين مقاله از داده هاي SEMG ثبت شده ، مربوط به پايان نامه ي کارشناسي ارشد "پردازش و تحليل سيگنال هاي SEMG به منظور کسميگيناسل ازهاييخسGتMگيE بعه ضصلاونريت حسين حکاير، باازراعيانضه لات استفاmدuه orشitدgه diاسrت f]l1e[xo.
profondus و trapezius، تحت نظارت متخصص فيزيوتراپي، توسط دستگاه 4.25T power lab ثبت شده اند. سوژه ها، ٨ نفر از دانشجويان دختر بوده که همگي عمل تايپ را با کمک دو دست ، انجام داده و هيچ - کدام قبل از ثبت ، احساس ضعف يا خستگي در عضلات موردنظر را نداشته اند. به منظور پوشش محدوده ي فرکانسي سيگنال EMG و حذف نويزهاي فرکانس بالا و پايين ، فيلترهاي دستگاه power lab که شامل يک فيلتر بالاگذر و يک فيلتر پائين گذر ميباشند، به ترتيب روي فرکانس قطع ٨ هرتز و ٥٠٠ هرتز تنظيم شده اند. هم چنين براي حذف نويز برق شهر از فيلتر Notch با فرکانس ٥٠ هرتز استفاده شده است .
داده هاي EMG خام ، از يک مبدل آنالوگ به ديجيتال ١٦ بيتي با فرکانس نمونه برداري 1kHz عبور داده شده اند. با توجه به اينکه تمام سوژه ها حين ثبت ، خستگي را در موقعيت عضله ي Trapezius را اعلام نموده بودند، تحليل ها روي کميسازي خستگي در اين موقعيت صورت پذيرفت [١] .
٣- پردازش و استخراج ويژگي ّ
به منظور کميسازي خستگي عضلاني و نيز افتراق بين کلاس هـاي خسته و غيرخسته ، از هر کلاس ، ١١ ويژگي در حوزه ي زمان ، فرکانس و زمان - فرکانس استخراج شده است . سپس ويژگيها نرماليزه شده و بـه مقياس مناسب آورده شده اند.هم چنين به منظـور بررسـي خصوصـيات آماري داده ها در هر کـلاس ، بـا توجـه بـه طـولاني بـودن مجموعـه ي سيگنال هاي ثبت شده ، بعد از استخراج ويژگي در epochهاي ١ثانيـه اي از سيگنال SEMG، ميانگين مقادير ويژگيها در هر پنج epoch به عنوان يک نمونه در نظر گرفتـه شـده اسـت . لازم بـه ذکـر اسـت کـه کليـه ي پـردازش هــاي مربـوط بــه اسـتخراج ويژگــي بـا اســتفاده از نـرم افــزار MATLAB Ra٢٠١٠ انجام شده اند.
٣-١ ويژگيهاي حوزه ي زمان
ويژگيهاي استخراج شـده در حـوزه ي زمـان شـامل ، نـرخ عبـور از صفر(ZCR) و ريشه ي ميانگين مربعات (RMS) ميباشند.
RMS: مقـدار RMS سـيگنال EMG در ارتبـاط بـا واحـد حرکتـي، منعکس کننده ي فرکانس آتش ، مدت زمان و سرعت سيگنال الکتريکـي است . افزايش اين ويژگي مـيتوانـد، نشـان دهنـده ي بکـارگيري تعـداد فيبرهاي عضلاني بيشتر براي يک نيروي خارجي ثابت باشد و شاخصـي از پيشرفت خستگي است .
در رابطه ي (١)، xi،i امين سمپل سيگنال و N، تعداد سـمپل هـا در هـر epoch ميباشد. در محاسبه ي RMS، مقدار ثابت زماني که معرف طول پنجره ميباشد، بايد متناسب با ماهيت فعاليت مورد بررسـي باشـد. بـه اين معني که بايد براي حرکات کند، طـولاني و بـراي حرکـات سـريع ، کوتاه باشد. در اين مقاله با توجه به ماهيت سيگنال EMG، طول پنجره ١ثانيه در نظر گرفته شده است .
ZCR: نرخ عبور از صفر يا فرکانس عبور از صفر سـيگنال (S)t، بـه - صورت نصف تعداد عبور از صـفر (S)t در ثانيـه ، تعريـف مـيشـود. ايـن ويژگي معرف تعداد دفعاتي است که دامنه ي سيگنال EMG از خط پايه عبور ميکند. با افزايش فعاليت عضله ، پتانسـيل عمـل بيشـتري توليـد خواهد شد که باعث افزايش تعداد دفعات عبور از صفر در سيگنال مـي- شود. اما با آغاز خستگي، اين ويژگي بـه دليـل کـاهش هـدايت جريـان الکتريکي در عضله ، کاهش مييابد.
که در رابطه ي (٢)، (S)f،PSD سيگنال و ، فرکانس نمونه برداري مي - باشد[١٠].
٣-٢ ويژگيهاي حوزه ي فرکانس
ويژگيهاي استخراج شده در حوزه ي فرکانس عبارتند از: فرکانس ميانه (MDF)، فرکانس متوسط (MNF)، فرکانس غالب (DF) و توان نسبي باند فرکانسي بالا به باند فرکانسي پايين .
فرکانس متوسط : از رايج ترين متغيرهاي فرکانسي در مطالعات EMG،MNF طيف توان بوده و به صورت ممان مرتبه ي اول آن تعريف ميگردد.
فرکانس ميانه : فرکانسي است که در آن ، طيف توان به ٢ بخش با توان مساوي تقسيم ميشود که شامل ممان مرتبه ي صفر PSD مي - باشد.
که در رابطه ي (٣) و(٤)، (P)ω،PSD سيگنال EMG و ω، متغير فرکانسي ميباشد. اين ٢ ويژگي به صورت گسترده اي به منظور فراهم نمودن اطلاعات پايه اي در مورد اين که طيف توان چگونه در طول زمان تغيير ميکند، مورد استفاده قرار ميگيرند.
فرکانس غالب : اين ويژگي ، فرکانس غالب را در يک باند فرکانسي منتخب که با روش Welch تخمين زده مي شود، مي يابد. براي اين ويژگي محدوه فرکانسي 45Hz-15 به دليل تکرار بيشتر آن در وضعيت خستگي انتخاب شده است .
توان نسبي باند فرکانسي بالا به باند فرکانسي پايين : از آن جاييکه خستگي عضلاني موجب انتقال طيف فرکانسي به سمت فرکانس هاي پايين ميشود؛ ميتوان به کمک بازبيني تغييرات در بازه هاي مختلف فرکانسي نظير نسبت بين باندهاي فرکانسي بالا و پايين ، خستگي را رديابي نمود[١٠] .
٣-٣ ويژگيهاي حوزه ي زمان - فرکانس
ويژگيهاي استخراج شده در حوزه ي فرکانس عبارتند از: فرکانس ميانه (MDF)، فرکانس متوسط (MNF)، فرکانس غالب (DF) و توان نسبي باند از آن جايي که در پروتکل ثبت ، انقباض عضله به صورت ديناميک انجام گرفته و روش هاي زمان - فرکانس برخلاف آناليزهاي طيفي مبتني بر تبديل فوريه ، نيازي به فرض ايستايي ندارند، مي توان از تبديل ويولت که تجزيه ي سيگنال به مجموعه اي از توابع پايه ميباشد و تحليل سيگنال غيرايستان SEMG را هم زمان در دو بعد زمان و فرکانس فراهم ميسازند، استفاده نمود. در اين مقاله ٥ شاخص متفاوت با استفاده از تبديل ويولت گسسته (DWT) براي سيگنال SEMG محاسبه شده است :
دسته ي اول : نسبت شاخص هاي ويولت بين ممان ها در مقياس هاي مختلف ، که در آن ٣ پارامتر از ممان هاي طيفي محاسبه شدند:
١- شاخص ويولت نسبت بين ممان ١- در مقياس ٥ و ممان ٥ در مقياس ١ (WIRM١٥٥١). اين پارامتر به صورت زير
محاسبه ميشود:
که (f)D٥ و (f)D١ به ترتيب طيف توان محاسبه شده توسط تبديل فوريه ي مقياس هاي پنجم و اول مربوط به DWT با استفاده از ويولت ميباشد.
٢- شاخص ويولت نسبت بين ممان ١- در مقياس انرژي ماکزيمم و ممان ٥ در مقياس ١ (WIRMM١٥١).
که (Dmax)f و (f)D١ به ترتيب طيف توان محاسبه شده توسط تبديل فوريه ي ماکزيمم انرژي و اول مربوط به DWT با استفاده از ويولت db٥ و Hz٨ =f١ و Hz٥٠٠ =f٢ ميباشد. مقياس حداکثر انرژي در اين جا، ٤ بوده است .
٣- شاخص ويولت نسبت بين ممان ١- در مقياس ٥ و ممان ٢ در مقياس ٢ (WIRM١٥٢٢).
که (f)D٥ و (f)D٢ به ترتيب طيف توان محاسبه شده توسط تبديل فوريه ي مقياس هاي پنجم و دوم مربوط به DWT با استفاده از ويولت db٥ و Hz ٨ =f١ و Hz٥٠٠ =f٢ ميباشد.
٤- شاخص ويولت نسبت انرژيها در مقياس هاي ٥ و ١ .(WIRE51)
که [n]D5 و [n]D1 به ترتيب جزئيات در مقياس هاي پنجم و اول مربوط به DWT ميباشند که با استفاده از ويولت Sym5 محاسبه شده اند.
دسته ي دوم : نسبت شاخص ويولت بين طول موج هاي مربع در مقياس هاي مختلف (WIRW51). طول موج ، پارامتري است که تغييرات تجمعي در دامنه را از يک سمپل زماني تا سمپل زماني ديگر، در کل سيگنال اندازه گيري مينمايد و به گونه اي مؤثر، دامنه ، فرکانس و بازه ي زماني سيگنال EMG را در فرمولي ساده ، فشرده ساخته است . اين شاخص به صورت زير محاسبه ميشود:
[n] به ترتيب جزئيات در مقياس هاي پنجم و اول DWT
که [n]D5 و D1
محاسبه شده توسط ويولت Sym٥ ميباشند[١١].
٤- شبکه هاي عصبي مصنوعي
در اين بخش جهت طبقه بندي کـلاس هـاي خسـته و غيرخسـته ، از شبکه هاي عصبي MLP و RBF که از معروف ترين روش هـاي جداسـاز غيرخطي هستند، استفاده شده است . در اين مقاله به منظور پياده سازي شبکه هاي عصبي مذکور، از ٢٤٦٦ داده ، استفاده شـده اسـت کـه بـراي ارزيابي صحت اين طبقه بنديها، مجموعه ي داده را به ترتيب با نسـبت - هاي %٧٠، %١٥، %١٥ به داده هاي آموزش ، آزمـايش و ارزيـابي انتسـاب داديم . لازم به ذکر است که شبکه هاي عصبي ذکر شده در محـيط نـرم افزار١٧ SPSS شبيه سازي و اجرا شده است [١٣].
٤-١ شبکه ي عصبي MLP
در اين قسمت از يک شبکه عصبي پرسپترون سه لايه کـه الگـوريتم يادگيري آن بر مبنـاي تـابع پـس انتشـار خطـا (Back Propagation)
خواهد بود، استفاده شده است . براي پياده سازي شبکه ي عصبي MLP، در لايه ي ورودي از ١١ نورون و در لايـه ي مخفـي از ٧ نـورون بـا تـابع فعال سازي هايپربوليک تانژانت استفاده نموديم . در لايه ي خروجي نيز از ٢ نورون با تابع فعال سازي Softmax استفاده شده است . در ايـن روش کليه ي مراحل آموزش و آزمايش شبکه با توجه به تـابع خطـاي -cross entropy متوقف شده است .
