بخشی از مقاله
خلاصه
با توجه به نیاز روز از افزون برای ایجاد روش های جدید در کمک به معلولان جسمی ، ابداع روشهایی همچون کار با رایانه و گوشی همراه ، می تواند در توانبخشی این قبیل افراد مفید باشد . البته افراد معمولی نیز می توانند از ویژگی های آن منتفع گردند و از کاربردهای آن استفاده کنند.حرکت دادن موس و یا صفحات وب توسط حرکات فک کاری است جدید که تا به امروز نظیر نداشته است . ما به دنبال ایجاد یک اینترفیس جهت انجام این ماموریت هستیم . این تحقیق کاربردی نو در حوزه ی HMI را ارائه می دهد و همچنین سبکی نو را در روش Biofeedback پایه گذاری می کند . روش به کار رفته نیز تا کنون توسط محققان انجام نپذیرفته است که در قسمت ارائه روش توضیح داده می شود . همچنین این روش دارای صد درصد صحت و دقت خواهد بود زیرا ما بدون استفاده از یک شبکه ی عصبی - - ANFIS
و با آموزش خود فرد توانسته ایم به هدف خود برسیم. تحقیق موجود ،علاوه بر اینکه می تواند خلا های موجود در بحث معلولین جسمی را پر کند ، می تواند مورد مصرف برای افراد معمولی نیز داشته باشد و به عنوان یک برنامه بر روی رایانه های شخصی و گوشی های همراه نیز نصب گردد و به این ترتیب ، پروژه موجود تبدیل به یک محصول تجاری نیز گردد . از جمله خلاء های تحقیقاتی در گذشته ، استفاده از وسایل گران قیمت جهت کار با این روش بود که کاربر نیاز به یک هزینه ی هنگفتی برای استفاده از یک سیستمی به نام eye tracker برای مسیر یابی حرکت چشم خود بر روی صفحه نمایش می گردید . به همین علت ما به سراغ استفاده از حرکات فک جهت ایجاد یک واسط میان انسان و رایانه رفته ایم .
به این ترتیب تنها با دو الکترود ساده و بدون نیاز به وسایل گران قیمت می توان سیگنال مربوطه را ثبت کرده و از طریق بایوفیدبک به فرد مورد نظر آموزش داد که ماهیچه ی مورد نظر را به اندازه ی مورد نیاز جهت واکنش منقبض نماید . یکی از جذاب ترین موضوعاتی است که محققان بر روی آن مشغول به مطالعه می باشند. HMI یکی از کاربرد های آن ، استفاده از اطلاعات به دست آمده از سیگنالهای EOG و EMG جهت ساخت یک سیستم واسط برای کار با رایانه است . به همین دلیل می توان با استفاده از حرکت چشمان و یا حرکات فک این خلاء را پوشش داد . ما برای حل این موضوع روش پردازش و دسته بندی سیگنالهای ایجاد شده درفک را به کار بردیم که روشی است جدیدتر نسبت به بقیه ی کارهای انجام شده در این حوزه است
کلمات کلیدی : روش بایوفیدبک ، شبکه ی عصبی نورو-فازی ، برهم کنش ماشین و انسان HMI ، حرکت عضله فک
.1 مقدمه
استفاده از بایوفیدبک یکی از روش های مورد استفاده توسط محققین جهت آموزش افراد آسیب دیده ی نخاعی است که توسط آن می توان به افزایش توانایی این افراد برای انجام کارهای روزمره کمک نمود . یکی از این روش ها استفاده از سیگنال استخراج شده از بدن فرد و ایجاد سطح آستانه ای بر روی آن و در نهایت آموزش فرد برای رساندن دامنه ی سیگنال عضلات EMG مورد نظر به حد آستانه ی تعیین شده و آموزش شبکه ی عصبی فرد معلول می باشد . پس از آموزش شبکه ی عصبی واقعی ، حال می توان بر روی طراحی یک سیستم با توجه به داده های به دست آمده جهت آموزش شبکه ی عصبی مصنوعی ، سود برد . برای این کار نیاز به نمونه های بیشتر می باشد تا بتوان با کمترین خطا به مقصود خود رسید .
در این تحقیق ، با توجه به کاربرد های گفته شده ، از عضلات فک برای تشخیص چهار جهت اصلی استفاده شده است نام این عضله MASSETTER می باشد که می توان با آموزش فرد با روش بایوفیدبک ، به فرد مورد نظر آموخت که با منقبض کردن عضله ی مذکور و رساندن به حد آستانه تعیین شده بتوان چهار جهت اصلی را تشخیص داد . سپس با آموزش یک شبکه عصبی مصنوعی ، یک سیستم واسط را برای ایجاد ارتباط میان فرد و ماشین ایجاد نمود .
.2 روش کار
این تحقیق دارای دو بخش اصلی می باشد : بایوفیدبک و ایجاد شبکه ی عصبی مصنوعی . این فصل در چهار بخش بایوفیدبک ، پردازش داده ها ، آموزش شبکه ی عصبی مصنوعی و در نهایت نتایج به دست آمده از آزمایش مورد بررسی قرار می گیرد .
. 1,2 بایوفیدبک
در این مطالعه به دنبال به دست آوردن سیگنال EMG عضله مطرح شده در فصل اول هستیم تا با آنالیز این سیگنال ها و سپس ایجاد حد آستانه بر روی آن و در نهایت آموزش فرد در کنترل سیگنال EMG خود به هدف از پیش شده تعیین شده برسیم .
. 1,1,2 ثبت داده ها
به علت آنکه در این تحقیق از بایوفیدبک و آموزش افراد استفاده می شود . تعداد نفرات و سن آن ها تاثیری در آزمایش نخواهد داشت . این مطالعه بر روی 2 نفر با سن 20 تا 30 سال صورت گرفت . به منظور ثبت EMG از دستگاه Flexcomp استفاده شد . این دستگاه با دارا بودن ناچ فیلتر قادر به حذف خودکار نویز برق شهر می باشد ، همچنین به دلیل داشتن خاصیت Self-Calibration ثبت داده ها با کیفیت مناسبی انجام می شود . ثبت داده ها به صورت 2 کاناله و با نرخ نمونه برداری 2048 بیت بر ثانیه گرفته شده است . نرم افزار ثبت داده ها BioGraph Infiniti می باشد که در شکل 1 نشان داده شده است. ثبت سیگنال EMG به صورت سطحی و در آزمایشگاه کنترل سیستم های عصبی - عضلانی دانشگاه آزاد مشهد انجام پذیرفت .
. 2,1,2 پروتکل ثبت و آموزش
در روش موجود ابتدا از افراد به مدت 30 دقیقه ثبت EMG گرفته می شود . تعداد SUBJECT در این روش ، به این علت که ما از روش بیو فیدبک استفاده نموده ایم ، اهمیت چندانی ندارند . در هنگام ثبت سیگنال ، فرد مورد نظر در مقابل مانیتور قرار گرفته و قادر به مشاهده ی سیگنال ثبت شده خود می باشد . در همان لحظه به فرد دستور داده می شود که با توجه به سطح آستانه ی مورد نظر برای هر حرکت، عضله ی خود را منقبض کرده و موس را بر روی صفحه به حرکت در آورد . سپس سیگنال EMG ثبت شده مورد بررسی قرار می گیرد تا مشخص شود که فاکتور خستگی تا چه مقدار در عملیات تاثیر گذار خواهد بود . پس از آن که فرد به خوبی آموزش دید از فرد خواسته می شود که بدون دیدن سیگنال خود ، موس را در جهت مورد نظر حرکت دهد . اگر این کار به درستی صورت گیرد به آن معناست که شبکه ی عصبی فرد به درستی آموزش دیده است .
. 2,2 پردازش داده ها
در این بخش از دو نوع پردازش جهت بایوفیدبک و سپس طراحی یک شبکه ی مصنوعی استفاده می شود . ابتدا بر روی سیگنالهای استخراج شده ، یک سطح آستانه تعریف می شود تا فرد با رساندن دامنه ی سیگنال EMG فک خود به سطح آستانه ی تعیین شده ، موس را در جهات مختلف به حرکت در آورد . سپس با استخراج ویژگی مطبوع از سیگنال های ثبت شده ، می توان شبکه ی عصبی مصنوعی مورد نظر را آموزش داد تا سیگنال ثبت شده را دنبال کند .
. 1,2,2 تعیین سطح آستانه
حال در این مرحله به انتخاب سطح آستانه می پردازیم . با توجه به آنکه سیگنال ثبت در مرحله ی اولیه دارای پیک ولتاژ میان 0,05 ولت تا 0,1 ولت بود ، میزان سطح آستانه را میان 0,1 تا 0,2 انتخاب کردیم تا هم نیازی به فشار بیش از حد بر عضله نباشد و هم اینکه فرد ، کنترل مورد نظر را بر روی سیگنال خود داشته باشد و مشخص شود که تا چه حد می بایست عضله ی خود را منقبض نماید . در این بخش به نتایج به دست آمده از آموزش فرد مورد نظر جهت منقبض کردن عضله ی خود می پردازیم . با توجه به گفته های پیشین در مورد فرد و انجام پروتکل خواسته شده ، فرد مورد نظر با انجام سه مورد ثبت توانست آموزش دیده و سیگنال عضله ی خود را بدون مشاهده ی آن به سطح مورد نظر برساند . این سطح آستانه و مقایسه ی آن با سیگنال اولیه را در شکل زیر مشاهده می فرمایید .
