بخشی از مقاله
چکیده -
باتوجه به این که وقوع رعشههای پاتولوژیکی به صورت گاه گاه در افراد مختلف - حتی در سنین کم - رخ میدهد. اگر مدلهای مناسبی داشته باشیم که بتواند تغییرات زاویه مفصل را هنگام رعشه پاتولوژیکی فقط با ثبت سیگنال الکترومایوگرام پیشبینی کند، سپس کنترل این رعشه و سرکوب آن بوسیله روش های مختلف مانند تحریک الکتریکی عملکردی و ربات های مکانیکی میتواند خیلی تسهیل شود.
از این روی در این مقاله، یک روش مبتنیبر نوسان ساز ها برای دنبال کردن تغییرات الگوی فعالیت عضلات هنگام رعشه ارائه شده است. سیگنال الکترومایوگرام مچ دست فردی که ازعوارض سکته مغزی رنج میبرد، ثبت شدهاند. با استفاده از نوسان سازهاپف و کنترل کننده تطبیقی، مدلی ارائه شده است که بتواند تغییرات دامنه و فرکانس سیگنال الکترومایوگرام مچ دست در هنگام رعشه پاتولوژیکی را لحظه به لحظه پیشبینی نماید و الگوی کلی آن را توصیف کند. راهکار پیشنهادی با میانگین ضریب همبستگی 0/66، توانسته تغییرات دامنه و فرکانس پیشبینی و الگوی کلی آن را توصیف نماید.
-1 مقدمه
رعشه پاتولوژیکی نوعی حرکت غیرارادی شبه سینوسی حول مفاصل است. این حرکات بدلیل انقباضهای متناوب عضلات پدید میآیند. لرزش در افراد مختلف و در بیماریهایی مانند MS، مخچهای و پارکینسون و ... مشاهده شده و منجر به کاهش کیفیت زندگی افراد میشود. [1] از این رو، پژوهش های گستردهای در زمینه سرکوب رعشه دست در بیماران انجام شدهاند.
مقالات برجسته برای سرکوب رعشه به دو دسته تقسیم میشوند: اولین دسته مقالاتی که براساس آنالیز غیر خطی سیگنال رعشه کار کرده اند و دسته دیگر مقالاتی که براساس کنترل و سرکوب سیگنال رعشه با روش های ABPF و WFLC و تبدیل هیلبرت و اسیلاتور غیرتطبیقی کار کردهاند
اصلیترین محدودیت این مقالات منوط به شرایطی است که حتماً کنترل رعشه براساس دادههای الکترومایوگرام و ژیرسکوپ انجام شده، همچنین به طور تطبیقی و قابل پیش بینی در لحظه نبودهاند بنابراین این روشها برای کنترل رعشه مناسب نمی باشد. در پژوهشهای بررسی شده بحث پیشبینی تغییرات سیگنال الکترومایوگرام توسط اسیلاتورها انجام نشده است که بتواند تغییرات همزمان دامنه و فرکانس سیگنال الکترومایوگرام مچ دست در هنگام رعشه پاتولوژیکی را پیش بینی نماید.
در مجموع، کارهای مشاهده شده بیشتر محدودیت اصلی آنها تطبیقی نبودن و در نظر گرفتن پنجره زمانی و خطی در نظر گرفتن سیستم عضله دست به عبارت دیگر تا کنون کار برجستهای در زمینه پیش بینی تغییرات سیگنال الکترومایوگرام که بتواند تغییرات همزمان دامنه و فرکانس سیگنال الکترومایوگرام مچ دست در هنگام وقوع رعشه، ارائه نشده است.
روشهای آشکارسازی مبتنیبر پیشبینی به خاطر وجود تأخیر ذاتی سیستم های عصبی-عضلانی کارایی مدل را افزایش میدهند. از طرفی سیگنالهای الکترومایوگرام به طور معمول آغشته با سیگنالهای آرتیفکت و نویزهای اندازهگیری هستند و پیش پردازش نامناسب این سیگنالها میتواند برروی دقت پیش بینی اثر بگذارد. از این روی در این بررسی پیشبینی و سرکوب رعشه با استفاده از آنالیز اطلاعات الکترومایوگرام مچ دست صورت میگیرد. برای این منظور از نوع خاصی از اسیلاتور هاپف استفاده شده است چرا که به این ترتیب حجم محاسبات کمتر میشود و نیازی به پیش پردازش نمی باشد.
-2 مواد و روشها
-1-2 ثبت داده انسانی
داده های مورد پردازش از یک فرد 22ساله ثبت خواهد شد. این داوطلب از عوارض سکته مغزی رنج می برد و فاقد هرگونه بیماری عصبی است. برای انجام پروسه ثبت داوطلب بایستی برروی یک صندلی نشسته و یک دست خود را در موقعیتی موازی با زمین قرار دهد. سیگنال الکترومایوگرام مچ دست با استفاده از یک سیستم ضبط - مدل ME6000، مگا الکترونیک، کوپیو فنلاند - ثبت میشود. شکل1 نحوه ثبت سیگنال الکترومایوگرام همزمان از عضلات اکستنسور و فلکسور مچ دست را نشان میدهد.
سیگنال در لحظه فعلی و 50 میلی ثانیه قبلی است. این 50 میلی ثانیه بعلت وجود تاخیرهایی که در سیستمهای FES و تاخیرهای الکترومکانیکال می باشد. ساختار مدل پیش بین پیشنهادی به این صورت میباشد که سیگنال الکترومایوگرام ترموری ثبت شده را به عنوان ورودی داده و انتظار داشته که در خروجی بتوان دقیقا همان را دریافت و 50 میلی ثانیه بعد را پیش بینی کند.
این مدل شامل دو بخش عمده: اسیلاتور وکنترلر می باشد. پس از اتمام مراحل ثبت، دادههای رعشه را به مدل اسیلاتورهاپف آموزش داده میشود و سیگنال رعشه آموزش دیده شده را تحویل میگیریم .، بنابراین انتظار داریم که در هنگام وقوع رعشه، اسیلاتور بتواند دقیقا همان را تولید و پیشبینی نمایید؛ لذا معیار تعیین دنبال کنندگی مناسب ضریب همبستگی بیشتر از 0/5 در نظر گرفته شد. بلوک دیاگرامی از نحوه عملکرد مدل ارائه شده در شکل 2 نمایش داده شده است که بیانگر آنچه در این مقاله انجام شده است، میباشد.
شکل:1 تصویری از ثبت سیگنال الکترومایوگرام همزمان از عضلات اکستنسور و فلکسور.
-2-2 ساختار مدل پیشبین پیشنهادی
نحوه تنظیم و تطبیق پارامترهای کنترلی براساس اختلاف
شکل: 2 نمودار بلوکی مدل پیشبین پیشنهادی
-3-2 اسیلاتور تطبیقی هاپف
یک روش پویا برای بدست آوردن طیف فرکانسی و دامنه از یک سیگنال با یک سیستم دینامیک غیر خطی پیشنهاد میشود که با استفاده از یک مدل نوسانگر فرکانس تطبیقی به ساخت الگوی مرکزی تطبیقی - CPG - پرداخته است
شکل : 3 شماتیک اسیلاتور هاپف کوپل شده
در این روش، پارامتر موثر بر فرکانس نوسان ساز به یک متغیر حالت جدید با دینامیک خود تبدیل میشود. در فرمولها rدامنه ی نوسان را کنترل میکند، تعیین کننده شعاع همگرایی، کنترل سرعت بهبود و بازگشت به چرخه ی حدی پس از اغتشاش را برعهده دارد، کنترل کننده فرکانس نوسانها است، F - t - ورودی تناوبی است که نوسان ساز فرکانس خود را با آن هماهنگ می سازد، ثابت جفت شوندگی و سرعت همگرایی و مقدار ثابت یادگیری و Qlearning، خروجی مولد مرکزی الگو و Pteach سیگنال ورودی برای یاد گرفتن است.
شبکه ای از N اسیلاتور ، با فرکانس و دامنه انطباقی مختلف، توسط مجموعه ای از معادلات تطبیقی نوسان ساز هاف توصیف شده است. قانون یادگیری مبتنی بر ارتباط توابع Xi و F - t - می باشد. نشان دهنده دامنه مربوط به فرکانس از نوسان ساز i است. اختلاف فاز بین نوسان ساز i و 0 را نشان میدهد. هر نوسان ساز انطباقی با یک نوسان ساز0 و با نیروی جفت می شود تا اینکه روابط فاز بین نوسان سازها را با استفاده از ترکیب جفت شدگی به درستی اصلاح کند و به همزمان سازی فاز دست یابد
-4-2 کنترل کننده تطبیقی
پس از آموزش اسیلاتور هاپف به منظور بهبود دامنه از کنترلر تطبیقی استفاده شد. e خطای پیشبین بین سیگنال ترموری واقعی و خروجی اسیلاتور می باشد4 ]و. [9 ساختار شماتیکی یک نورون کنترلر خود تنظیم در شکل 4 نشان میدهد. ورودی کنترلر مجموع خطا و مشتق خطا در نظر گرفته شد و توصیف ریاضی آن در زیر آورده شده است:
شکل: 4 شماتیکی از کنترلر تطبیقی نورون خود تنظیم
: I ورودی خارجی کنترلر، : آستانه و :Net ورودی کنترلر و u خروجی کنترل کننده تطبیقی است که به عنوان کنترل کننده با خروجی اسیلاتور جمع میشود.
تابع فعال ساز آن تانژانت هایپربولیک است، که رابطه ریاضی آن در معادله - 12 - بیان شده است، دارای سه پارامتر aو bو میباشدX مقدار خروجی واقعی بدست آمده از اسیلاتور و Xd مقدار مطلوب می باشد.
