فناوری توانبخشی پیشرفته

Qingsong Ai، ... شنگ کوان زی، در فناوری توانبخشی پیشرفته، 2018

اچ ام ای dop-107bv تشخیص حرکت مداوم

رابط انسان و ماشین مبتنی بر تشخیص حرکت گسسته می تواند مشکل جفت اطلاعات بین انسان و ماشین را به خوبی حل کند، که از تداخل کمک های توانبخشی در فعالیت های خودمختار بدن انسان جلوگیری می کند [49]. با این حال، با این استراتژی، پارامترهایی مانند مسیر و سرعت هر دستگاه کنترل فرمان حرکتی hmi   از پیش تعیین می شود.hmi  علاوه بر این، یک "دوره فازی" در تبدیل دسته های عمل وجود دارد، زیرا تجهیزات کمکی توانبخشی به اندازه کافی روان کار نمی کنند. از طرفی نمی توان به اندازه نیروی کمکی که باید در حین عملیات ارائه شود به دست آورد که تجربه کاربری را تا حد زیادی کاهش می دهد. برای دستیابی به کنترل مداوم و روان تجهیزات کمکی توانبخشی، و برای انعطاف پذیرتر کردن و شهودی کردن فرآیند کنترل، بسیاری از محققان شروع به مطالعه شناسایی اطلاعات حرکت مداوم در حین تمرین کرده اند، که عمدتاً شامل اطلاعات نیروی / لحظه مشترک و تخمین اطلاعات زاویه مفصل می شود. در طول حرکت مداوم

جلال الدین و همکاران [50] همانطور که در شکل 2.1 نشان داده شده است، رابطه بین EMG و فشار انگشت شست را مورد مطالعه قرار دادند. با جمع آوری چهار عضله در کف دست و با استفاده از روش استخراج ویژگی ریشه میانگین مربع (RMS)، از شبکه عصبی برای پیش بینی فشار انگشت شست با دقت متوسط ​​99 درصد استفاده می شود.

شکل 2.1

برای دانلود تصویر در اندازه واقعی وارد شوید

شکل 2.1. پیش بینی فشار انگشت شست بر اساس EMG.

(تجدید چاپ با اجازه از N. Jalaludin, A. Shamsudin, S. Sidek, et al., Electromyography (EMG)-based thump-tip estimation for prothetic thumb, in: Computer and Communication Engineering (ICCCE), 2012 Conference International on IEEE، صفحات 783-786، 2012. حق نشر © 2012 IEEE.

نعیم و همکاران و بوئنو و همکاران [51،52] همانطور که در شکل 2.2 نشان داده شده است، از مدل هیل برای محاسبه نیروی عضلانی یا گشتاور استفاده کرد. مدل هیل به طور ماکروسکوپی مکانیسم انقباض ماهیچه های اسکلتی را توصیف می کند و بر این اساس مدل های انقباض زیادی برای محاسبه قدرت عضلانی ایجاد کرد. نعیم و همکاران [51] سیگنال های عضلانی عضلات دوسر و سه سر را جمع آوری کرد. نیروی عضلانی با مدل هیل محاسبه شد و مدل نگاشت بین EMG و نیروی عضلانی توسط NN ایجاد شد. دقت پیش بینی بیش از 99٪ بود. اگرچه این روش از استفاده از حسگرهای نیرو برای اندازه گیری نیرو/ممان و کاهش تعداد حسگرها اجتناب می کند، روش مدل از نظر ساختار پیچیده است و نیاز به بازسازی دارد. با این حال، به دست آوردن این پارامترهای فیزیولوژیکی اغلب دشوار است.

شکل 2.2

برای دانلود تصویر در اندازه واقعی وارد شوید

شکل 2.2. مدل تپه.

در پنگ و همکاران. [53]، گشتاور مفصل آرنج توسطhmi  NN پیش‌بینی شد و خطای استاندارد با استفاده از یک شبکه عصبی تاخیر زمانی به 0.2 ± 0.6 کاهش یافت، همانطور که در شکل 2.3 نشان داده شده است. در ژانگ و همکاران. [54]، روش LS-SVM برای شناسایی اقدامات مختلف با نرخ دقت 92٪ استفاده می شود. سپس از NN برای شناسایی زوایای مختلف عمل با دقت 80% استفاده می شود.

شکل 2.3

برای دانلود تصویر در اندازه واقعی وارد شوید

شکل 2.3. پیش بینی گشتاور آرنج بر اساس EMG.

(تجدید چاپ با اجازه L. Peng، Z. Hou، W. Wang، A dynamic EMG-torque model of elbow based on neural networks, Conf. Proc. IEEE Eng. Med. Biol. Soc. 2013 (2015) 2852.) حق چاپ © 2015 IEEE.

لی و همکاران [55] ترکیبی از تشخیص حرکت انگشت با پیش‌بینی نیرو. با استفاده از ویژگی‌های دامنه زمانی و اتورگرسیو (TD-AR)، PCA برای کاهش ابعاد استفاده شد، سپس از NN برای قضاوت حرکت انگشت استفاده شد. در همان زمان، مدل درجه دوم برای پیش بینی نیرو استفاده شد. در مقایسه با مدل خطی، مدل درجه دوم در پیش بینی نیرو بهتر است.

hmi همه این مطالعات امکان استفاده از سیگنال‌های sEMG را برای تخمین اطلاعات نیروی/ممان مشترک نشان می‌دهند.

راج و سیواناندان [56] یک سیستم فازی بر اساس ورودی ویژگی دامنه زمانی sEMG برای پیش‌بینی زاویه آرنج ایجاد کردند. علی و همکاران [57] نمونه‌برداری همزمان از سیگنال‌های EMG و زوایای مفصل آرنج را انجام داد و سه NN موازی برای تخمین زوایای سه‌بعدی ایجاد کرد. با این حال، نتایج پیش بینی انحرافات زیادی را نشان داد. از آنجایی که تغییرات زاویه در زمان پیوسته است، ماساکی و همکاران. یک ضریب تاخیر به NN اضافه کرد تا صافی تغییرات زاویه ای را کنترل کند. در پیش بینی زاویه مفصل انگشت، نتایج پیش بینی شده به دست آمده بالاتر از NN است. کاسترو و همکاران [58] فعالیت آرنج را بر اساس فواصل زاویه ای به سه بازه طبقه بندی کرد و آنها را با استفاده از LDA با نرخ تشخیص 90 درصد طبقه بندی کرد.

در رابطه با پیش‌بینی زاویه، ادبیات [59] از سیگنال sEMG برای محاسبه فعال‌سازی عضله استفاده کرد و از آن به عنوان ورودی مدل رگرسیون LS-SVM برای تحقق پیش‌بینی زاویه فعالیت‌های اندام تحتانی استفاده کرد.hmi  

با راه رفتن طبیعی انسان خطای پیش بینی را می توان در محدوده کوچکی کنترل کرد. این مطالعات همچنین امکان استفاده از sEMG را برای تخمین اطلاعات زاویه نشان می دهد.