@article { author = {Naghibi, Seyedeh Somayeh and Fallah, Ali and Maleki, Ali and Ghassemi, Farnaz}, title = {Planar Reaching Movement Generation using Submovement Prediction Model}, journal = {Iranian Journal of Biomedical Engineering}, volume = {13}, number = {3}, pages = {247-257}, year = {2019}, publisher = {Iranian Society for Biomedical Engineering}, issn = {5869-2008}, eissn = {9685-8006}, doi = {10.22041/ijbme.2019.104988.1465}, abstract = {The correct prediction of the optimal motor trajectory is necessary for movement rehabilitation and control systems such as functional electrical stimulation and robotic therapy. It seems that human reaching movements are composed of a set of submovements, each of which is a correction of the overall movement trajectory. Therefore, it is possible to interpret complex movements, learning, adaptability and other features of the motion control system using submovements. The purpose of this study is predicting and generating planar reaching movements using a realistic model similar to the actual mechanism of human movement and based on the submovement. The data used consists of different replications of four types of planar movement Performed by three healthy subjects. After the preprocessing and phasing, the movements decomposed to minimum-jerk submovement. In the next step, the training of three distinct neural networks was carried out to learn the submovement parameters including the amplitude, duration, and initiation time. Finally, the ANNs were combined to form a closed-loop model that generated accurate reaching movements based on the error correction. The target access rate for all predicted movements by the closed loop model was 100%. Also, the mean distance to the target, the VAF, and the mean MSE error between the predicted and main movement trajectory showed that the predicted movements are a good approximation of the main movements. The results showed that when trained neural networks with submovements, were placed in a closed loop model, they were able to predict proper submovements for complete access to targets due to the compensation of propagated errors from the previous steps. The results of this study can be used to improve motor rehabilitation methods.}, keywords = {Submovement,Reaching,Neural network,Minimum Jerk,Error Correction,rehabilitation}, title_fa = {تشکیل حرکت دست‌رسانی در صفحه با استفاده از مدل پیش‌بینی زیرحرکت}, abstract_fa = {پیش­بینی درست مسیر مطلوب حرکتی در سیستم­های کنترل و بازتوانی حرکت مانند تحریک الکتریکی عمل‌کردی و ربات­درمانی بسیار ضروری می­باشد. به نظر می­رسد که حرکات دست­رسانی انسان متشکل از مجموعه­ای از زیرحرکات است که هر زیرحرکت تصحیحی از مسیر کلی حرکت می­باشد. با استفاده از زیرحرکات می­توان انجام حرکات پیچیده، یادگیری، تطبیق­پذیری و دیگر ویژگی­های سیستم کنترل حرکت را تفسیر نمود. هدف این پژوهش پیش­بینی و تولید حرکات دست­رسانی دوجزئی در صفحه با استفاده از مدلی شبیه به مکانیسم واقعی تولید حرکات انسان و بر مبنای زیرحرکت می‌باشد. دادگان مورد استفاده شامل تکرارهای مختلف چهار نوع حرکت دست­رسانی در صفحه از سه سوژه است. پس از پیش­پردازش و فازبندی حرکات، تجزیه‌ی حرکات به زیرحرکت‌های کمینه‌ی جرک انجام شده است. در مرحله‌ی بعد، آموزش سه شبکه‌ی عصبی مجزا برای یادگیری پارامترهای زیرحرکت‌ها شامل دامنه، دوره و زمان شروع زیرحرکات انجام شده، شبکه­های عصبی در ترکیب یک مدل حلقه‌ی بسته قرار گرفته و پیش­بینی حرکات بر اساس مدل تصحیح خطا با استفاده از زیرحرکات توسط این مدل صورت گرفته است. نرخ دست‌رسی به هدف برای تمام حرکات پیش­بینی شده توسط مدل زیرحرکت برابر با 100% به دست آمده است. هم‌چنین مقادیر میانگین فاصله از هدف، درصد VAF و میانگین خطای MSE بین مسیرهای حرکتی اصلی و پیش­بینی شده نشان می‌دهد که حرکات پیش­بینی شده با تقریب بسیار خوبی نسبت به حرکات اصلی تشکیل شده­اند. نتایج نشان می­دهد که وقتی شبکه­های عصبی آموزش داده شده با زیرحرکات در یک مدل حلقه‌ی بسته قرار گیرند به دلیل جبران­سازی خطاهای منتشر شده از مراحل قبل، به خوبی می‌توانند زیرحرکات مناسبی را برای دست‌رسی کامل به اهداف حرکتی پیش­بینی کنند. از نتایج این مطالعه می­توان برای بهبود روش­های بازتوانی حرکتی استفاده نمود. }, keywords_fa = {زیرحرکت,دست‌رسانی,شبکه‌ی عصبی,کمینه‌ی جرک,جبران خطا,بازتوانی}, url = {https://www.ijbme.org/article_36731.html}, eprint = {https://www.ijbme.org/article_36731_c1503b88aa3a93d5c14c3d781946af09.pdf} }