نوع مقاله : مقاله کامل پژوهشی

نویسندگان

• راحله شفائی ¹
• سید محمدرضا هاشمی گلپایگانی ²

¹ کارشناس ارشد گروه بیوالکتریک، دانشکده مهندسی پزشکی، دانشگاه صنعتی امیرکبیر

² استاد تمام گروه بیوالکتریک، دانشکده مهندسی پزشکی، دانشگاه صنعتی امیرکبیر

چکیده

یکی از مسائل کلیدی در نایل شدن به کنترل موفق FES، استفاده از یک مدل مناسب و صحیح از سیستم تحت تحریک الکتریکی است که به‌میزان کافی بیان‌کننده‌ی رفتار آن سیستم باشد. مدل‌های محاسباتی کلاسیک که به‌طور متعارف برای این منظور استفاده می‌شوند، ماهیتی جزء‌نگر دارند؛ بنابراین نمی‌توانند اندرکنش موجود در سیستم بیولوژیک را لحاظ کنند. با توجه به این محدودیت‌ها، اخیرا مدل‌های رفتاری که جعبه سیاه هستند اغلب استفاده می‌شوند. این مدل‌ها روی دینامیک ورودی/ خروجی، که همانا اطلاعات مورد نیاز مدل‌سازی برای طراحی کنترل است تمرکز دارند؛ بدین‌ترتیب به سیستم به عنوان یک کل، که تعاملات بین اجزا را در خود نهفته دارد، پرداخته می‌شود.  تاکنون چنین مدلی برای حرکت مفصل آرنج ارائه نشده است. از این رو در این پژوهش، با استفاده از شبکه‌های عصبی دینامیک، شامل شبکه‌های جلوسو با تاخیر زمانی و بازگشتی، به ارائه و اعتبارسنجیِ یک مدل جعبه سیاه از حرکت مفصل آرنج در صفحه‌ی افق، برای کابردهای کنترل حرکت رساندن دست، در افرادی با ضایعه‌ی نخاعی 6C/‍5Cپرداخته شده است. نهایت انعطاف‌پذیری معماری جلوسو با تاخیر زمانی، در یک ساختار دو لایه با 5 نورون پنهان و استفاده از 25/1 ثانیه از سوابق ورودی، با شاخص عملکرد ضریب همبستگی متقابل %86/89 و نرمالیزه شده‌ی میانگین مربعات خطای % 85/4 رخ داد و به‌عنوان مدلِ برگزیده‌ی این معماری معرفی گردید. بهترین شبکه‌ی بازگشتی با معماری NARX و تعداد سوابق ورودی و خروجی‌ِ برابر نیز، در ساختاری دو لایه با 12 نورون در لایه‌ی پنهان و استفاده از 1/0 ثانیه از سوابق، با شاخص عملکرد همبستگی متقابل %50/92  و نرمالیزه شده‌ی میانگین مربعات خطای % 06/4 رخ داد و به‌عنوان مدلِ برگزیده‌ی این معماری معرفی گردید. مقایسه‌ی بهترین نتایج آموزش با استفاده از شبکه جلوسو از هر دو جنبه‌ی کمی و کیفی به شکل آشکاری بیان‌‌کننده‌ی برتری شبکه‌های بازگشتی در شناسایی سیستم مورد مطالعه است.

کلیدواژه‌ها

• تحریک الکتریکی عملکردی
• سیستم عضلانی- اسکلتی دست فلج
• حرکت رسش
• مدل‌های جعبه سیاه
• شبکه عصبی

موضوعات

• کنترل حرکت انسان
• مهندسی عصبی عضلانی

عنوان مقاله [English]

Black box modeling of Paralyzed Arm for FES-based Reaching Movement Control in SCIPatients

نویسندگان [English]

• Rahele Shafaei ¹
• Seyed Mohammad Reza Hashemi Golpayegani ²

¹ M.Sc, Bioelectric Group, Faculty of Biomedical Engineering, Amirkabir University of Technology

² Professor, Bioelectric Group, Faculty of Biomedical Engineering, Amirkabir University of Technology

چکیده [English]

One of main the issues in achieving to a successful FES control is using an as much as possible accurate model of the under electrical stimulation system so that it can adequately indicate the system behavior. Classical computational models that are commonly used for this purpose have a reductionism nature; so they cannot consider the interaction existed in biological systems. Considering these restrictions, recently behavioral black box models are mostly used. These models focus on input/output dynamic, which is certainly the necessary modeling information for control design; thus the system is dealt with as a whole, which has hidden the interactions between components inside. Such a model has notbeen presented for elbow angle movement so far. Therefore in this study, we have been to present and verify a black box model of elbow joint movement in the transverse plane, forreaching movement control in people with C5/C6 SCI using dynamic neural networks, including time-delayed feedforward and recurrent networks. Extreme flexibility of time-delayed feedforward architectures was obtainedin a 2 layer structure including 5 hidden neurons and using 1.25s of history of input with performance indexes of 89.89% & 4.85% for cross correlation coefficient and normalized mean square error respectively. The best recurrent network with NARX architecture and equal history of input & output was also occurred in a 2 layer structure having 12 neurons in the hidden layer and using 0.1s of history, with performance indexes of 89.89% & 4.85% for cross correlation coefficient and normalized mean square error respectively. Comparison between best results of training using feedforward and recurrent networks, clearly illustrates both qualitative and quantitative excellency of the latter one in identification of the under-study system.

کلیدواژه‌ها [English]

• Functional electrical stimulation
• paralyzed arm musculoskeletal system
• Reaching movement
• black box models
• Neural Networks