استخراج و بررسی سینرجی‌های سنکرون در طول حرکت‌های سریع رسندة دست

نوع مقاله: مقاله کامل پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه بیوالکتریک، دانشکده مهندسی پزشکی، دانشگاه صنعتی امیرکبیر

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

3 دانشیار، گروه بیوالکتریک، دانشکده مهندسی پزشکی، دانشگاه صنعتی امیرکبیر

10.22041/ijbme.2014.13257

چکیده

سیستم اعصاب مرکزی (CNS) برای تضمین انعطاف‌‌پذیری و پایداری حرکات، تعداد زیادی از مفاصل و عضلات را به کار می‌‌گیرد. هنوز به وضوح مشخص نیست که CNSچگونه مسأل پیچیدة کنترل حرکات را حل می‌کند. نظریة کنترل پودمانی یکی از موفق‌‌ترین نظریه‌‌های مطرح شده در کنترل حرکت است. بر اساس این نظریه، برخی پایه‌‌های حرکتی (مانند سینرجی‌‌های عضلانی) واحدهای سازندة حرکات بوده؛ با ترکیب آن‌ها طیف وسیعی از حرکات تولید می‌‌شود. از معروف‌‌ترین روش‌ها برای استخراج سینرجی‌‌های عضلانی از سیگنال‌‌های الکترومایوگرام (EMG) عضلات، روش تجزیه نامنفی ماتریسی (NMF) است. در حرکات رسندة دست در صفحة عمودی، به علت حذف مؤلفة تونیک از سیگنال EMG، روش استاندارد NMFبرای استخراج سینرجی‌‌های عضلانی کارایی ندارد. در این مقاله، روش اصلاح شدة NMF، به نام semi-NMF،برای حل این مشکل به کار گرفته شد. از سوی دیگر، برای بهبود دقت تخمین سینرجی‌‌ها و نیز رسیدن به پاسخی یکتا برای حل مسأله بهینه‌‌سازی در مدل پیشنهادی، در این مقاله از روش HALSاستفاده شده است. الگوریتم پیشنهادی به EMG‌های ثبت شده در حرکت رسندة دست در صفحة جلویی شخص، اعمال شد. نتایج، بهبود قابل توجهی در دقت سینرجی‌‌های تخمین زده شده و به خصوص تکرارپذیری استخراج سینرجی‌‌ها را نشان دادند. همچنین سینرجی‌‌های استخراج شده از نظر فیزیولوژیک قابل توجیه بودند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Extracting and study of synchronous muscle synergies during fast arm reaching movements

نویسندگان [English]

  • Neda Kaboodvand 1
  • Farzad Towhidkhah 2
  • Behzad Iravani 1
  • Shahriar Gharibzadeh 3
1 M.Sc., Bioelectric Group, Bioengineering School, Amirkabir University of Technology
2 Professor, Bioelectric Group, Bioengineering School, Amirkabir University of Technology
3 Associate professor, Bioelectric Group, Bioengineering School, Amirkabir University of Technology
چکیده [English]

The central nervous system (CNS) uses a redundant set of joints and muscles to ensure both flexible and stable movements. How the CNS faces the complexity of control problem is not still clear. Modular control is one of the most attractive hypotheses in motor control. In this hypothesis, some motor primitives (e.g. muscle synergies) are considered as the building blocks that can be combined to present a vast repertoire of movements. EMG signals are required for extracting muscle synergies and NMF (nonnegative matrix factorization) is one of the most accepted methods for extracting synergies. Due to tonic component elimination of EMG signals involved in reaching movements in vertical planes, the standard NMF method is not applicable to extract muscle synergies. In this paper a modified NMF method, so-called semi-NMF, is applied to resolve the tonic component problem. On the other hand, to improve the accuracy of synergies' estimation and to find the global optimum for the optimization problem, we have proposed using HALS method. The proposed algorithm was applied to the experimental EMG recorded in arm reaching movement in the frontal plane. The results showed a good improvement both in accuracy and repeatability of extracted synergies. In addition, extracted muscle synergies were physiologically interpretable.

کلیدواژه‌ها [English]

  • arm reaching movement
  • direction-independent synergies
  • muscle synergies
  • semi-NMF
  • synchronous muscle synergies

[1]     Tresch Matthew C., and Anthony Jarc., "The case for and against muscle synergies." Current opinion in neurobiology, 2009, Vol. 19, no. 6, pp. 601-607.

[2]     Bernstein N.A., The co-ordination and regulation of movements. Oxford: Pergamon Press, 1967.

[3]     Bizzi E., Cheung V. C. K., d'Avella A., Saltiel P., & Tresch M.,"Combining modules for movement." Brain Research Reviews, 2008, Vol. 57, no. 1, pp. 125-133.

[4]     Degallier Sarah, RighettiLudovic, Natale Lorenzo, Nori Francesco, Metta Giorgio, and IjspeertAuke, "A modular bio-inspired architecture for movement generation for the infant-like robot icub." In Biomedical Robotics and Biomechatronics, 2008. BioRob 2008. 2nd IEEE RAS & EMBS International Conference, 2008, pp. 795-800. IEEE.

[5]     Bizzi E., Cheung V. C. K., "THE NEURAL ORIGIN OF MUSCLE SYNERGIES”, Frontiers in Computational Neuroscience, 2013, Vol. 7, no. 51

[6]     Patras, Kostas, Giorgos Ziogas, Stavros Ristanis, Elias Tsepis, Nicholas Stergiou, and Anastasios D. Georgoulis, "ACL reconstructed patients with a BPTB graft present an impaired vastus lateralis neuromuscular response during high intensity running." Journal of Science and Medicine in Sport, 2010, Vol. 13, no. 6, pp. 573-577.

[7]     Courtney Carol, Rine Rose Marie, and Kroll Penny, "Central somatosensory changes and altered muscle synergies in subjects with anterior cruciate ligament deficiency." Gait & posture, 2005, Vol. 22, no. 1, pp. 69-74.

[8]     Latash, M. L., Scholz, J. P., & Schoner, G., “Toward a new theory of motor synergies”, MOTOR CONTROL-CHAMPAIGN-, 2007, Vol. 11, no. 3, pp. 276-308.

[9]     Kiran V. Byadarhaly, Mithun C. Perdoor and Ali A. Minai ,"A Modular Neural Model of Motor Synergies", Neural Networks 25: (in press)(2012).

[10] Flanders, Martha., “Temporal patterns of muscle activation for arm movements in three-dimensional space”, J Neurosci, 1991, Vol. 11, no. 9, pp. 2680 –2693.

[11] d'Avella, A., Fernandez, L., Portone, A., &Lacquaniti, F., “Modulation of phasic and tonic muscle synergies with reaching direction and speed”, J. Neurophysiol, 2008, Vol. 100, no. 3, pp. 1433–1454.

[12] d'Avella, A., Portone, A., Fernandez, L. and Lacquaniti, F., ” Control of fast-reaching movements by muscle synergy combinations”, J Neurosci, 2006, Vol. 26, no. 30, pp. 7791–7810.

[13] Tresch, M. C., Cheung, V. C., &d'Avella, A. “Matrix factorization algorithms for the identification of muscle synergies: evaluation on simulated and experimental data sets”, Journal of Neurophysiology, 2006, Vol. 95, no. 4, pp. 2199-2212.

[14] Cichocki, A., Zdunek, R., Phan, A. H., &Amari, S. I., Nonnegative matrix and tensor factorizations: applications to exploratory multi-way data analysis and blind source separation, 2009, Wiley. com.

[15] Lee, D. D., &Seung, H. S., Learning of the parts of objects by non-negative matrix factorization. Nature, 1999, Vol. 401, no. 6755 , pp. 788–791.

[16] Lee, D. D., &Seung, H. S., “Algorithms for Nonnegative Matrix Factorization”, Advances in neural information processing systems, 2001, Vol. 13, pp. 556-562.

[17] Berry, M. W., Browne, M., Langville, A. N., Pauca, V. P., &Plemmons, R. J., Algorithms and applications for approximate nonnegative matrix factorization. Computational Statistics and Data Analysis, 2007, Vol. 52, no. 1, pp.155-173.

[18] Cichocki, A., Zdunek, R., &Amari, S. I., Hierarchical ALS Algorithms for Nonnegative Matrixand 3D Tensor Factorization, in ICA07, London, UK, September 9-12, Lecture Notes in Computer Science, 2007, Vol. 4666, Springer, pp. 169-176.