نوع مقاله: مقاله کامل پژوهشی

نویسنده

دانشگاه علم و صنعت ایران، دانشکده مهندسی برق، گروه مهندسی پزشکی، آزمایشگاه کنترل سیستم‌های عصبی-عضلانی

10.22041/ijbme.2005.13585

چکیده

مدل جدیدی از عضله تحریک شده در شرایط غیر ایزومتریک ارایه شده است. مدل های ارایه شده کنونی مبتنی بر ساختار مدل هیل هستند. در این ساختار، رفتار عضله به بخش های مستقل از یکدیگر تجزیه شده و فرض می شود که این بخش ها ارتباطی با یکدیگر ندارند، در صورت که این تجزیه و عدم وابستگی بخش ها به یکدیگر، واقعیت فیزیکی ندارد. به منظور رفع محدودیت های مدل های ساختار هیل، در این تحقیق از شبکه های عصبی دینامیک به عنوان ابزاری جهت مدل سازی عضله در شرایط غیر ایزومتریک استفاده شده است. برای این منظور، دو نوع شبکه عصبی به کار گرفته شد: شبکه پرسپترون با الگوریتم یادگیری پس انتشار خطا و شبکه عصبی مبتنی بر توابع پایه شعاعی الگوریتم یادگیری گرادیان تصادفی. نتایج این تحقیق نشان می دهد مدل های عصبی قادر به پیش بینی دقیق تری از میزان نیرو انقباض عضلانی در شرایط غیر ایزومتریک نسبت به مدل های پایه هیل هستند. از آنجایی که عضله دارای رفتار متغیر با زمان است دو ساختار متفاوت، شبکه عصبی متغیر با زمان و نامتغیر با زمان برای مدل سازی عضله در نظر گرفته شده است. نتایج نشان می دهد مدل های عصبی متغیر با زمان، با دقت 99.5% و مدل های نامتغیر با زمان، با دقت 95% قادر به پیش بینی نیروی انقباض عضله تحریک شده در شرایط غیر ایزومتریک هستند. علاوه بر این، نتایج این تحقیق نشان می دهد دقت پیش بینی شبکه عصبی به ساختار شبکه بستگی دارد. با وجود ساده بودن ساختار شبکه عصبی مبتنی بر توابع شعاعی نسبت به ساختار شبکه عصبی پس انتشار خطا، دقت پیش بینی با شبکه عصبی مبتنی بر توابع شعاعی با 1000 دوره یادگیری بیشتر از شبکه عصبی پس انتشار خطا با 5000 دوره یادگیری است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Neural Network Modeling Of Electrically Stimulated Muscle Under Non-Isometric Conditions

نویسنده [English]

  • Abbas Erfanian Omidvar

Department of Biomedical Engineering, Faculty of Electrical Engineering, Iran University of Science and Technology

چکیده [English]

This paper is concerned with developing a force-generating model of electrically stimulated muscle under non-isometric condition. Hill-based muscle models have been the most popular structure. This type of muscle model was constructed as a combination of different independent blocks (i.e., activation dynamics, force-length and force-velocity relations, and series elastic element). The model assumes that the force-length and the force-velocity relations are uncoupled from the activation dynamics. However, some studies suggest that the shapes of the active force-length and the active force-velocity curves change with the level of the activation. Moreover, the "active state" block of the Hill-type model has no physical interpretation. To overcome the limitation of the Hill-type model, we used the multilayer perceptron (MLP) with back-propagation learning algorithm and Radial Basis Function (RBF) network with stochastic gradient learning rule for muscle modeling, where the stimulation signal, muscle length, velocity of length perturbation, and past measured or predicted force constitute the input of the neural model, and the predicted force is the output. Two modes of network operation are of interest: a time-varying network which allows updating the parameters of network to continue after convergence, and a time-invariant neural network with parameters fixed after convergence. The results show that time-varying and time-invariant neural networks would be able to track the muscle force with accuracy up to 99.5% and 95%, respectively. In addition, the results show that the accuracy of muscle force prediction depends on the structure of neural network. The prediction accuracy of RBF network after 1000 training epochs is higher than that of MLP network after 5000 training epochs. 

کلیدواژه‌ها [English]

  • Neural network
  • Functional electrical stimulation
  • Muscle modeling
  • Neuromuscular systems

[1]     Stein RB, Peckham PH, Popovic DP (Eds); Neural Prostheses: Replacing Motor Function after Disease or Disability; New York, Oxford University Press; 1992.

[2]     Bernotas LA, Crago PE, Chizeck HJ; A discrete-time model of electrically stimulated muscle; IEEE Trans Biomed Eng 1987; 33: 829-838.

[3]     Chia TL, Chow P, Chizeck HJ; Recursive parameter identification of constrained systems: An application to electrically stimulated muscle; IEEE Trans Biomed Eng 1991; 38: 429-442.

[4]     Erfanian A, Chizeck HJ, Hashemi RM; Using evoked EMG as a synthetic force sensor of isometric electrically stimulated muscle; IEEE Trans Biomed Eng 1998; 45: 188-202.

[5]     Wexler AS, Ding J, Binder-Macleod SA; A mathematical model that predicts skeletal muscle force; Trans Biomed Eng 1997; 44: 337-348.

[6]     Bobet J, Stein RB, Oguztoreli MN; A linear timevarying model of force generation in skeletal muscle; Trans Biomed Eng 1997; 40: 1000-1006.

[7]     Hunt KJ, Munih M, Donaldson NN, Barr FMD; Investigation of the Hammerstein hypothesis in the modeling of electrically stimulated muscle; Trans Biomed Eng 1998; 45(8): 998-1009.

[8]     Durfee WK, Palmer KI; Estimation of force-activation, force-length, and force-velocity properties in isolated electrically stimulated muscle; IEEE Trans Biomed Eng 1994; 41: 205-216.

[9]     Winters JM, Woo SLY (Eds); Multiple Muscle Systems: Biomechanics and Movement Organization; New York, Springer Verlag; 1990.

[10] Joyce GC, Pack PMH, Westbury D; The mechanical properties of cat soleus muscle during controlled lengthening and shortening movements; J Physiol 1969; 204: 461-474.

[11] Heckman C, Weytjens J, Loeb G; Effect of velocity and mechanical history on the force of motor units in the cat medial gastrocemius muscle; J Neurphysiol 1992; 68: 1503-1515.

[12] Petrofsky J, Phillips C; Determinations of the contractile characteristics of the motor units in skeletal muscle through twitch characteristics; Med Biol Eng Comput 1979; 17: 525-533.

[13] Shue G, Crago PC, Chizeck HJ; Muscle-joint model incorporating activation dynamics, torque-angle and torque-velocity properties; IEEE Trans Biomed Eng 1995; 42: 212-223.

[14] Shue G, Crago PE; Muscle-tendon model with length history-dependent activation-velocity coupling; Annals of Biomed Eng 1998; 26: 369-380.

[15] Joyce GC, Rack PMH; Isontonic lengthening and shortening movement in cat soleus muscle; J Physiol 1969; 204: 461-491.

[16] Wang L, Buchanan S; Prediction of joint moments using a neural network model of muscle activations from EMG signals; IEEE Trans Neural Systems and Rehab Eng 2002; 10: 30-37.

[17] Erfanian A, Rajabi P; Prediction of electrically stimulated muscle force under isometric conditions using self-constructing neural network; IUST international Journal of Eng and Science 2004; 15: 121-141.

[18] Scarsell F, Tsoi AC; Universal approximation using feedforward neural networks: A survey of some existing methods, and some new results; Neural Networks 1998; 11: 15-37.

[19] Haykin S; Neural Networks; New Jersey, Prentice-Hall Inc; 1999.