نوع مقاله: مقاله کامل پژوهشی

نویسندگان

1 دانشگاه صنعتی امیرکبیر، دانشکده مهندسی پزشکی. گروه بیوالکتریک

2 گروه بیوالکتریک، دانشکده مهندسی پزشکی، دانشگاه صنعتی امیرکبیر، تهران، ایران

3 گروه بیوالکتریک، دانشکده مهندسی برق و کامپیوتر، دانشگاه سمنان، سمنان، ایران

10.22041/ijbme.2019.104988.1465

چکیده

پیش‌بینی درست مسیر مطلوب حرکتی در سیستم‌های کنترل و بازتوانی حرکت مانند تحریک الکتریکی عملکردی و ربات‌درمانی بسیار ضروری می‌باشد. این‌طور به نظر می‌آید که حرکات دست‌رسانی انسان، متشکل از مجموعه‌ای از زیرحرکات می‌باشد 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. در این راستا، هدف این پژوهش پیش‌بینی و تولید حرکات دست‌رسانی دوجزیی در صفحه با استفاده از مدلی شبیه به مکانیزم واقعی تولید حرکات انسان و بر مبنای زیرحرکت بوده است.
دادگان مورد استفاده شامل تکرارهای مختلف چهار نوع حرکت دست‌رسانی در صفحه از سه سوژه بوده است. بعد از پیش‌پردازش و فازبندی حرکات، تجزیه حرکات به زیرحرکات کمینه جرک انجام گردید. در مرحله بعد آموزش سه شبکه عصبی مجزا برای یادگیری پارامترهای زیرحرکات شامل دامنه، دوره و زمان شروع زیرحرکات انجام گردید و در آخر شبکه‌های عصبی در ترکیب یک مدل حلقه بسته قرار گرفتند و پیش‌بینی حرکات بر اساس مدل تصحیح خطا با استفاده از زیرحرکات توسط این مدل صورت گرفت.
نرخ دسترسی به هدف برای تمام حرکات پیش‌بینی شده توسط مدل زیرحرکت برابر با 100% به‌دست آمد. همچنین مقادیر میانگین فاصله از هدف، درصد VAF و میانگین خطای MSE بین مسیرهای حرکتی اصلی و پیش‌بینی شده نشان داد 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 حلقه بسته قرار گرفتند به دلیل جبران‌سازی خطاهای منتشر شده از مراحل قبل، به خوبی توانستند زیرحرکات مناسبی را برای دسترسی کامل به اهداف حرکتی پیش‌بینی نمایند. از نتایج این مطالعه می‌توان برای بهبود روش‌های بازتوانی حرکتی استفاده نمود.

کلیدواژه‌ها

عنوان مقاله [English]

Planar Reaching Movement Generation Using Submovement Prediction Model

نویسندگان [English]

  • seyedeh somayeh naghibi 1
  • ali fallah 2
  • ali Maleki 3
  • Farnaz Ghassemi 2

1 amirkabir university of technology

2 Bioelectric Department, Biomedical Engineering Faculty, Amirkabir university of Technology, Tehran, Iran

3 Assistant Professor, Faculty of Electrical and Computer Engineering,Semnan University, semnan, iran

چکیده [English]

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 was to predict and generate 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.

کلیدواژه‌ها [English]

  • Submovement
  • Reaching
  • Neural network
  • Minimum Jerk
  • Error Correction
  • rehabilitation