نشریه علمی مهندسی پزشکی زیستی
Iranian Journal of Biomedical Engineering (IJBME)

تخمین نیروی عضلات خم‌کننده و بازکننده‌ی زانو بر اساس سیگنال الکترومایوگرافی و شبیه‌سازی دینامیک مستقیم به کمک نرم‌افزار اپن‌سیم

نوع مقاله : مقاله کامل پژوهشی

نویسندگان

سیدمحمدرضا سیدنورانی 1
مهری پورافشار 2
ندا عابدپور 3

1 دانشیار، گروه مهندسی مکاترونیک، دانشکده‌ی مهندسی مکانیک، دانشگاه تبریز، تبریز، ایران

2 دانش‌آموخته‌ی کارشناسی ارشد، گروه مهندسی پزشکی بیومکانیک، دانشگاه تبریز، تبریز، ایران

3 استادیار، گروه علوم تشریح، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی ارومیه، ارومیه، ایران

https://doi.org/10.22041/ijbme.2024.2026313.1896
چکیده
در بسیاری از موارد مرتبط با تشخیص ناهنجاری­های حرکتی، ارزیابی نیروی تولید شده توسط عضلات محرک زانو ضروری است. از سوی دیگر سنجش مستقیم نیروی عضلانی نیازمند عمل تهاجمی و حتی برگشت­ناپذیر است که عملا مقدور نمی‌باشد. یک راه حل برای تخمین نیروی عضلانی، سنجش سیگنال الکترومایوگرافی و استفاده از مدل­های اسکلتی-عضلانی برای محاسبه‌ی نیروی عضلانی است. از این رو در این مقاله یک مدل اسکلتی-عضلانی برای شبیه­سازی حرکت و تخمین نیروی عضلانی در بستر نرم­افزار اپن­سیم و ارتباط­دهی آن با واسط برنامه­نویسی کاربردی اپن­سیم با نرم­افزار متلب توسعه داده شده است. در این مدل از سیگنال EMG به عنوان ورودی استفاد شده و خروجی آن که حرکت زانو بوده با داده­های گونیامتری جهت اعتبارسنجی مقایسه شده است. داده­های تجربی از چهار عضله­ی دوسر رانی، نیم­وتری راست­رانی و پهن میانی به همراه سیگنال گونیامتری زانو از یک پایگاه داده‌ی معتبر برداشته شده است. داده­ها پیش از استفاده مورد پیش­پردازش قرار گرفته است. این مدل اسکلتی-عضلانی در وضعیت نشسته در نرم­افزار اپن­سیم سفارشی­سازی شده است. مدل عضلات در نرم­افزار اپن­سیم بر پایه‌ی مدل نوع هیل بوده و پارامترهای آن برای هر عضله جداگانه تنظیم شده است. تحلیل انجام شده در واقع حل یک مساله‌ی دینامیک مستقیم بوده که نرم­افزار آن را انجام داده است. در نهایت در این مقاله نیروی عضلانی هر یک از عضلات طی حرکت خم شدن و باز شدن زانو در وضعیت نشسته تخمین زده شده است.

کلیدواژه‌ها

تخمین نیروی عضله
عضلات خم‌کننده و بازکننده‌ی زانو
الکترومایوگرافی
دینامیک مستقیم
نرم‌افزار اپن‌سیم

موضوعات

عنوان مقاله English

Force Estimation on the Knee Flexor/Extensor Muscles based on EMG Signal and OpenSim Aided Forward Dynamics Simulation

نویسندگان English

MohammadReza Sayyed Noorani 1
Mehri PourAfshar 2
Neda Abedpour 3
1 Associate Professor, Department of Mechatronics Engineering, University of Tabriz, Tabriz, Iran
2 M.Sc. Graduated, Department of Medical Engineering, University of Tabriz, Tabriz, Iran
3 Assistant Professor, Department of Anatomical Sciences, School of Medicine, Urmia University of Medical Sciences, Urmia, Iran
چکیده English

In many cases related to the diagnosis of gait abnormalities, it is important to evaluate the force produced by the knee driving muscles. On the other hand, direct measurement of muscle force requires invasive and even irreversible action, which is practically impossible. One solution to estimate muscle force is to measure the electromyography signal and use musculoskeletal models to calculate muscle force. Therefore, in this paper, a musculoskeletal model was developed for simulation of the knee movement and muscle force estimation in OpenSim software along with OpenSim API in MATLAB. In this model, the EMG signals is used as the input that trigger the forward dynamics, and generate knee movement as output of the model. The knee angle is compared with experimental goniometric data for validation. The experimental data of four muscles of the biceps femoris, semitendinosus rectus femoris, and vastus medialis, along with the knee goniometric signal have been taken from UCI database. The data is pre-processed before use. The muscle model in the OpenSim software is based on the Hill type model and its parameters are set for each muscle separately. The performed analysis is, in fact, the solution of a forward dynamics problem that the software performs. As the result of this study, we can estimate the muscle force of each muscle during flexion/extension of the knee in a sitting position.

کلیدواژه‌ها English

Muscle Force Estimation
Knee Flexor/Extensor
Electromyography
Forward Dynamics
OpenSim Software
  1. Mokri, C., Bamdad, M. and Abolghasemi, V., 2022. Muscle force estimation from lower limb EMG signals using novel optimised machine learning techniques. Medical & biological engineering & computing, 60(3), pp.683-699.
  2. Oh, J.S., Lee, K.J. and Kim, S.G., 2023. Definition, Scope, and Applications of Physiotherapy Biofeedback: Systematic Reviews. Korean Society of Physical Medicine, 18(4), pp.109-119.
  3. Morone, G., Cocchi, I., Paolucci, S. and Iosa, M., 2020. Robot-assisted therapy for arm recovery for stroke patients: state of the art and clinical implication. Expert review of medical devices, 17(3), pp.223-233.
  4. Sanchez, O.F.A., Sotelo, J.L.R., Gonzales, M.H. and Hernandez, G.A.M., 2014. Emg dataset in lower limb data set. UCI machine learning repository, 2.
  5. Khadivar, F., Mendez, V., Correia, C., Batzianoulis, I., Billard, A. and Micera, S., 2022. EMG-driven shared human-robot compliant control for in-hand object manipulation in hand prostheses. Journal of Neural Engineering, 19(6), p.066024.
  6. Bouteraa, Y., Abdallah, I.B. and Elmogy, A., 2020. Design and control of an exoskeleton robot with EMG-driven electrical stimulation for upper limb rehabilitation. Industrial Robot: the international journal of robotics research and application, 47(4), pp.489-501.
  7. Ai, Q., Ding, B., Liu, Q. and Meng, W., 2016. A subject-specific EMG-driven musculoskeletal model for applications in lower-limb rehabilitation robotics. International Journal of Humanoid Robotics, 13(03), p.1650005.
  8. Logerstedt, D.S., Ebert, J.R., MacLeod, T.D., Heiderscheit, B.C., Gabbett, T.J. and Eckenrode, B.J., 2022. Effects of and Response to Mechanical Loading on the Knee. Sports Medicine, 52(2), pp.201-235.
  9. Zhang, J., Zhao, Y., Shone, F., Li, Z., Frangi, A.F., Xie, S.Q. and Zhang, Z.Q., 2022. Physics-informed deep learning for musculoskeletal modeling: Predicting muscle forces and joint kinematics from surface EMG. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 31, pp.484-493.
  10. Su, C., Chen, S., Jiang, H. and Chen, Y., 2020. Ankle joint torque prediction based on surface Electromyographic and angular velocity signals. IEEE access, 8, pp.217681-217687.
  11. Keerti and Veer, K., 2021. The Application of Surface Electromyogram Signal in Design of Artificial Limb: A Review. In Applications of Advanced Computing in Systems: Proceedings of International Conference on Advances in Systems, Control and Computing (pp. 83-95). Springer Singapore.
  12. Sree, K.S., Bikku, T., Mounika, S., Ravinder, N., Kumar, M.L. and Prasad, C., 2021, November. EMG controlled bionic robotic arm using artificial intelligence and machine learning. In 2021 Fifth International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud), (I-SMAC) (pp. 548-554). IEEE.
  13. Liu, Y., Li, X., Zhu, A., Zheng, Z. and Zhu, H., 2021. Design and evaluation of a surface electromyography-controlled lightweight upper arm exoskeleton rehabilitation robot. International Journal of Advanced Robotic Systems, 18(3), p.17298814211003461.
  14. Khairuddin, I.M., Sidek, S.N., Majeed, A.P.A., Razman, M.A.M., Puzi, A.A. and Yusof, H.M., 2021. The classification of movement intention through machine learning models: the identification of significant time-domain EMG features. PeerJ Computer Science, 7, p.e379.
  15. Laksono, P.W., Kitamura, T., Muguro, J., Matsushita, K., Sasaki, M. and Amri bin Suhaimi, M.S., 2021. Minimum mapping from EMG signals at human elbow and shoulder movements into two DoF upper-limb robot with machine learning. Machines, 9(3), p.56.
  16. Fricke, C., Alizadeh, J., Zakhary, N., Woost, T.B., Bogdan, M. and Classen, J., 2021. Evaluation of three machine learning algorithms for the automatic classification of EMG patterns in gait disorders. Frontiers in neurology, 12, p.666458.
  17. Triwiyanto, T., Caesarendra, W., Abdullayev, V., Ahmed, A.A. and Herianto, H., 2023. Single Lead EMG signal to Control an Upper Limb Exoskeleton Using Embedded Machine Learning on Raspberry Pi. Journal of Robotics and Control (JRC), 4(1), pp.35-45.
  18. Zhang, Y., Li, P., Zhu, X., Su, S.W., Guo, Q., Xu, P. and Yao, D., 2017. Extracting time-frequency feature of single-channel vastus medialis EMG signals for knee exercise pattern recognition. PloS one, 12(7), p.e0180526.
  19. Ma, S., Zhang, J., Shi, C., Di, P., Robertson, I.D. and Zhang, Z.Q., 2024. Physics-informed Deep Learning for Muscle Force Prediction with Unlabeled sEMG Signals. IEEE Transactions on Neural Systems and Rehabilitation Engineering.
  20. یوسف محمدی، رسول عابدی، نوید ارجمند، غلامرضا عطایی، ناصر فتورائی. «تخمین نیروهای عضلات و مفاصل کمری تحت فعالیت‌های فیزیکی مختلف با استفاده از یک مدل ترکیبی بهینه‌سازی و الکترومایوگرافی از ستون فقرات» مجله مهندسی پزشکی زیستی، دوره 11، شماره 4، ص. 351-363، بهمن 1396.
  21. توماس اوچیدا و اسکات دلپ، (2020). بیومکانیک حرکت: علم ورزش، رباتیک و توانبخشی. ترجمه: سید محمدرضا سید نورانی (1402). تبریز: انتشارات دانشگاه تبریز.
نشریه علمی مهندسی پزشکی زیستی
دوره 17، شماره 3
پاییز 1402
صفحه 263-271

  • تاریخ دریافت 22 فروردین 1403
  • تاریخ بازنگری 11 خرداد 1403
  • تاریخ پذیرش 30 خرداد 1403

صفحه اصلی

تماس با ما