امروزه بررسی ارتباط بین سیگنالهای نیرو و فعالیت الکتریکی عضلهها بسیار حائز اهمیت بوده و در مسائل مهمی مانند تحلیل حرکت، علوم ارتوپدی، توانبخشی، طراحی ارگونومیک و تعامل انسان- ماشین و کاربردهای پزشکی مانند کنترل پروتزهای مصنوعی کاربرد فراوانی دارد. از مزیتهای استفاده از الکترودهای سطحی، ارزانتر و قابلحملبودن آنها در مقایسه با حسگرهای نیرو است که بهطورمعمول گران هستند و ساختار حجیمی دارند. از آنجایی که اندازهگیری نیروی گازگرفتن بسیار سخت و پیچیده است، در این مقاله میخواهیم توانایی شبکههای عصبی چند لایه پرسپترون (MLPANN) و توابع با پایه شعایی (RBFANN) را در پیشبینی نیروی گازگرفتن توسط دندان پیشین از روی سیگنالهای اکترومایوگرام صورت بررسی کنیم. بدین منظور سیگنال الکترومایوگرام عضلات گیجگاهی و ماضغه و نیروی گازگرفتن بهترتیب بهعنوان ورودی و خروجی شبکههای عصبی در نظر گرفته شدهاند. برای پیداکردن بهترین ساختار شبکه و تأخیر زمانی مناسب سیگنالهای الکترومایوگرام، از الگوریتم ژنتیک (GA) استفاده شده است. نتایج نشان میدهند که سیگنال الکترومایوگرام عضلات یادشده شامل اطلاعات مفیدی از نیروی گازگرفتن هستند. روشهای MLPANN و RBFANN دینامیک مورد نظر را با دقت مناسبی شناسایی میکنند. درصد میانگین مربع خطا در مرحله آموزش و آزمون بهترتیب 3/2%و 4/19% برای MLPANN و 3/8% و 7/22% برای RBFANN است. همچنین روش تحلیل واریانس نشان میدهد که تفاوت معناداری بین نتایج حاصله از MLPANN و RBFANN وجود ندارد.
بازنشر اطلاعات | |
![]() |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |