Signal and Data Processing

fa استفاده از ترکیب الگوریتم ژنتیک و شبکه های عصبی مصنوعی برای پیش بینی نیروی گاز گرفتن از روی سیگنال الکترومایوگرام Application of an ANN-GA Method for Predicting the Biting Force Using Electromyogram Signals مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی) Paper پژوهشي Research 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. Human mastication is a common rhythmic behavior and a complex biomechanical process which is hard to reproduce. Today, investigating the relation between electrical activity of muscles and force signals is of high importance in many applications including gait analysis, orthopedics, rehabilitation, ergonomic design, haptic technology, tele-presence surgery and human-machine interaction. Surface electrodes have many advantages over force sensors which are often expensive and of massive structure, two of which are less expensive and portable. Since the biting force is too difficult to be measured, in this paper, we aim to investigate the ability of a Multi-Layer Perceptron artificial neural network (MLPANN) and Radial Basis Function artificial neural network (RBFANN) to predict the biting force of incisor teeth based on surface electromyography (EMG) signals. RBFANN and MLPANN are two of the most widely used neural network architecture. These two methods are both known as universal approximates for nonlinear input-output mapping. To do this, biting force and EMG signals from the masticatory muscles were recorded and used as output and input of neural networks, respectively. Genetic algorithm was applied to find the best structure for ANNs and the appropriate total time-delay of EMGs. Results show that the EMG signals recorded from aforementioned muscles contain useful information about the biting force. Furthermore, they indicate that MLPANN and RBFANN can detect the dynamics of the system with good precision. The mean percentage error in the training and validation phase is %2.3 and %19.4 for MLPANN and %8.3 and %22.7 for RBFANN, sequentially. Also the variance analysis technique shows that there is no significant difference between results achieved through MLPANN and RBFANN. The provided analysis will aid researchers in characterizing and investigating the mastication process, through the specification of SEMG signal patterns and the observation of the resulting biting force. Such models can provide clinical insight into the development of more effective rehabilitation therapies, and can aid in assessing the effects of an intervention. This methodology can be applied to any tele-operated robot or orthotic device (exoskeleton), either for rehabilitation or extension of human ability. سیگنال‌های الکترومایوگرام, نیروی گاز‌گرفتن, شبکه عصبی چند لایه پرسپترون, تابع پایه شعاعی, الگوریتم ژنتیک. Electromyogram (EMG) signal, biting force, multi-Layer perceptron artificial neural networks (MLP), Radial basis function (RBF), Genetic algorithm. 41 52 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-113-2&slc_lang=fa&sid=1 Nazanin Goharian نازنین گوهریان goharian_n@yahoo.com 10031947532846005222 10031947532846005222 No Ferdowsi University of Mashhad دانشگاه فردوسی مشهد Sahar Moghimi سحر مقیمی s.moghimi@um.ac.ir 10031947532846005223 10031947532846005223 Yes Ferdowsi University of Mashhad دانشگاه فردوسی مشهد Hadi Kalani هادی کلانی hadi.kalani@yahoo.com 10031947532846005224 10031947532846005224 No Ferdowsi University of Mashhad دانشگاه فردوسی مشهد