AU - Goharian, Nazanin AU - Moghimi, Sahar AU - Kalani, Hadi TI - Application of an ANN-GA Method for Predicting the Biting Force Using Electromyogram Signals PT - JOURNAL ARTICLE TA - jsdp JN - jsdp VO - 14 VI - 1 IP - 1 4099 - http://jsdp.rcisp.ac.ir/article-1-361-fa.html 4100 - http://jsdp.rcisp.ac.ir/article-1-361-fa.pdf SO - jsdp 1 AB  - 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. CP - IRAN IN - LG - eng PB - jsdp PG - 41 PT - Research YR - 2017