دانلود رایگان ترجمه مقاله کنترل متناسب پروتزهای میوالکتریک (سال ۲۰۱۴)

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

افراد مستلزم شدند که حرکات محدود ایزتونیکی را که مرتبط با دو Dof مچ شامل، کشش، انعطاف ، درون گردانی و چرخش ، در کنار چهار DoF از دست شامل قدرت، فشار داردن ، حرکات کلیدی، و گرفتن های کروی بود.ترکیب حرکات دست و مچ، هم صورت گرفت.افراد نیرو ها را در حالتی که روی یک صندلی نشته بودند و دست راستشان را در یک جایگاه دست قرار داده بودند، نیرو ها را ایجاد کردند.یک پشتیبانی دستی سفارشی ساخته شده به همراه یک دینامومتر تجاری (Gamma FT-130-10, ATI Industries) برای ثبت و فراهم کردن فیدبک به فرد در مورد سطح فعال سازی مچ برای هر کار، مورد استفاده قرار گرفت.نیروی گرفتن با استفاده از اندازه گیری نیرو های انگشتان ، همانطور که توسط دیگران به خوبی انجام شده بود، انجام پذیرفت.برای انجام کار های گرفتنی، چهار فرد برای یک مدل گرفتن، انتخاب شدند تا یک شی را نگه دارند.این اشیا با سنسور های FSR ( به صورت سفارشی ۱ سانتی متر ) روی سطحشان قرار گرفتن تا نیرو های اعمال شده توسط انگشتان را اندازه گیری کند.تمام سیگنال ها، با نرخ ۱۰۰۰ نمونه، در ثانیه، نمونه برداری شدند.

۲٫۲ روند آزمایشی
مزیان حداکثر انقباض ارادی، (MVC) برای هر فرد، به منظور نرمال کردن سطح نیروی مورد نیاز، در طول آزمایش ثبت شد.نرم افزار های مبتنی بر متلب، برای اکتساب اطلاعات مورد نیاز از فرد ، مورد آزمایش قرار گرفت.هر جلسه آزمایشی شامل ۹۶ جلسه آزمایشی بود که هر کدام شامل دو تکرار یک ۱_Dof و ۲-DoF وظیفه بود که از افراد خواسته میشد تا ۴ نیروی انقباضی پایین (۲۵% MVC) و متوسط (۵۰%MVC) در هر کار انجام دهند که بین هر ۱۲ تمرین، یک مرحله استراحت ۵ دقیقه ای به افراد داده میشد.هر کار نهایتا، ۶ ثانیه طول میکشید؛ زمان دقیق ، بر عملکرد فرد تاثیر داشت .

۲٫۳ استخراج نیرو های هم نیروزایی عضلات
بر اساس فرضیه هم افزایی عضلات، هر پاسخ عضلانی باید به صورت یک ترکیب خطی یا تعداد کمی از الگوهایی فعال سازی عضلات و هم افزایی عضلات ، توصیف شود.به علاوه، المان های هم نیروزایی و وزن آن ها در هر پاسخ، باید ثبت شود.زیرا فعال سازی عضلات، مد نظر است.Tresch و همکارانش، پیشنهاد دادند که فرضیه هم افزایی عضلات میتواند فرموله شود.

تشخیص هم افزایی عضلات، میتواند از طریق روش های مختلفی مانند آنالیز اجزای اصلی (PCA) ، آنالیز عامل ماکسیموم احتمالی ( FA) ، فاکتور سازی غیر منفی ماتریکس ( NMF) ، و آنالیز اجزای مستقل (ICA) انجام شود.NMF رایج ترین روش برای شناسایی، هم افزایی عضلات و ضرایب فعال سازی آنها هنگامی که مجموعه ای از الگوهای فعال سازی را ایجاد میکنند، است، زیرا، هم نیروزایی های مشخص شده با استفادها ز این روش ، نه تنها از نظر فیزیولوژیکی ، به خاطر محدودیت منفی بودن، صحت بیشتری داد، بلکه همرنیروزایی های شناسایی شده، محدودیت های از لحاظ تعداد یا استقلال استاتیکی ، همانطور که در روش های PCA و ICA وجود دارد، ندارند.
تعداد مناسب هم نیروزایی، مشابه کمترین تعداد اجزای لازم برای توضیح ۹۰% واریانس ثبت شده EMG ، برای هر فرد با استفاده از NMF، تعیین شد.شکل ۱ نشان میدهد که این چگونه واریانس، با افزایش تعداد هم نیروزایی ها برای یک فرد معمولی، افزایش میابد.برای هر فرد، ۶ و یا ۷ هم نیروزایی برای توصیف ۹۰% واریانس ، کافی است.برای نگه داشتن آن ها در پهنای باند نیروهای اندازه گیری شده، ورودی های عصبی به صورت پایین گذر در ۲Hz فیلتر شدند و قبل از فراهم شدن برای تخمین زننده، این کار انجام شد.

۲٫۴ آنالیز اطلاعات
بعد از استخراج هم نیروزایی ها، ورودی های عصبی مربوطه و اینکه آن ها برای یک ANN ، فراهم شدند، هدف ANN، نیروی اندازه گیری شده ی در هر DoF در طول تمرین، بود.؛ANN ها ، بر اساس استفاده ی از الگوریتم پس انتشار ، آموزش داده شد.۵۰ % اطلاعات MVC ، برای توسعه تمرین و مجموعه های تاییدی، در راستای یافتن ساختار بهینه برای ANN ، توسعه یافت.
مجموعه اعتبار یابی، برای تعیین مقادیر بهنیه لایه های عصبی پنهان (۸) مورد استفاده قرار گرفت و برای تعیین شرایط توقف برای آموزش ANN ، مورد استفاده قرار گرفت. ( هنگامی که خطاهای اعتباری برای ۶ دور پشت سر هم افزایش یابد، یا خطاهای زیر یک سر حد ۰٫۰۰۱ کاهش یابد)
اطلاعات با استفاده از پنجره های ۲۰۰ms با افزایش های ۵۰ms ،بخش بندی شد.ANN ها ، ۵۰ بار امتحان شد و ANN با کمترین اخطار روی اطلاعات اعتبار یابی، برای تست در راستای تخمین ۲۵% mvc ، تست شد.
آنالیز تست روی پنجره آنالیز با طول ۲۰۰ms ، اجرا شد.تاخیر پردازشی روی این پنجره ms 200 حداقل است( کمتر از ۱ms) و به طور عمومی پذیرفته شده است که برای استفاده همرمان پروتز ، زمان جذب باید از ۳۰۰ms بیشتر نباشد.
۲٫۴٫۱ تخمین نیرو
پروفایل های انقباضات پایین ( ۲۵%MVC) برای تست و از پروفایل های انقباضی (۵۰%MVC) برای تمرین و اعتبار دهی مدل تخمین زدن نیرو، مورد استفاده قرار گرفت.از اطلاعات انقباض متوسط (مجموعه تمرینی)، ۸۰ % (انتخاب شده به صورت رندوم)در طول تمرین استفاده شد و ۱۵ % باقی مانده، برای اعتبار دهی مورد استفاده قرار گرفتند.مجموعه تمرینی شامل فقط ۱-DoF یا هم۱-DoF و ۲-DoF بودند، بر اساس سناریو تخمینی که در زیر توضیح داده میشود.
دو سناریو تخمینی در نظر گرفته شد، که هر کدام از کارهایی از پیش تعریف شده ای استفاده میکردند که برای استخراج هم نیرو زایی ها مورد استفاده قرار میگرفت.سپس از هم نیرو زایی های برای محاسبه ورودی ها عصبی اطلاعات تست، مورد استفاده قرار میگرفت.زیرا، برای هر فرد، ۸ تکرار از هر کار ثبت میشد ، و مجموعه های تمرینی مخالف میتواند برای هر فرد ایجاد شود.
در سناریو اول ( تمیرینات ۲-DoF) ، مدل تخمینی (در سطح متوسط) تمرین داده شده و ( برای سطح پایین) ، با استفاده از وظایف DoF منفرد و ترکیبی، تست شد.مجموعه تمرینی این سناریو شامل تمام ۱Dof ها و ۲-DoF های ۵۰% mvc در کار های بودند.در سناریو دوم، وظایف ۲-DoF از مجموعه های تمرینی حذف شده بودند ؛ که این کار باعث میشود سناریو برای یک فرد قطع عضو، از نظر زمان و تلاش ، عملی تر باشد.این یک سناریو تخمینی چالشی تر را ایجاد میکند، زیرا تخمین زننده نیرو باید برای کار های ۲-DoF تعمیم داده شود.اما، مجموعه تست هنوز شامل انقباضات ۱-DoF و ۲-DoF بود
اجرا آنالیز تخمین نیرو با استفاده از هم نیرو زایی ها، بررسی شد، و با مورد استفاده از مقادیر مطلق میانگین مبتنی بر کانال از EMG مشابه ورودی های ANN، مقایسه شد.
توانایی ANN برای تخمین نیرو با استفاده از ضریب تعیین (R2 ) و اخطار مجذور ریشه میانگین (RMSE) ، کمی سازی شد.اینجا، RMSE به عنوان اخطار بین مقدار واقعی و مقدار تخمین زده ی نیرو، تعریف شده است.