استفاده از ترکیب الگوریتم ژنتیک و شبکه های عصبی مصنوعی برای پیش بینی نیروی گاز گرفتن از روی سیگنال الکترومایوگرام

امروزه بررسی ارتباط بین سیگنال های نیرو و فعالیت الکتریکی عضله ها 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 مزیت های استفاده از الکترودهای سطحی، ارزان تر و قابل حمل بودن آن ها در مقایسه با حس گرهای نیرو است که به طورمعمول گران هستند و ساختار حجیمی دارند. از آنجایی که اندازه گیری نیروی گاز گرفتن بسیار سخت و پیچیده است، در این مقاله می خواهیم توانایی شبکه های عصبی چند لایه پرسپترون (MLPANN) و توابع با پایه شعایی (RBFANN) را در پیش بینی نیروی گاز گرفتن توسط دندان پیشین از روی سیگنال های اکترومایوگرام صورت بررسی کنیم. بدین منظور سیگنال الکترومایوگرام عضلات گیجگاهی و ماضغه و نیروی گاز گرفتن به ترتیب به عنوان ورودی و خروجی شبکه های عصبی در نظر گرفته شده اند. برای پیدا کردن بهترین ساختار شبکه و تاخیر زمانی مناسب سیگنال های الکترومایوگرام، از الگوریتم ژنتیک (GA) استفاده شده است. نتایج نشان می دهند که سیگنال الکترومایوگرام عضلات یادشده شامل اطلاعات مفیدی از نیروی گازگرفتن هستند. روش های MLPANN و RBFANN دینامیک مورد نظر را با دقت مناسبی شناسایی می کنند. درصد میانگین مربع خطا در مرحله آموزش و آزمون به ترتیب 3/2%و 4/19% برای MLPANN و 3/8% و 7/22% برای RBFANN است. همچنین روش تحلیل واریانس نشان می دهد که تفاوت معناداری بین نتایج حاصله از MLPANN و RBFANN وجود ندارد.