فهرست مطالب نویسنده:
عباس عرفانیان امیدوار
-
به منظور کنترل حرکت مدل سه لینکه از بازوی انسان در صفحه و با هدف دستیابی به کنترل مقاوم در برابر اغتشاشات خارجی، دینامیک های مدل نشده و عدم قطعیت های مدل و ویژگی های تغییرپذیر با زمان آن، کنترلترمینال پیوسته لغزشی به عنوان کنترل کننده تطبیقی و مقاوم، بکار رفته است. این کنترل کننده دارای زمان همگرایی محدود جهت رسیدن به خطای ردیابی صفر است، اما پدیده چترینگ موجود در کنترل لغزشی را بطور مطلوبی کاهش نداده است. در این مقاله به منظور کاهش چترینگ، با تعریف لایه مرزی حول سطح لغزش، ترکیبی از شبکه عصبی بازگشتی با یک لایه پنهان و کنترل ترمینال لغزشی بکار رفته است. از طرفی به دلیل وجود افزونگی سینماتیکی در مدل بازو، مسیرهای واحدی در فضای مفصل وجود ندارند که به عنوان پیش فرض تعریف شوند. از این رو با هدف دستیابی برخط به مسیرهای مطلوب در حرکت هدفمند رسیدن دست به سمت شئ، الگوریتم مسیریابی برخطی را با کنترل ترکیبی بکار رفته همراه نموده ایم. نتایج نشان داده اند، همراه کردن کنترل ترکیبی با الگوریتم مسیریابی برخط، علاوه بر کاهش پدیده چترینگ، ردیابی مسیرهای مطلوب مفاصل و نیز مسیر تعریف شده در فضای کاری عملگر نهایی را با خطاهای بسیار کمی برآورده ساخته است.کلید واژگان: الگوریتم مسیریابی برخط, شبکه عصبی بازگشتی پرسپترون, کنترل ترمینال لغزشی, مدل سه لینکه بازوی انسانTo control 3-DOF model of human arm movement in page and to reach robust control in external disturbance, unmodeled dynamics and uncertainties of model with time-varying properties, continues terminal sliding mode control as an adaptive-robust control was used. This controller have exponential convergence to zero tracing error, but chattering phenomenon in sliding control isnt decrease desirable. In this paper, to decrease chattering, we coupled a recurrent neural network by a single hidden layer into the terminal sliding control (TSM). Moreover, because of systematic redundancy in the model of arm, dont exist unique joint trajectories to considering as a default, so to reach online desired trajectories in reaching, online routing algorithm was used with Neuro-TSM control. For testing the robustness in control, we applied disturbance signals of torque. The results have shown,Neuro-TSM along with online routing algorithm, in addition to reducing chattering, could track joint trajectories and end effector path with very low errors.Keywords: online routing algorithm, recurrent neural network, terminal sliding control, three rigid human arm model
-
مقدمهدر دهه ی گذشته، تحریک الکتریکی درون نخاع به عنوان یک روش موفق در بازیابی حرکت اندام های معلول شناخته شده است. وجود شبکه هایی از نرون های واسطه ای در نخاع نشان داده شده است (ساختارهای پایه ای حرکت یا استخرهای حرکتی) که امکان فعال سازی گروه هماهنگی از ماهیچه ها را به عهده دارند. در این مقاله، امکان فعال سازی این واحدهای حرکتی با استفاده از تحریک الکتریکی میکرونی درون نخاع مورد بررسی قرار گرفت.روش هاآزمایشات بر روی سه رت بالغ ویستار انجام شد. با لامینکتومی موضعی، استخوان های روی مهره های T13 تا L4 برداشته شد. حیوانات بر روی یک استریوتکس قرار داده شدند، به طوری که پای حیوان به راحتی قابلیت حرکت داشته باشد؛ در حالی که سر حیوان و مهره های T12 و L5 به وسیله ی گیره های نخاعی استریوتکس ثابت شده بود. برنامه ای در محیط LabVIEW برای تخمین بی درنگ زوایای مفاصل گسترش داده شد. برای تحریک نخاع، یک تحریک کننده ی میکرونی قابل برنامه ریزی 16 کاناله مورد استفاده قرار گرفت. دامنه، فرکانس و عرض پالس سیگنال تحریک به صورت بی درنگ امکان تغییر داشت. نقاط مختلف درون نخاع بین مهره های T13 تا L4 تحریک و زاویه مفصل های مچ، زانو و ران اندازه گیری شد.
یافته هاامکان فعال سازی بلوک های پایه ی حرکتی گام برداشتن در نخاع با استفاده از تحریک میکرونی مشاهده شد. با تعریف مناسب الگوهای تحریک بلوک های پایه ی حرکتی می توان حرکت شبه گام برداشتن را به وجود آمد. منحنی به کار گیری ساختارهای پایه ی حرکتی بیانگر رابطه ی خطی بین شدت تحریک و اندازه ی جابه جایی مفاصل بود.
نتیجه گیرینتایج این تحقیق نشان می دهد که می توان با ترکیب بلوک های پایه ی حرکتی، حرکت شبه گام برداشتن را در رت قطه نخاع شده با استفاده از تحریک میکرونی درون نخاع ایجاد کرد.
کلید واژگان: تحریک الکتریکی عملکردی, تحریک میکرونی درون نخاع, بلوک های پایه ی حرکت, منحنی به کار گیری, حرکت شبه گام برداشتنBackgroundDuring the last decade، intra-spinal micro-stimulation (ISMS) has been proposed as a potential technique for restoring the motor function in paralyzed limbs. It has been shown that there are functional networks of inter-neurons in the spinal cord (i. e.، movement primitive block or motor module) that generate particular motor outputs by selecting specific patterns of muscles activation. In this paper، we investigated the possible activation of the motor module via intra-spinal micro-stimulation.MethodsThe experiments were conducted on three adult female Wistar rats. A partial laminectomy was performed to expose at the T13-L4 level. The animals were positioned in a stereotaxic setup which allowed the hindlimbs to hang free while the head and spinal vertebrae (T12 and L5) were clamped rigidly to the frame. We developed custom made real-time software written in LabVIEW to estimate the joint angles. To stimulate the spinal cord، a computer-based sixteen-channel stimulator was used. The amplitude، pulse width and frequency of the stimulation signal could be varied online. Different positions within the spinal cord between the T13-L4 regions were stimulated and the joint angles were measured.FindingsMovement primitive blocks associated with stepping could be generated using ISMS. Recruitment curves of the motor primitive blocks showed liner relationship between stimulation signal and joint angles. By defining a specific pattern of motor primitives'' activation، the locomotor-like stepping could be generated.ConclusionThe complex locomotor-like stepping can be generated by the combination of the motor primitives using ISMS.Keywords: Functional electrical stimulation, Intraspinal microstimulation, Iintra, spinal micro, stimulation (ISMS), Movement primitive blocks, Recruitment curve, Step, like movement -
کنترل لغزشی ترمینال حرکت مفصل مچ پا با استفاده از تحریک الکتریکی عملکردی در افراد دچار ضایعه ی نخاعیمقدمه
کنترل لغزشی از روش های موثر برای کنترل حرکت در سیستم های عصبی-عضلانی-اسکلتی است. از مشکلات مهم استفاده از کنترل لغزشی کلاسیک در این سیستم ها، همگرایی خطای ردیابی مسیر مطلوب مفصل ها به صورت نمایی است. یکی از روش های حل این مشکل استفاده از کنترل لغزشی ترمینال می باشد. نکته ی برجسته ی کنترل لغزشی ترمینال، مقاوم بودن آن در مواجه شدن با نامعینی در مدل و اغتشاشات خارجی است در حالی که هم زمان می تواند همگرایی خطای ردیابی به سمت صفر را در زمان محدود تضمین کند.
روش هادر این مطالعه یک روش کنترل غیرمتمرکز مبتنی بر کنترل لغزشی ترمینال به منظور کنترل حرکت مفصل مچ پا در افراد دچار ضایعه ی نخاعی با استفاده از تحریک الکتریکی عملکردی پیشنهاد شد. روش ارائه شده برای کنترل حرکت مفصل مچ پای سه فرد دچار ضایعه ی نخاعی در شرایط معمولی و خستگی عضلانی به کار گرفته شد. در این روش، کنترل مفصل مچ پا با استفاده از فعال سازی گروه عضلات بازکننده و جمع کننده انجام شد. برای این منظور برای هر یک از گروه عضلات بازکننده و جمع کننده، یک کنترل کننده ی لغزشی ترمینال مستقل در نظر گرفته شد.
یافته ها. وظیفه ی کنترل کننده، تعیین الگوهای تحریک عضلات بود به نحوی که زاویه ی مچ پا مسیر معینی را دنبال کند. نتایج نشان داد که کنترل کننده قادر به کنترل دقیق حرکت مچ پا با دقت خوبی بود. همچنین کنترل کننده با تنظیم سریع الگوهای تحریک قادر به جبران خستگی عضلانی بود.
نتیجه گیرینتایج این تحقیق نشان داد که کنترل کنننده ی پیشنهادی، یک روش موثر برای کنترل حرکت در بیماران ضایعه ی نخاعی با استفاده از تحریک الکتریکی عملکردی است.
کلید واژگان: تحریک الکتریکی عملکردی, کنترل غیر متمرکز, کنترل لغزشی ترمینال, کنترل گام برداشتنBackgroundSliding mode control is an effective method for controlling the neuromusculoskeletal systems. A major problem of conventional sliding mode control is exponential convergence of the tracking errors. To solve this problem, researchers proposed a robust control strategy called terminal sliding mode control. The main advantages of the terminal sliding mode control are not only robustness against uncertainties and external disturbances but also finite time convergence of tracking errors.
MethodsIn this paper, we propose a decentralized control strategy which is based on terminal sliding mode control, for control of the ankle joint in paraplegic subjects using functional electrical stimulation. Agonist-antagonist co-activation is used to control the ankle movement.
FindingThe proposed control strategy was employed for control of ankle joint in three paraplegic subjects. The control task was to determine the stimulation pattern in order to converge the ankle movement trajectory to the desired trajectory. The experimental results on three paraplegic subjects showed that the proposed controller provided an excellent tracking control of reference trajectories. It could also generate control signals to compensate the effects of muscle fatigue.
ConclusionThe results of this study showed the proposed control strategy as an effective approach for controlling movements in paraplegic subjects using functional electrical stimulation.
-
مقدمهایسکمی قلبی به وسیله ی عدم خون رسانی کافی به سلول های انقباضی ناشی می شود که باعث سکته قلبی می شود. بنابراین تشخیص غیر تهاجمی صحیح و زودهنگام ایسکمی قلبی نقش مهمی در درمان این بیماری و پیشگیری از نارسایی های قلبی متعاقب آن دارد. در طول سالیان متمادی، روش های مختلفی مبتنی بر سیگنال قلبی اخذ شده در ثبت های طولانی مدت برای تشخیص اتوماتیک ایسکمی پیشنهاده شده است. اما تاکنون تشخیص اتوماتیک ایسکمی در ثبت های کوتاه مدت به صورت یک مساله ی باز باقی مانده است. در این مطالعه روش جدیدی برای تشخیص زودهنگام ایسکمی ارائه شد.روش هاروش مورد استفاده در این مطالعه مبتنی بر تست های کوتاه مدت، تحلیل زمان-فرکانس سیگنال تغییرات ضربان قلب (Heart Rate Variability یا HRV) و شبکه های عصبی احتمالی بازگشتی به عنوان طبقه بندی کننده بود. برای این منظور ویژگی های باندهای فرکانسی در حین انجام سه آزمایش اتونومیک برخاستن، تنفس عمیق و کنترل تنفس در 98 نفر (50 فرد سالم و 48 بیمار) استخراج شه و به عنوان بردار ویژگی درنظر گرفته شد. افراد مورد آزمایش با نظر متخصص قلب و انجام تست ورزش و آنژیوگرافی مورد ارزیابی قرار گرفتند.یافته هانتایج این تحقیق نشان داد که می توان با استفاده از روش پیشنهادی و انجام تست های کوتاه مدت، افراد دچار ایسکمی را با دقت 88 درصد تشخیص داد. میزان دقت تشخیص افراد سالم 82 درصد بود.نتیجه گیرینتایج این تحقیق نشان داد که می توان از سیگنال ضربان قلب اخذ شده در حین آزمایشات کوتاه مدت اتونومیک و شبکه های عصبی، به عنوان روشی برای تشخیص غیر تهاجمی و زود هنگام ایسکمی استفاده کرد. روش ارائه شده ساده، سریع و غیر تهاجمی بود و نیازی به ثبت های طولانی مدت و تست ورزش نداشت.
کلید واژگان: ایسکمی, تحلیل زمان, فرکانس تطبیقی, شبکه های عصبی احتمالی بازگشتی, تغییرات ضربان قلبBackgroundMyocardial ischemia is caused by a lack of sufficient blood flow to the contractile cells and may lead to myocardial infarction with its severe sequel of heart failure, arrhythmias, and death. Therefore, its early diagnosis and treatment is of great importance. During past several years, several strategies have been proposed for automatic detection of ischemic cardiac beats using the ST-T complex of the electrocardiogram (ECG) which is recorded during long-term Holter monitoring. However, automatic detection of ischemic subjects using short-term analysis of the ECG is an open problem. In this paper, we presented a new method for automated detection of ischemic patients.MethodsThe study was conducted based on short-term analysis of the ECG, time-frequency analysis of heart-rate variability (HRV) and recurrent log linearized Gaussian mixture neural network (RLLGMN) as the classifier. For this purpose the feature vector was extracted from the energy of HRV was obtained from 98 subjects (50 healthy and 48 patients) at different frequency bands during different autonomic tests (i.e. controlled normal breathing, controlled deep breathing and active transition tests) and classified using a probabilistic neural network.FindingThe results showed that a correct classification rate of 82% for the healthy subjects and 86% for the ischemic subjects was achieved using the proposed method.ConclusionThe results indicated that HRV signals and recurrent probabilistic neural network can be used as a noninvasive method for identifying ischemia. The proposed method is simple, fast and noninvasive, and does not require the long-term recording of ECG signals as well as exercise treadmill test. -
در طی دو دهه اخیر، تحریک الکتریکی درون عضلانی به عنوان یک روش بالقوه به منظور بازیابی حرکت عضو فلج مطرح شده است. اصلی ترین چالش در بازیابی حرکت مطلوب در استفاده از تحریک الکتریکی درون عضلانی توسعه یک استراتژی کنترلی مقاوم برای تعیین الگوی های تحریک می باشد. کنترل دقیق و پایدار عضو در روش تحریک الکتریکی عملکردی درون عضلانی بدلیل خواص غیر خطی و متغیر با زمان سیستم عصبی- عضلانی و همچنین خستگی عضلانی زودرس و وجود تاخیر در این سیستم، مشکل می باشد. در این مطالعه تحقیقاتی یک استراتژی مقاوم برای کنترل حرکت چند مفصله با استفاده از تحریک الکتریکی درون عضلانی مطرح شده است. در این روش پارامتر های سیستم به صورت بر خط شناسایی می شود. روش ارایه شده ترکیبی از روش کنترل لغزشی با سیستم منطق فازی و کنترل کننده عصبی می باشد. به منظور ارزیابی مقاوم بودن، پایداری و دقت کنترل کننده، آزمایشات زیادی بر روی سه رت انجام شده است. نتایج آزمایشات نشان می دهد که روش پیشنهادی قابلیت کنترل دقیق حرکت گام برداشتن با همگرایی سریع را دارد.کلید واژگان: تحریک الکتریکی عملکردی, تحریک درون عضلانی, کنترل گام برداشتن, کنترل تطبیقی فازی-لغزشیDuring the last decade, functional neuromuscular stimulation (FNS) has been proposed as a potential technique for restoring motor function in paralyzed limbs. A major challenge to restoring a desired functional limb movement through the use of intramuscular stimulation is the development of a robust control strategy for determining the stimulation patterns. A major impediment to stimulating the paralyzed limbs and determining the stimulation pattern has been the highly non-linear, time-varying properties of electrically stimulated muscle, muscle fatigue, large latency and time constant which limit the utility of pre-specified stimulation pattern and open-loop FES control system. In this paper we present a robust strategy for multi-joint control through intramuscular stimulation in which the system parameters are adapted online and the controller requires no offline training phase. The method is based on the combination of sliding mode control with fuzzy logic and neural control. Extensive experiments on three rats are provided to demonstrate the robustness, stability, and tracking accuracy of the proposed method. The results show that the proposed strategy can provide accurate tracking control with fast convergence.Keywords: Functional electrical stimulation, intramuscular stimulation, Fuzzy logic, sliding mode control
-
بالا بودن سطح مصرف انرژی متابولیک و نیروی زیاد وارد بر دسته واکر از عوامل محدودکننده در گام برداشتن افراد دچار ضایعه نخاعی با کمک تحریک الکتریکی عملکردی، محسوب می شود. فرد معلول در هنگام گام برداشتن برای حفظ تعادل و جبران کمبود گشتاورهای ایجاد شده در مفصل های پایین تنه، نیروی زیادی به دسته واکر وارد می کند. در این مقاله یک مدل گام برداشتن فرد دارای ضایعه نخاعی با واکر در صفحه دو بعدی ارایه شده است. با استفاده از این مدل و کنترل بهینه الگوی تحریک عضلات طوری تعیین شده اند که علاوه بر کمینه بودن خطای ردیابی مسیر مرجع مفصل های پایین تنه، میزان تحریک الکتریکی عضلات پایین تنه و همچنین نیروی عکس العمل دسته واکر کمینه باشد. گشتاور لازم برای بالاتنه و دست ها نیز بر اساس همین تابع هزینه تعیین می شوند؛ اما مسیر مرجعی برای مفصل های آنها تعریف نشده است. نتایج نشان می دهد که نیروهای عکس العمل دسته واکر و زمین با مقادیر اندازه گیری شده، شباهت زیادی دارد و الگوی تحریک عضلات تولید شده در شبیه سازی با الگوهای تحریک گام برداشتن در مطالعات گذشته، مطابقت دارد.کلید واژگان: تحریک الکتریکی عملکردی, کنترل بهینه, گام برداشتن, پاراپلژیک, مدلOne major limitation of walker-supported walking using functional electrical stimulation (FES) in paraplegic subjects is the high energy expenditure and the high upper body effort. Paraplegics should exert high amount of hand force to stabilize the body posture and to compensate lack of the sufficient torques at the lower extremity joints. In this paper, we introduce a 2-D musculoskeletal model of walker-assisted FES-supported walking of paraplegics. Using the developed model and an optimal controller, the stimulation patterns are determined such that the tracking errors of lower joint reference trajectories are minimized and the muscle activations and the handle reaction force (HRF) are reduced. Outputs of the optimal controller are stimulation patterns of the lower body muscles and torque acting on the upper body joints. The results show that the HRF and ground reaction force (GRF) generated by simulation are in agreement with the measured HRF and GRF. Moreover, the results indicate that the simulation-generated stimulation patterns of lower body muscles are in consist with the stimulation patterns reported in the literatures.Keywords: Functional electrical stimulation, optimal control, walking, paraplegic, model
-
مهمترین مشکل در بررسی و پردازش ثبت های الکتروآنسفالوگرام (EEG) حضور انواع سیگنال های ناخواسته (آرتیفکت ها) است که حذف آنها با روش تحلیل مولفه های مستقل از بهترین گزینه های ممکن است. هدف مساله تحلیل مولفه های مستقل جداسازی کور ترکیبی خطی از منابع مستقل است. با اعمال این روش روی سیگنال های مغزی آغشته به آرتیفکت، آرتیفکت ها به صورت مولفه های مستقلی استخراج می شوند. تشخیص خودکار مولفه های مستقل مربوط به آرتیفکت از سایر مولفه ها باید بر اساس معیارهای مناسبی صورت گیرد. هنوز درباره انتخاب این معیارها توافقی کلی وجود ندارد. در این تحقیق مجموعه ای از معیارهای آماری و زمانی- فرکانسی معرفی شده است که می توانند در قالب یک قانون تشخیص و تصمیم گیری خودکار، مولفه های نمایانگر آرتیفکت های چشمی را با دقت بالا شناسایی کنند. در روش پیشنهادی به جای مقایسه معیارهای محاسبه شده برای مولفه ها با سطوح آستانه یا الگوهای خاص، ویژگی های مولفه های یک آزمون با هم مقایسه می شوند و بر اساس یک قانون تصمیم گیری مولفه های نمایانگر آرتیفکت چشمی (اثر پلک زدن و حرکت افقی و عمودی کره چشم) در صورت وجود در آزمون مورد نظر شناسایی و حذف می شوند. عملکرد روش پیشنهادی روی 2000 قطعه 4 ثانیه ای سیگنال EEG حاوی انواع آرتیفکت های چشمی آزمایش شده است. دقت تشخیص روش در مورد این داده ها 92.8% به دست آمده است. آزمون های آماری نشان می دهند که مقادیر معیارهای مربوط به مولفه های آرتیفکت و غیر آرتیفکت تفاوت قابل ملاحظه ای با هم دارند.
کلید واژگان: تحلیل مولفه های مستقل, آرتیفکت چشمی, تبدیل فوریه زمان, کوتاه, EEGContamination of Electroencephalographic (EEG) recordings with different kinds of artifacts is the main obstacle to the analysis of EEG data. Independent Component Analysis (ICA) is now a widely accepted tool for detection of artifact in EEG data. This component-based method segregates artifactual activities in separate sources hence, the reconstruction of EEG recordings without these sources leads to artifact reduction. Identification of the artifactual components is a major challenge to artifact removal using ICA is the. Although, during past several years, it has been proposed for automatic detecting the artifactual component, there is still little consensus on criteria for automatic rejection of undesired components. In this paper we present a new identification procedure based on statistics and time-frequency properties of independent components for fully automatic ocular artifact suppression. By comparing the statistics and time-frequency properties of independent components, the artifactual components were identified and removed. The results on 2000 4-s EEG epochs indicate that the artifact components can be identified with an accuracy of 92.8%. Moreover, statistical test indicates that the statistics and time-frequency properties of artifactual components are significantly different from that of non-artifactual components.
Keywords: Independent component analysis, Ocular Artifact, Electroencephalogram, EEG, Short-Time Fourier Transform -
در سال های اخیر کوشش های بسیار زیادی جهت استفاده از سیگنال های مغزی به عنوان یک کانال ارتباطی مستقیم بین انسان و کامپیوتر انجام گرفته است. این کانال ارتباطی، سیستم های واسط مغز با کامپیوتر مبتنی بر سیگنال مغزی نامیده می شود. هدف تحقیقات در سیستم های واسط مغز با کامپیوتر ایجاد یک کانال ارتباطی است که مستقیما فعالیت های مغزی را به فرمان های کنترلی تبدیل کند. این سیستم ها بر اساس تصور ذهنی حرکت و یا یک فعالیت ذهنی خاص استوار هستند. تصور حرکت باعث ایجاد پتانسیل هایی در سطح قشر حرکتی مغز می شود. می توان از این سیگنال ها به عنوان یک دستور به کامپیوتر استفاده کرد. اما تشخیص این سیگنال ها به علت پایین بودن نسبت سیگنال به نویز و وجود آرتیفکت های مختلف یک فرآیند پیچیده است. از مهم ترین مشکلات در گسترش سیستم های ارتباطی مغز با کامپیوتر، حذف بی درنگ آرتیفکت ناشی از پلک زدن چشم از سیگنال های مغزی است. تاکنون روش های مختلفی برای حذف آرتیفکت پلک زدن از سیگنال های مغزی ارائه شده است. یکی از روش های موثر و مطرح برای حذف آرتیفکت های مختلف از سیگنال های الکتروآنسفالوگرام استفاده از تحلیل مولفه های مستقل است. اما این روش نیاز به تشخیص چشمی مولفه های مستقل مربوط به آرتیفکت ها دارد. بازبینی چشمی از مولفه ها بسیار زمان بر بوده و برای حذف برخط آرتیفکت، مناسب نیست. در این مقاله، راهکار جدیدی مبتنی بر تحلیل مولفه های مستقل برای حذف برخط آرتیفکت پلک زدن از سیگنال های مغزی گسترش داده شده است. برای این منظور، الگوریتم های مختلف وفقی تحلیل مولفه های مستقل پیشنهاد و کارآیی آنها در شرایط مختلف با انواع داده های شبیه سازی شده مورد ارزیابی قرار گرفته است. نتایج شبیه سازی نشان می دهد که روش های وفقی تحلیل مولفه های مستقل در شرایط خاصی به خوبی قادر به جداسازی برخط منابع هستند. به منظور حذف برخط آرتیفکت از سیگنال های مغزی با استفاده از راهکار پیشنهادی، آزمایشات مختلفی بر روی انسان انجام شده است. نتایج نشان می دهد که این روش ها به خوبی قادر به حذف کامل آرتیفکت پلک زدن چشم به صورت برخط از سیگنال های مغزی بوده و برای استفاده در مانیتورینگ برخط EEG و سیستم های ارتباطی مغز با کامپیوتر مناسب هستند.
کلید واژگان: سیستم های ارتباطی مغز با کامپیوتر, سیگنال الکتروآنسفالوگرام, آرتیفکت چشم, تحلیل مولفه های مستقل, پردازش تطبیقی, شبکه های عصبیFor several years, many efforts have been done to use the electro-encephalogram (EEG) as a new communication channel between human brain and computer. This new communication channel is called EEG-based brain-computer interface (BCI). The aim of brain-computer interface (BCI) research is to establish a new communication channel that directly translates brain activities into sequences of control commands for an output device such as a computer application or a neuroprosthesis. The major advantage of EEG-based BCI is that no physical movement is required. The motor imagery is the essential part of the most EEG-based communication systems. One of the major problems in developing a real-time Brain Computer Interface (BCI) is the eye blink artifact suppression. Recently, a more effective method has been introduced for removing a wide variety of artifacts from multi-channel EEG signals based on blind source separation by Independent Component Analysis (ICA). However, the method requires visual inspection of ICA components and manual classification of the interference components. This can be time-consuming and is not desirable for real-time artifact suppression. Moreover, the real-time application of this method for artifact rejection has not been considered so far. In this paper, various ICA methods with adaptive learning algorithm are presented and evaluated by computer simulation. The results from real-data demonstrate that the proposed scheme removes perfectly eye blink artifacts from the contaminated EEG signals and is suitable for use during on-line EEG monitoring and EEG-based brain computer interface. -
کنترل کننده تطبیقی فازی سلسله مراتبی به منظور کنترل حرکت مفصل زانو با استفاده از تحریک الکتریکی عملکردیدر این تحقیق یک راهکار کنترلی تطبیقی مقاوم فازی مبتنی بر کنترل لغزشی به منظور کنترل حرکت مفصل زانو با استفاده از تحریک الکتریکی کارکردی ارائه شده و به طور عملی بر روی 3 فرد مورد ارزیابی و مطالعه قرار گرفته است. راهکار کنترلی ارائه شده در این مقاله مبتنی بر کنترل نوع لغزشی است. از مهمترین ویژگی های کنترل نوع لغزشی، مقاوم بودن در مقابل عدم قطعیت های مدل و سیستم است. در عمل حدود عدم قطعیت ها مشخص نیست. بنابراین لازم است در کنترل نوع لغزشی، بهره جمله ناپیوسته تا حد ممکن بزرگ انتخاب شود. این سبب افزایش نوسان حول صفحه لغزش می شود. در این مقاله برای مقابله با عدم قطعیت ها، یک راهکار کنترلی از ترکیب کنترل نوع لغزشی، سیستم فازی و جبران ساز مقاوم تطبیقی برای جبران عدم قطعیت های ساختاری و غیر ساختاری ارائه شده است. در این راهکار کنترلی ابتدا دینامیک سیستم عضله- مفصل به وسیله سیستم منطق فازی شناسایی شده است. ضرایب مدل فازی در هر لحظه از زمان توسط یک تخمین گر فازی دیگر تعیین شده است. مطالعات شبیه سازی و نتایج آزمایش های انسانی نشان می دهند که راهکار کنترلی قادر به کنترل مقاوم و دقیق حرکت زاویه مفصل زانو بوده است. کنترل کننده قادر است با تنظیم شدت تحریک عضله، به خوبی اثر اغتشاش مکانیکی خارجی و بروز پدیده خستگی عضلانی را جبران کند.
کلید واژگان: کنترل تطبیقی, کنترل نوع لغزشی, سیستم منطق فازی, تحریک الکتریکی عصبی, عضلانی, سیستم عضله, مفصلAn Adaptive Fuzzy Control with Hierarchical Structure for Controlling the Knee-joint angle by using Functional Electrical StimulationIn this paper an adaptive robust fuzzy controller based on sliding mode control (SMC) approach is proposed to control the knee joint position using quadriceps electrical stimulation and it has been tested on three subjects. The proposed method is based on SMC. The main advantage of SMC derives from the property of robustness to system uncertainties and external disturbances. However, a large value has to be applied to the control gain when the boundary of uncertainties is unknown. Unfortunately, this large control gain may cause chattering on the sliding surface and therefore deteriorate the system performance. In this paper a robust control strategy proposed which is based on the combination of sliding mode, fuzzy logic systems, and an adaptive compensator to reduce the system uncertainties while alleviating the effects of chattering. The fuzzy logic system is used to identify the muscle-joint dynamics. The parameters of this fuzzy system were estimated using another fuzzy system. The controller is evaluated through the simulation studies on a virtual patient and experimental studies on intact subjects. The results show that the adaptive robust controller provides an accurate tracking of desired knee-joint angle for different subjects and different days and can generate control signals to compensate the muscle fatigue and reject the external disturbance.Keywords: Adaptive control, Sliding mode control (SMC), Fuzzy logic system, Muscle-joint system, Functional electrical stimulation (FES) -
مدل جدیدی از عضله تحریک شده در شرایط غیر ایزومتریک ارایه شده است. مدل های ارایه شده کنونی مبتنی بر ساختار مدل هیل هستند. در این ساختار، رفتار عضله به بخش های مستقل از یکدیگر تجزیه شده و فرض می شود که این بخش ها ارتباطی با یکدیگر ندارند، در صورت که این تجزیه و عدم وابستگی بخش ها به یکدیگر، واقعیت فیزیکی ندارد. به منظور رفع محدودیت های مدل های ساختار هیل، در این تحقیق از شبکه های عصبی دینامیک به عنوان ابزاری جهت مدل سازی عضله در شرایط غیر ایزومتریک استفاده شده است. برای این منظور، دو نوع شبکه عصبی به کار گرفته شد: شبکه پرسپترون با الگوریتم یادگیری پس انتشار خطا و شبکه عصبی مبتنی بر توابع پایه شعاعی الگوریتم یادگیری گرادیان تصادفی. نتایج این تحقیق نشان می دهد مدل های عصبی قادر به پیش بینی دقیق تری از میزان نیرو انقباض عضلانی در شرایط غیر ایزومتریک نسبت به مدل های پایه هیل هستند. از آنجایی که عضله دارای رفتار متغیر با زمان است دو ساختار متفاوت، شبکه عصبی متغیر با زمان و نامتغیر با زمان برای مدل سازی عضله در نظر گرفته شده است. نتایج نشان می دهد مدل های عصبی متغیر با زمان، با دقت 99.5% و مدل های نامتغیر با زمان، با دقت 95% قادر به پیش بینی نیروی انقباض عضله تحریک شده در شرایط غیر ایزومتریک هستند. علاوه بر این، نتایج این تحقیق نشان می دهد دقت پیش بینی شبکه عصبی به ساختار شبکه بستگی دارد. با وجود ساده بودن ساختار شبکه عصبی مبتنی بر توابع شعاعی نسبت به ساختار شبکه عصبی پس انتشار خطا، دقت پیش بینی با شبکه عصبی مبتنی بر توابع شعاعی با 1000 دوره یادگیری بیشتر از شبکه عصبی پس انتشار خطا با 5000 دوره یادگیری است.
کلید واژگان: عضله, مدلسازی, شبکه های عصبی, تحریک الکتریکی کارکردی, سیستم های عصبی, عضلانیThis paper is concerned with developing a force-generating model of electrically stimulated muscle under non-isometric condition. Hill-based muscle models have been the most popular structure. This type of muscle model was constructed as a combination of different independent blocks (i.e., activation dynamics, force-length and force-velocity relations, and series elastic element). The model assumes that the force-length and the force-velocity relations are uncoupled from the activation dynamics. However, some studies suggest that the shapes of the active force-length and the active force-velocity curves change with the level of the activation. Moreover, the "active state" block of the Hill-type model has no physical interpretation. To overcome the limitation of the Hill-type model, we used the multilayer perceptron (MLP) with back-propagation learning algorithm and Radial Basis Function (RBF) network with stochastic gradient learning rule for muscle modeling, where the stimulation signal, muscle length, velocity of length perturbation, and past measured or predicted force constitute the input of the neural model, and the predicted force is the output. Two modes of network operation are of interest: a time-varying network which allows updating the parameters of network to continue after convergence, and a time-invariant neural network with parameters fixed after convergence. The results show that time-varying and time-invariant neural networks would be able to track the muscle force with accuracy up to 99.5% and 95%, respectively. In addition, the results show that the accuracy of muscle force prediction depends on the structure of neural network. The prediction accuracy of RBF network after 1000 training epochs is higher than that of MLP network after 5000 training epochs.Keywords: Neural network, Functional electrical stimulation, Muscle modeling, Neuromuscular systems -
در سال های اخیر گزارشات بسیار زیادی درباره امکان تشخیص فعالیت های ذهنی بوسیله سیگنال های مغزی ارائه شده است. در این مقاله از روش تجزیه و تحلیل مولفه های مستقل جهت بررسی سیگنال های مغزی در حین تصور حرکت دست و تشخیص تصور حرکت دست استفاده می شود. تجزیه و تحلیل مولفه های مستقل یک روش گسترش یافته تجزیه و تحلیل مولفه های اصلی است و برای جداسازی کور منابع مستقل که بطور خطی ترکیب شده اند، بکار می رود. لذا انتظار می رود با تجزیه و تحلیل مولفه های مستقل سیگنال های مغزی در حین تصور حرکت، فعالیت های مختلف مجزای مغز را در طول فرآیند تصور جدا و بصورت یک مولفه مستقل ارائه داد. نتایج این تحقیق نشان می دهد که می توان با تجزیه و تحلیل مولفه های مستقل بر روی سیگنال های مغزی در حین تصور حرکت، فعالیت های مختلف ذهنی مربوط به فرآیند تصور را تفکیک کرد. بر اساس این بررسی، یک طبقه بندی کننده سیگنال های مغزی بر مبنای مولفه های مستقل جهت تشخیص تصور حرکت و حالت استراحت ارائه می شود. یکی از مسائل مهم درطبقه بندی، استخراج ویژگی ها است. در این تحقیق، قدرمطلق دامنه، پراش، توان متوسط باندهای آلفا، بتا و تتا توان مولفه های فرکانسی در باند آلفا، بتا و تتا، و ضرایب مدل خطی خود بازگشتی مربوط به مولفه های مستقل بعنوان ویژگی در نظر گرفته شده است و از یک شبکه عصبی پس انتشار خطا جهت طبقه بندی استفاده شده است. نتایج نشان می دهد که ویژگی های مولفه های مستقل نسبت به ویژگی های خود سیگنال مغزی، تشخیص دقیق تری را نتیجه داده است.
کلید واژگان: تشخیص الگو, سیگنال های مغزی, EEG, تجزیه و تحلیل مولفه های مستقل
بدانید!
- در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو می‌شود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشته‌های مختلف باشد.
- همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته می‌توانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
- در صورتی که می‌خواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.