مدل های نرونی از عضله تحریک شده الکتریکی در شرایط ایزومتریک

یکی از روش های مطرح جهت بازیابی توانایی عضلات فلج، روش تحریک الکتریکی کاربردی (fes) است . در این روش برای ایجاد یک حرکت مناسب نیاز به گشتاور خاص در یک مفصل است و برای ایجاد این گشتاور نیاز به نیروی انقباضی خاص در عضلات خاص است . برای ایجاد یک نیرو انقباضی مورد نظر، نیاز به اعمال یک سیگنال تحریک مناسب به ورودی عضله است . این مسئله نیاز به شناسایی رابطه ورودی-خروجی عضله، یا به عبارتی مدلسازی عضله دارد. لذا یک کاربرد مهم مدلسازی عضله در fes است . تاکنون از ساختارهای مختلفی شامل مدلهای خطی، خطی متغییر با زمان و مدلهای غیرخطی نظیر مدل وینر و همراشتاین برای مدلسازی عضله استفاده شده است . این مدلها توانایی بازنمایی تمام جنبه های رفتاری عضله را دارا نیستند و اغلب برای زمان محدود و با دقت کم قادر به پیش بینی نیروی خروجی عضله می باشند. هدف ما در این پروژه، ارائه مدلی از عضله چهار سر تا پای انسان، جهت پیش بینی دقیق گشتاور تولیدی این عضله است . در سالهای اخیر شبکه های عصبی بطور گسترده در مدلسازی و شناسایی سیستم های غیرخطی بکار گرفته شده اند. نشان داده شده است که این شبکه ها قابلیت تخمین توابع غیرخطی را دارا می باشند. از آنجا که عضله دارای رفتار غیرخطی و پویا است و با توجه به خاصیت تقریب فراگیر شبکه های عصبی، ما از مدل عصبی برای مدلسازی عضله استفاده می کنیم. برای این منظور از پنج نوع شبکه عصبی استفاده می شود. این شبکه ها عبارتند از: 1) شبکه پس انتشار خطا، 2)شبکه rbf با روش تعلیم گرادیان تصادفی، 3) شبکه rbf چند جمله ای، 4) شبکه با تخصیص منابع و روش تعلیم lms، و 5) شبکه با تخصیص منابع و روش تعلیم فیلتر کالمن توسعه یافته. باید توجه داشت که آلگوریتم های بکار رفته در شبکه rbf چند جمله ایی، شبکه با تخصیص منابع و روش تعلیم lms و شبکه با تخصیص منابع و روش یادگیری فیلتر کالمن توسعه یافته، توانایی تعیین ساختار شبکه را متناسب با نوع کاربرد داراهستند. بمنظور شناسایی مدل، عضله چهار سرپای انسان توسط دو نوع الگوی تصادفی، تحریک شده سپس سیگنال الکترومایوگرام برانگیخته (eemg) و گشتاور تولیدی عضله اندازه گیری شده اند. در این پروژه از سه نوع مدل با سه نوع ورودی مختلف استفاده شده است . در مدل اول ورودی مدل سیگنال eemg است . در مدل دوم سیگنال تحریک الکتریکی بعنوان ورودی مدل بکار می رود. در مدل سوم سیگنال تحریک و سیگنال eemg بطور همزمان بعنوان ورودی مدل در نظر گرفته می شوند. نتایج مدلسازی نشان می دهد که استفاده از سیگنال eegm بعنوان ورودی باعث افزایش کارایی مدل شبکه عصبی می شود و مدلهای ارائه شده بر این اساس با دقت بسیار خوبی گشتاور عضله را پیش بینی می کنند. خطای پیش بینی مدلهای با ورودی سیگنال eegm (مدل اول و سوم) چندین برابر کمتر از خطای پیش بینی مدل با ورودی سیگنال تحریک است . همچنین نتایج نشان می دهد که خطای پیش بینی مدلهای اول و سوم تفاوت چندانی با یکدیگر ندارند (مدل اول از ساختار ساده تری نسبت به مدل سوم برخوردار است ). ملاحظه می شود که شبکه های عصبی بکار رفته در این پروژه، توانایی خوبی در مدلسازی عضله دارند. خطای پیش بینی گشتاور انقباض عضلانی در بهترین حالت با استفاده از شبکه rbf چند جمله ایی حاصل می شود. ما از نظر سادگی، ساختار شبکه با تخصیص منابع و روش یادگیری فیترکالمن، راجع است .