استفاده از ترکیب الگوریتم ژنتیک و شبکه های عصبی مصنوعی برای پیش بینی نیروی گاز گرفتن از روی سیگنال الکترومایوگرام
نویسندگان
چکیده مقاله:
Human mastication is a common rhythmic behavior and a complex biomechanical process which is hard to reproduce. Today, investigating the relation between electrical activity of muscles and force signals is of high importance in many applications including gait analysis, orthopedics, rehabilitation, ergonomic design, haptic technology, tele-presence surgery and human-machine interaction. Surface electrodes have many advantages over force sensors which are often expensive and of massive structure, two of which are less expensive and portable. Since the biting force is too difficult to be measured, in this paper, we aim to investigate the ability of a Multi-Layer Perceptron artificial neural network (MLPANN) and Radial Basis Function artificial neural network (RBFANN) to predict the biting force of incisor teeth based on surface electromyography (EMG) signals. RBFANN and MLPANN are two of the most widely used neural network architecture. These two methods are both known as universal approximates for nonlinear input-output mapping. To do this, biting force and EMG signals from the masticatory muscles were recorded and used as output and input of neural networks, respectively. Genetic algorithm was applied to find the best structure for ANNs and the appropriate total time-delay of EMGs. Results show that the EMG signals recorded from aforementioned muscles contain useful information about the biting force. Furthermore, they indicate that MLPANN and RBFANN can detect the dynamics of the system with good precision. The mean percentage error in the training and validation phase is %2.3 and %19.4 for MLPANN and %8.3 and %22.7 for RBFANN, sequentially. Also the variance analysis technique shows that there is no significant difference between results achieved through MLPANN and RBFANN. The provided analysis will aid researchers in characterizing and investigating the mastication process, through the specification of SEMG signal patterns and the observation of the resulting biting force. Such models can provide clinical insight into the development of more effective rehabilitation therapies, and can aid in assessing the effects of an intervention. This methodology can be applied to any tele-operated robot or orthotic device (exoskeleton), either for rehabilitation or extension of human ability.
منابع مشابه
کاربردی از ترکیب الگوریتم ژنتیک و شبکه های عصبی مصنوعی برای بر آورد مصرف گاز طبیعی در ایران
هدف اصلی این تحقیق، بررسی تقاضای گاز طبیعی در ایران با استفاده از ساختار صنعت و شرایط اقتصادید ایران می باشد.. مدل ها به دو شکل (نمایی و خطی) ارائه شده اند و برای برآورد تقاضای گاز طبیعی در ایران مورد استفاده قرار می گیرند. این مدل ها برای برآورد میزان تقاضای گاز طبیعی در آینده براساس شاخص های جمعیت، تولید ناخالص داخلی و ارقام وارداتی و صادراتی گسترش یافته اند. مصرف گاز طبیعی در ایران از سال 19...
متن کاملپیش بینی مصرف انرژی بخش کشاورزی ایران با استفاده از مدل ترکیبی الگوریتم ژنتیک و شبکه های عصبی مصنوعی
هدف از این مقاله ارزیابی الگوی ترکیبی شبکههای عصبی مصنوعی و الگوریتم ژنتیک در پیش بینی تقاضای انرژی بخش کشاورزی ایران میباشد. برای این منظور، از دادههای سالانه مصرف انرژی بخش کشاورزی کشور به عنوان متغیر خروجی مدلهای پیشبینی و از دادههای سالانه جمعیت کل کشور و کل تولیدات بخش کشاورزی کشور به عنوان متغیرهای ورودی مدلهای پیشبینی استفاده شد. در پایان به منظور مقایسه نتایج پیشبینی مدل ترکیبی...
متن کاملمدل سازی و پیش بینی کارایی بانک های دولتی و خصوصی ایران با استفاده از مدل های شبکه عصبی مصنوعی، شبکه عصبی فازی و الگوریتم ژنتیک
دستیابی به رشد مستمر و مداوم اقتصادی و به موجب آن توسعه اقتصادی را می توان از زمره اهدافی قلمداد نمود که تمام کشورها در پی دستیابی به آن می باشند. در این راستا بانک ها نقش بسیار مهمی در پیشرفت و توسعه اقتصادی هر کشور ایفا می نمایند. در حال حاضر با توجه به تعداد قابل توجه بانک های دولتی و خصوصی در کشور پیش بینی کارایی آن ها اهمیت ویژه ای پیدا کرده است. هدف از این پژوهش، مدلسازی و پیش بینی کارایی...
متن کاملبهینهسازی فرایندهای عملیاتی پیش تصفیه آب صنعتی با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک
متن کامل
کاربردی از ترکیب الگوریتم ژنتیک و شبکه های عصبی مصنوعی برای بر آورد مصرف گاز طبیعی در ایران
هدف اصلی این تحقیق، بررسی تقاضای گاز طبیعی در ایران با استفاده از ساختار صنعت و شرایط اقتصادید ایران می باشد.. مدل ها به دو شکل (نمایی و خطی) ارائه شده اند و برای برآورد تقاضای گاز طبیعی در ایران مورد استفاده قرار می گیرند. این مدل ها برای برآورد میزان تقاضای گاز طبیعی در آینده براساس شاخص های جمعیت، تولید ناخالص داخلی و ارقام وارداتی و صادراتی گسترش یافته اند. مصرف گاز طبیعی در ایران از سال 19...
متن کاملپیش بینی مشخصات پرش هیدرولیکی بر روی بستر زبر با استفاده از شبکه عصبی مصنوعی و برنامه ریزی ژنتیک
در تحقیق حاضر مشخصات پرش هیدرولیکی با تحلیل عمق و طول غلتان پرش بر روی بسترهای زبرکه بصورت تابعی از ارتفاع زبری و عدد فرود بالادست میباشد با استفاده از مدل شبکهعصبی و برنامهریزی ژنتیک شبیهسازی گردید. عدد فرود اولیه جریان در محدوده 9/1 تا 10 و زبری نسبی بستر در محدوده 085/0 تا 025/2 قرار داشت. در کل تعداد 454 داده مشاهداتی پرش هیدرولیکی برای آموزش وتست مدل های شبکه عصبی و برنامهریزی ژنتیک (...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 14 شماره 1
صفحات 41- 52
تاریخ انتشار 2017-06
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
کلمات کلیدی برای این مقاله ارائه نشده است
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023