يادگيري تطبيقي براي رفع مشكل اثر موقعيت دست و زمان كاليبراسيون در كنترل مايوالكتريك دست مصنوعي

كارشناسي ارشد

كنترل مايوالكتريك مبتني بر شناسايي الگو، به عنوان يك تكنيك ارزشمند در جهت كنترل دست هاي مصنوعي در دو دهه ي اخير براي افراد داراي قطع عضو مطرح شده است. عليرغم تنوع و گستردگي الگوريتم هايي كه در حال حاضر براي كنترل مايوالكتريك مبتني بر شناسايي الگو پيشنهاد شده است موانع و چالش هايي نيز هنوز به عنوان مشكلات حل نشده ي اين طرح كنترلي براي پياده سازي هاي تجاري و باليني باقي مانده است. يكي از مهم ترين چالش ها در كنترل مايوالكتريك، حساسيت الگوريتم به موقعيت دست مي باشد. رويكردهايي كه مطالعات و مقالات گذشته براي اين چالش عنوان كرده¬اند را مي¬توان به 2 دسته تقسيم-بندي كرد: 1_استفاده از سنسور شتاب سنج براي تعيين موقعيت دست و 2_آموزش كاربر در موقعيت هاي چندگانه. رويكرد اول استفاده از يك سنسور خارجي است و مي تواند حداقل به لحاظ هزينه مقرون به صرفه نباشد و رويكرد دوم نيازمند زمان آموزش و كاليبراسيون طولاني براي تعليم كاربر مي باشد. بنابراين ما در اين پروژه دو هدف اصلي را مورد مطالعه قرار مي دهيم، هدف اول تعيين و شناسايي موقعيت دست بدون استفاده از هيچ گونه سنسور خارجي و فقط با استفاده از خود داده ي الكترومايوگراف(EMG) مي باشد و دومين هدف نيز طبقه بندي كلاس هاي حركت در موقعيت تعيين شده با حداقل داده ي آموزش و كاليبراسيون مطرح شده است. بنابراين در اين مطالعه يك الگوريتم دو وجهي ارائه شده است كه اولا بتواند موقعيت دست را شناسايي كند و ثانيا براي كاهش زمان يادگيري و كاليبراسيون از يك الگوريتم تطبيقي با بهره گيري از داده ي ساير كاربران براي يادگيري استفاده كند. فضاي ويژگي مورد مطالعه، استخراجِ 4 ويژگي حوزه ي زمان به نام هاي ميانگين مطلق، عبور از صفر، تغيير علامت شيب و طول شكل موج، از داده ي الكترومايوگرافِ ثبت شده مي باشد، بنابراين اين الگوريتم تطبيقي با حداقل كردن يك معيار از فاصله ي آماري بين كلاس ها در اين فضاي ويژگي، يك تبديل خطي براي انتقال فضاي ويژگي از يك كاربر به كاربر ديگر را بدست مي¬دهد. در قسمت نتايج، 4 موقعيت مختلف دست، با صحت ميانگين 87.12 درصد شناسايي شده و تعيين الگوريتم شناسايي الگو در 8 حركت مختلف مچ دست با استفاده از يادگيري مبتني بر تطبيق الگوها از ساير كاربران با صحت 83.21 درصد طبقه بندي شده است. بررسي نتايج نشان مي دهد كه ما توانسته ايم بدون استفاده از سنسور خارجي و صرفا با استفاده از خود داده ي EMG موقعيت دست را شناسايي كرده و با استفاده از اطلاعات موقعيت دست و داده ي ساير كاربران با صحت مناسبي به طبقه بندي 8 كلاس حركت برسيم. واژه هاي كليدي: كنترل مايوالكتريك، الكترومايوگراف، شتاب سنج، الگوريتم تطبيقي و زمان يادگيري.

191974

دانشگاه علم و صنعت ايران

مهندسي پزشكي - بيوالكتريك

دكتر وحيد شالچيان