طراحی و کنترل دست سایبرنتیکی به کمک پردازش سیگنال الکترومایوگرافی و شبکه عصبی
طراحی و کنترل دست سایبرنتیکی به کمک پردازش سیگنال الکترومایوگرافی و شبکه عصبی
بی بی راه نجات1 محمد علی پیش بین2
1) دانشجو دکتری مهندسی پزشکی،دانشکده مهندسی پزشکی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران
2) استادیار و عضو هییت علمی، دانشکده مهندسی پزشکی، دانشگاه ازاد اسلامی واحد علوم تحقیقات تهران،
کد IOI مقاله
:
XYCC-ACAAZ
محل انتشار :
کنفرانس بین المللی علوم و مهندسی(icesconf.com)
چکیده :
هدف اصلي اين پروژه توان بخشي به فرد معلولي است که دستش از ناحيه ي آرنج به پايين قطع شده و براي فرمان دادن به دست مصنوعي از عضلات روي بازوي شخص معلول استفاده ميشود. در حقيقت در اين پروژه به دنبال روشي مناسب هستيم كه يك فرآيند كنترل دقيق را براي استفاده در يك رابط انسان _ماشين فراهم كنيم. حال اين ربات يا ماشين مي تواند يك پروتز دست مصنوعي باشد که دستورات كنترلي را از انسان دريافت مي كند ويا هر چيز قابل تصور ديگري باشد که این ماشین با دریافت فرمان از عضلات بازوی فرد معلول به صورت سیگنال EMG آنها را پردازش نموده و فرمان مورد نظر را استخراج کرده و دستور لازم را به صورت الکترونیکی به دست مصنوعی اعمال مینماید که در این پروژه دست مورد نظر در کامپیوتر طراحی شده است. همچنین سعي شده است با طراحی دست به صورت مجازی در کامپیوتر امکاناتی از جمله هزینه کمتر و تکرارپذیری بیشتر را امکان پذیر سازیم زیرا در روش های مکانیکی و روش هایی که در آنها ساخت وجود دارد ،تست هایی وجود دارد که گران هستند و همچنین امکان تکرارپذیری کمتری وجود دارد و دیگر اینکه کنترل پارامتر های مختلف در این نوع تست ها سخت می باشد ،به همین خاطر مهندسین به روش هایی روی آوردند که به صورت کامپیوتری می باشد و سعی میشود که تست ها در فضای مجازی انجام داده شود ،که این تست ها ارزان هستند و سریعتر انجام داده میشوند و قابلیت تکرارپذیری بالایی دارندو تمامی پارامتر هایی که در این پدیده دخیل هستند را کنترل کرد. با بررسي عميق تر سيگنال الكترومايوگرام و دريافت پردازش آن سعي شده است راه عملي را براي گروهها وتيم هاي بعدي جهت كار بر روي دريافت سيگنال وتقويت وپردازش و تعيين شناخت الگوهاي حركتي و نهايتا راه اندازي دست با كنترل ارادي هموار گردد. پس ابتدا با استفاده از الگوریتم ها ی مختلف همچون (Perceptron ,KNN ,SVM , FCM, ) به آموزش شبکه و تعیین میزان خطای تشخیص دو حرکت Flextion و Extention پرداخته و سپس با توجه به خروجی گونیا متر سه کلاس حرکتی Supination و Pronation و Extention را از هم تشخیص داده می شود. پس از این مرحله سیگنال را به صورت آنلاین ثبت نموده و با تعیین تاخیر مناسب و دادن این سیگنال ها به عنوان ورودی شبکه به بررسی صحت تشخیص شبکه می پردازیم.
کلمات کلیدی : دست مصنوعی پردازش سیگنال الکترومایوگرافی شبکه عصبی