عنوان : ( استفاده از ترکیب الگوریتم ژنتیک و شبکه های عصبی مصنوعی برای پیش بینی نیروی گاز گرفتن از روی سیگنال الکترومایوگرام )
نویسندگان: نازنین کفشدارگوهریان , سحر مقیمی , هادی کلانی ,
Full Textچکیده
امروزه بررسی ارتباط بین سیگنال‌های نیرو و فعالیت الکتریکی عضله‌ها بسیار حائز اهمیت بوده و در مسائل مهمی مانند تحلیل حرکت، علوم ارتوپدی، توانبخشی، طراحی ارگونومیک و تعامل انسان- ماشین و کاربردهای پزشکی مانند کنترل پروتزهای مصنوعی کاربرد فراوانی دارد. از مزیت‌های استفاده از الکترودهای سطحی، ارزانتر و قابل‌حمل‌بودن آنها در مقایسه با حس‌گرهای نیرو است که به‌طورمعمول گران هستند و ساختار حجیمی دارند. از آنجایی که اندازه‌گیری نیروی گازگرفتن بسیار سخت و پیچیده است، در این مقاله می‌خواهیم توانایی شبکه‌های عصبی چند لایه پرسپترون (MLPANN) و توابع با پایه شعایی (RBFANN) را در پیشبینی نیروی گازگرفتن توسط دندان پیشین از روی سیگنال‌های اکترومایوگرام صورت بررسی کنیم. بدین منظور سیگنال الکترومایوگرام عضلات گیجگاهی و ماضغه و نیروی گازگرفتن به‌ترتیب به‌عنوان ورودی و خروجی شبکه‌های عصبی در نظر گرفته شده‌اند. برای پیدا‌کردن بهترین ساختار شبکه و تأخیر زمانی مناسب سیگنال‌های الکترومایوگرام، از الگوریتم ژنتیک (GA) استفاده شده است. نتایج نشان می‌دهند که سیگنال الکترومایوگرام عضلات یادشده شامل اطلاعات مفیدی از نیروی گازگرفتن هستند. روش‌های MLPANN و RBFANN دینامیک مورد نظر را با دقت مناسبی شناسایی می‌کنند. درصد میانگین مربع خطا در مرحله آموزش و آزمون به‌ترتیب 3/2%و 4/19% برای MLPANN و 3/8% و 7/22% برای RBFANN است. همچنین روش تحلیل واریانس نشان می‌دهد که تفاوت معناداری بین نتایج حاصله از MLPANN و RBFANN وجود ندارد.
کلمات کلیدی
, سیگنال‌های الکترومایوگرام, نیروی گازگرفتن, شبکه عصبی چند لایه پرسپترون, تابع پایه شعاعی, الگوریتم ژنتیک.
@article{paperid:1063728,
author = {کفشدارگوهریان, نازنین and مقیمی, سحر and کلانی, هادی},
title = {استفاده از ترکیب الگوریتم ژنتیک و شبکه های عصبی مصنوعی برای پیش بینی نیروی گاز گرفتن از روی سیگنال الکترومایوگرام},
journal = {پردازش علائم و داده ها- Signal and Data Processing},
year = {2017},
volume = {14},
number = {1},
month = {July},
issn = {2538-4201},
pages = {41--52},
numpages = {11},
keywords = {سیگنال‌های الکترومایوگرام، نیروی گازگرفتن، شبکه عصبی چند لایه پرسپترون، تابع پایه شعاعی، الگوریتم ژنتیک.},
}
%0 Journal Article
%T استفاده از ترکیب الگوریتم ژنتیک و شبکه های عصبی مصنوعی برای پیش بینی نیروی گاز گرفتن از روی سیگنال الکترومایوگرام
%A کفشدارگوهریان, نازنین
%A مقیمی, سحر
%A کلانی, هادی
%J پردازش علائم و داده ها- Signal and Data Processing
%@ 2538-4201
%D 2017
