پردازش علائم و داده ها, دوره (14), شماره (1), سال (2017-7) , صفحات (41-52)

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 ,
فایل: Full Text

استناددهی: BibTeX | EndNote

چکیده

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
برای دانلود از شناسه و رمز عبور پرتال پویا استفاده کنید.

@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},
year = {2017},
volume = {14},
number = {1},
month = {July},
issn = {۲۰۰۸-۳۲۶۲},
pages = {41--52},
numpages = {11},
keywords = {سیگنال‌های الکترومایوگرام، نیروی گاز‌گرفتن، شبکه عصبی چند لایه پرسپترون، تابع پایه شعاعی، الگوریتم ژنتیک.},
}

[Download]

%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
%@ ۲۰۰۸-۳۲۶۲
%D 2017

[Download]