این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۱۴، شماره ۱، صفحات ۴۱-۵۲
عنوان فارسی استفاده از ترکیب الگوریتم ژنتیک و شبکه های عصبی مصنوعی برای پیش بینی نیروی گاز گرفتن از روی سیگنال الکترومایوگرام
چکیده فارسی مقاله 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 قابل­حمل بودن آن­ها در مقایسه با حسگرهای نیرو است که معمولا گران هستند و ساختار حجیمی دارند. از آنجایی که اندازه­گیری نیروی گاز گرفتن بسیار سخت و پیچیده می­باشد، در این مقاله می­خواهیم توانایی شبکه­های عصبی چند لایه پرسپترون (MLPANN) و توابع با پایه شعایی (RBFANN) را در پیش­بینی نیروی گاز گرفتن توسط دندان پیشین از روی سیگنال­های اکترومایوگرام صورت بررسی کنیم. بدین منظور سیگنال الکترومایوگرام عضلات گیجگاهی و ماضغه و نیروی گاز گرفتن به ترتیب به عنوان ورودی و خروجی شبکه­های عصبی در نظر گرفته شده­اند. برای پیدا کردن بهترین ساختار شبکه و تاخیر زمانی مناسب سیگنال­های الکترومایوگرام، از الگوریتم ژنتیک (GA) استفاده شده است. نتایج نشان می­دهند که سیگنال الکترومایوگرام عضلات مذکور 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 به ترتیب 2.3%و19.4% برای MLPANN و 8.3% و22.7% برای RBFANN است. همچنین تکنیک آنالیز واریانس نشان می­دهد که تفاوت معناداری بین نتایج حاصله از MLPANN و RBFANN وجود ندارد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Application of an ANN-GA Method for Predicting the Biting Force Using Electromyogram Signals
چکیده انگلیسی مقاله 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, telepresence 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 that they 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. 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.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله نازنین گوهریان | nazanin goharian
ferdowsi university of mashhad
دانشگاه فردوسی مشهد
سازمان اصلی تایید شده: دانشگاه فردوسی (Ferdowsi university)

سحر مقیمی | sahar moghimi
ferdowsi university of mashhad
s.moghimi@um.ac.ir
سازمان اصلی تایید شده: دانشگاه فردوسی (Ferdowsi university)

هادی کلانی | hadi kalani
ferdowsi university of mashhad
دانشگاه فردوسی مشهد
سازمان اصلی تایید شده: دانشگاه فردوسی (Ferdowsi university)

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-113-2&slc_lang=fa&sid=fa
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1315/article-1315-417048.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی)
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات