فایل ورد کامل الکترومیوگرافی سطحی مبتنی بر برآورد مستمر زوایای مفصل از پاهای انسان با استفاده شبکه عصبی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل الکترومیوگرافی سطحی مبتنی بر برآورد مستمر زوایای مفصل از پاهای انسان با استفاده شبکه عصبی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۳۰ صفحه

در این مقاله ، ما یک مدل غیرخطی درجه m ام را برای تشریح رابطه بین سیگنالهای الکترومیوگرافی سطحی (sEMG) و زوایای مفصل پاهای انسان را پیشنهاد میدهیم که در آن شبکه عصبی BP ساده ای برای براورد مدل ایجاد شده است. ورودی های مدل، سری های زمانی sEMG می باشد که پردازش شده و نتایج مدل زوایای اتصال مفصل ران ، زانو ، و مچ پا می باشد. برای معتبر کردن سودمندی شبکه خنثی BP ، ۶ فرد توانای جسمی و ۴ بیمار آسیب نخاعی (SCI) در آزمایش مشارکت کردند. دو حالت حرکتی شامل تمرین تردمیل و تمرین کشش پا با سرعتهای مختلف و بارهای متفاوت به ترتیب با افراد توانای جسمی انجام گرفت، و تنها تمرین تردمیل برای بیماران SCI انتخاب شد. ۷ کانال sMEG از ۷ ماهیچه پای انسانی و سه زاویه مفصل شامل مفصل ران ، زانو و مچ پا به طور همزمان نمونه گیری شد. نتایج نشان میدهد که این روش یک عملکرد مناسب از برآورد زوایای مفصل با استفاده از sMEG برای هر دو افراد توانای جسمی و بیماران SCI بوده است. براورد خطای زاویه میانگین ریشه دوم میانگین ( rms) برای تمرین کشش پا کمتر از ۹ درجه است، خطای rms میانگین برای تمرین تردمیل کمتر از ۶ درجه برای همه افراد توانای جسمی بود. خطای برآورد زاویه میانگین rms بیماران sci حتی کمتر ( کمتر از ۵ درجه ) نسبت به افراد توانای جسمی بود زیرا بازه حرکتی آنها کوچکتر بود. این روش برای توانبخشی روبات یا شبیه سازی الکتریکی کارکردی (FES) برای توانبخشی فعال بیماران SCI یا بیماران سکته مغزی کرده بر پایه سیگنالهای sEMG استفاده میشود.
کلمات کلیدی: sEMG | توانبخشی | BP | SCI

عنوان انگلیسی:

sEMG-based continuous estimation of joint angles of human legs by using BP neural network

~~en~~ writers :

Feng Zhang a, Pengfeng Li a, Zeng-Guang Hou a,n, Zhen Lu b, Yixiong Chen a, Qingling Li a, Min Tan a

In this paper, we propose an mth order nonlinear model to describe the relationship between the
surface electromyography (sEMG) signals and the joint angles of human legs, in which a simple BP
neural network is built for the model estimation. The inputs of the model are sEMG time series that
have been processed, and the outputs of the model are the joint angles of hip, knee, and ankle. To
validate the effectiveness of the BP neural network, six able-bodied people and four spinal cord injury
(SCI) patients participated in the experiment. Two movement modes including the treadmill exercise
and the leg extension exercise at different speeds and different loads were respectively conducted by
the able-bodied individuals, and only the treadmill exercise was selected for the SCI patients. Seven
channels of sEMG from seven human leg muscles were recorded and three joint angles including the
hip joint, knee joint and the ankle joint were sampled simultaneously. The results present that this
method has a good performance on joint angles estimation by using sEMG for both able-bodied
subjects and SCI patients. The average angle estimation root-mean-square (rms) error for leg extension
exercise is less than 91, and the average rms error for treadmill exercise is less than 61 for all the ablebodied subjects. The average angle estimation rms error of the SCI patients is even smaller (less than 51)
than that of the able-bodied people because of a smaller movement range. This method would be used
to rehabilitation robot or functional electrical stimulation (FES) for active rehabilitation of SCI patients
or stroke patients based on sEMG signals.

Keywords: sEMG | Rehabilitation | BP | SCI

$$en!!