Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Sử dụng mô hình mạng nơ-ron nhân tạo hồi tiếp để ước lượng mô men cố định khuỷu tay trong các tình huống động
Tóm tắt
Mô hình cơ bắp là một thành phần quan trọng trong phân tích chuyển động phân đoạn cơ thể. Mặc dù nhiều nghiên cứu đã tập trung vào điều kiện tĩnh, nhưng mối quan hệ giữa tín hiệu điện cơ (EMG) và mô men khớp dưới các tình huống động tự nguyện vẫn chưa được nghiên cứu đầy đủ. Mục tiêu của nghiên cứu này là điều tra hiệu suất của một mạng nơ-ron nhân tạo hồi tiếp (RANN) trong các tình huống động tự nguyện để ước lượng mô men của bộ phận khớp khuỷu tay. Tín hiệu EMG cùng với dữ liệu động học, bao gồm góc và vận tốc góc, được sử dụng làm đầu vào để ước lượng mô men mong đợi trong quá trình vận động. Hơn nữa, vai trò của góc và vận tốc góc trong độ chính xác của việc dự đoán đã được nghiên cứu, và hai mô hình đã được so sánh. Một mô hình sử dụng cả đầu vào EMG và động học khớp, trong khi mô hình còn lại chỉ sử dụng đầu vào EMG mà không có dữ liệu động học. Sáu đối tượng khỏe mạnh đã được tuyển chọn, với hai vận tốc góc trung bình (60o s−1 và 90o s−1) cùng ba tải trọng khác nhau (0 kg, 1 kg, 2 kg) ở vị trí tay, được lựa chọn để huấn luyện và kiểm tra RANN trong khoảng từ 90o gập khuỷu tay đến duỗi khuỷu tay hoàn toàn (0o). Sau khi huấn luyện, sai số trung bình bình phương căn (RMSE) giữa mô men mong đợi và mô men dự đoán của mô hình, với các đầu vào EMG và động học khớp trong tập dữ liệu huấn luyện và tập dữ liệu kiểm tra lần lượt là 0.17±0.03 Nm và 0.35±0.06 Nm. Giá trị RMSE giữa mô men mong đợi và mô men dự đoán của mô hình, chỉ với đầu vào EMG trong tập dữ liệu huấn luyện và tập kiểm tra, lần lượt là 0.57±0.07 Nm và 0.73±0.11 Nm. Kết quả cho thấy rằng tín hiệu EMG kết hợp với dữ liệu động học cung cấp hiệu suất tốt hơn đáng kể trong việc dự đoán mô men khớp; góc khớp và vận tốc góc cung cấp những thông tin quan trọng trong việc ước lượng mô men khớp trong chuyển động động tự nguyện.
Từ khóa
#mô hình cơ bắp #mô men khớp #tín hiệu EMG #mạng nơ-ron nhân tạo hồi tiếp #động học khớp #ước lượng mô menTài liệu tham khảo
Au, A. T. C., andKirsch R. F. (2000): ‘EMG-based prediction of shoulder and elbow kinematics in able-bodied and spinal cord injured individuals’,IEEE Trans. Rehab. Eng.,8, pp. 471–480
Brown, M., andHarris, C. (1994): ‘Neurofuzzy adaptive modelling and control’, (Prentice Hall, 1994)
Cheron, G., Draye, J. P., Bourgeios, M., andLibert, G. (1996): ‘A dynamic neural network identification of electromyography and arm trajectory relationship during complex movements’,IEEE Trans. Biomed. Eng.,43, pp. 552–558
Cram, J. R., Kasman, G. S., andHoltz, J. (1998): ‘Introduction to surface electromyography’ (Aspen Publishers, Gaithersburg, 1998)
Dipietro, L., Sabatini, A. M., andDario, P. (2003): ‘Artificial neural network model of the mapping between electromyographic activation and trajectory patterns in free-arm movements’,Med. Biol. Eng. Comput.,41, pp. 125–132
Feng, J., Mak, A. F. T., andKoo, T. K. K. (1999): ‘A surface EMG driven musculoskeletal model of the elbow flexion-extension movement in normal subjects and in subjects with spasticity’,J. Musculoskel. Res.,3, pp. 109–123
Gregor, R. J., Komi, P. V., Browning, R. C., andJarvinen, M. (1991): ‘A comparison of the triceps surae and residual muscle moments at the ankle during cycling’,J. Biomech.,24, pp. 287–297
Gurbuz, H., Kivrak, E., Soyupak, S., andYerli, S. V. (2003): ‘Predicting dominant phytoplankton quantities in a reservoir by using neural networks’,Hydrobiologia,504, pp. 133–141
Hill, A. V. (1938): ‘The heat of shortening and the dynamic constants of muscle’,Proc. R. Soc. Lond. Biol.,126, pp. 136–195
Hirose, Y., Yamashita, K., andHijiya, S. (1991): ‘Back-propagation algorithm which varies the number of hidden units’,Neural Netw.,4, pp. 61–66.
Koike, Y., andKawato, M. (1995): ‘Estimation of dynamic joint torques and trajectory formation from surface electromyography signals using a neural network model’,Biol. Cybernet.,73, pp. 291–300
Liu, M. M., Herzog, W., andSavelberg, H. C. M. (1999): ‘Dynamic muscle force predictions from EMG: an artificial neural network approach’,J. Electromyogr. Kinesiol.,9, pp. 391–400
Lloyd, D. G., andBesier, T. F. (2003): ‘An EMG-driven musculoskeletal model to estimate muscle forces and knee joint momentsin vivo’,J. Biomech.,36, pp. 765–776
Luh, J. J., Chang, G. C., Cheng C. K., Lai, J. S., andKuo, E. S. (1999): ‘Isokinetic elbow joint torques estimation from surface EMG and joint kinematic data: using an artificial neural network model’,J. Electromyogr. Kinesiol.,9, pp. 173–183
Manal, K., Gonzalez, R. V., Lloyd, D. G., andBuchanan, T. S. (2002): ‘A real-time EMG-driven virtual arm’,Comput. Biol. Med.,32, pp. 25–36
Misener, D. L. andMorin, E. L. (1995): ‘An EMG to force model for the human elbow derived from surface EMG’.IEEE-EMBC & CMBEC, pp. 1205–1206
Riener, R., andStraube, A. (1997): ‘Inverse dynamics as a tool for motion analysis: arm tracking movements in cerebellar patients’,J. Neurosci. Meth.,72, pp. 87–96
Rosen, J., Fuchs, M. B., andArcan, M. (1999): ‘Performances of hill-type and neural network muscle models towards a myosignal based exoskeleton’,Comput. Biomed. Res.,32, pp. 415–439
Tong, K. Y. (1997): ‘Artificial neural network control of FES gait using virtual kinematic sensors’, PhD thesis, University of Strathclyde, UK
Uchiyama, T., Bessho, T., andAkazawa, K. (1998): ‘Static torqueangle relation of human elbow joint estimated with artificial neural network technique’,J. Biomech.,31, pp. 545–554
Wang, L., andBuchanan, T. S. (2002): ‘Prediction of joint moments using a neural network model of muscle activations from EMG signals’,IEEE Trans. Neur. Syst. Rehab. Eng.,10, pp. 30–37
Winter, D. A. (1990): ‘Biomechanics and motor control of human movement’ (Wiley, New York, 1990)
Winters, J. M., andStark, L. (1988): ‘Estimated mechanical properties of synergistic muscles involved in movements of a variety of human joint’,J. Biomech.,21, pp. 1027–1041
Winters, J. M. (1990): ‘Hill-based muscle models: a systems engineering perspective’, inWinters, J. M., andWoo, S. L. Y. (Eds): ‘Multiple muscle systems: Biomechanics and movement organization’ (Springer-Verlag, Berlin, 1990), pp. 69–93
Zajac, F. E. (1989): ‘Muscles and tendon: properties, models, scaling, and application to biomechanics and motor control’,Crit. Rev. Biomed. Eng.,17, pp. 359–411
Zajac, F. E., andWinter, J. M. (1990): ‘Modeling musculo-skeletal movement system: joint and body segmental dynamics, musculoskeletal actuation, and neuromuscular control’, inWinters, J. M., andWoo, S. L. Y. (Eds) ‘Multique muscle systems’ (Springer-Verlag, Berlin, 1990), pp. 121–148
Zhang, Y. T., Herzog, W., andLiu, M.M. (1997): ‘Adaptive demodulation of muscular force from myoelectric signals obtained during locomotion’.IEEE-EMBC & CMBEC, pp. 1401–1402