دانلود رایگان مقاله به سمت کنترل نسبی پروتزهای میوالکتریک با هم افزایی عضلات

چکیده

          ثابت شده است که ارزیابی نیرویی از الکترومیوگرام ( EMG) عاملی مهم در به دست آوردن کنترل نسبی برای دستگاه های میوالکتریک است. به نظر میرسد هم افزایی عضلات، مرتبط با ارزیابی نیرو است زیرا آن ها الگو هایی از فعالیت های هماهنگ عضلات در طول فعالیت هستند. این مطالعه، استفاده از هم افزایی عضلات که از EMG سطحی هدف دار به دست آمده است را، برای بررسی نیرو ها در طول درجات مختلف (Dof) آزادی انقباضات، شامل مچ و دست، بررسی میکند. برای این هدف، هم افزایی عضلات  از 12 عضله جلوی بازو از 8 فرد دارای جسم توانا، استخراج شد. نیروی ایزوتونیک محدود تولید شده توسط مچ و دست در طول این انقباضات، در طول محور های گوناگون ثبت شد، که هر کدام مسئول یک Dof بودند. سپس ورودی های عصبی به دست آمده در یک شبکه عصبی مصنوعی فراهم آمدند (ANN) تا نیرو را تخمین بزنند. نتایج به دست آمده از هم افزایی عضلات نسبت به نتایج به دست آمده از مقادیر مطلق میانگین (MAV) ، برای تخمین نیرو، ارزیابی شدند. هم افزایی عضلات به طور مشهودی (P<0.05) بهتر از MAV در تخمین نیرو ها بودند هنگامی که با انقباضات 1-DoF و 2-DoF (p=0.02) و همچنین با تمرینات شامل قفط انقباضات 1-DoF تمرین میکردند.(p=0.001) موضوع بعدی، مهم بود، زیرا پروتکل های تمرینی که شامل تمام انقباضات مطلوب 2-DoF هستند، برای استفاده کنندگان قطع عضو شده، بسیار سخت است. این موضوع جایی است که هم نیرو زادی ، واقعا یک فایده بیش از MAVرا نشان داد، زیرا نتایج بسیار بهبود یافته بود.به علاوه، تنومندی هم نیرو زایی عضلات هم بر روی سطوح مختلف نیرویی مورد ارزیابی قرار گرفت. نتایج نشان دهنده این است که هم نیرو زایی عضلات، قوی هستند و در تخمین نیرویی کار های DoF ، قابل اعتماد هستند، که یک روش برنامه ای برای کنترل نسبی پروتز ها را پیشنهاد میکند.

1. معرفی

          طراحی و کنترل پروتز های چالاک و خوب برای اندام بالایی، کاری چالش بر انگیز است.با وجود پیشرفت های زیاد در سالهای اخیر، هنوز در مورد کنترل و کارایی ، بین دست های طبعی انسان و دست های مصنوعی، تفاوت ها و کمبود های زیادی وجود دارد.راه حل های پردازش سیگنال الکترومیوگرافی فعلی ( EMG)  برای رمزگشایی حرکات ارادی کاربر، هنوز برای فراهم کردن کنترل نیرو متناسب برای افراد قطع عضو شده، توانا نیستنددر واقع، این موضوع بسیار رایج است که برای افراد قطع عضو در اندام بالایی، استفاده نکردن از پروتز های ، رایج است ، زیرا در میان دلایل مختلف، آن ها کارایی کمی دارند.یک عامل مهم در کنترل نیرو متناسب، تخمین سطح فعالیت های عضلانی است که توسط کاربر هنگام انجام دادن یک کار، تولید میشود.برای مثال، نیروی گرفتن صحیح، برای کارهایی مانند گرفتن اجسم شکننده، مقاومت در برابر نیرو های خارجی ( مانند نگه داشتن یک قاشق در برابر نیروی گرانش) و ایجاد حرکت در اجسام، ضروری است ( چرخاندن یک دستگیره)

          یک دیدگاه اصلی در مورد الگویی که یک سیستم نوروحرکتی برای تنظیم عضلات استفاده میکند تا حرکات را تکمیل کند، بر اساس مدوله کردن کنترل حرکتی است.این دیدگاه، الگوهایی از فعالیت های همکاری گونه عضلات را فرض میکند، برای مثال، هم افزایی عضلات، در طول اجرای کار ها به همرا همکاری اجزای ابتدایی عضلات.هم نیرو زایی عضلات ، به معنی فعالیت های جفتی گروهی از عضلات است.در طرف دیگر، فراوانی در سیستم نوروحرکتی، به طور بالقوه، کیفیت همکاری عضلات برای تولید نیرو های زیر حداکثر، برای کار های مختلف، را ممکن میسازد.ازینرو، تناسب های مرتبط با فعالیت های عضلانی، میتواند به طور بالقوه، با شرایط محتلف از سطح نیرو، در طول یک حرکت، تغییر یابد.

         مقیاس دهی هم افزایی عضلات، یک ویژگی مهم از فرضیه هم نیروزایی سیستم نوروحرکتی است.عضلات درون یک هم نیروزایی، باید سطح فعالیت های یکسانی را حفظ کنند، و هم نیروزایی هایی که در یک کار مورد استفاده قرار میگیرند، باید با نیاز افزایشی کار به نیرو، ثابت بمانند.مقیاس پذیری ورودی های الگو های میوالکتریکی مهم است، زیرا اجازه میدهد تا کنترل های تناسبی را اجرا کرد، برای مثال، سرعت موتور های حرکتی دستگاه کنترل شده، به طور مستقیم با مقدار سیگنال ورودی متناسب است.سطح فعال سازی عضلات قرار داده شده در یک هم نیروزایی، به علاوه سطح فعالیت (وزن) هم نیروزایی ها، میتواند به عنوان یک مکانیزم برای کنترل تناسبی ، مد نظر قرار بگیرد.اگر بتوان نشان داد که عمومیت آن ها در یک محدوده ی عریض از نیرو های تولید شده وجود دارد، کنترل متناسب میتواند به طور صحیح تری در فاز کنترلی ابعاد پایین تر با استفاده از هم نیروزایی، ایجاد شود.با وجود ویژگی های جالب هم افزایی عضلات، تحقیقات کمی برای استفاده از این مدول ها در کنترل دست های مصنوعی انجام شده است.فقط دو مطالعه اصلی، که ایده ی هم افزایی عضلات را به عنوان یک الگوی کاهش ابعاد برای تولید پاسچر های متنوعی از دست انسان، مورد بررسی قرار داده اند.

           مطالعه توسط Weis و  Flandersهدفش توصیف پاسچر های دست که مربوط به الفبای ASL و گرفتن اشیا روزمره با مجموعه ای کم بعد از  هم نیروزایی های عضلانی، و تنظیم این هم نیروزایی ها با همنیروزایی های پاسچری دست، بود.با وجود اینکه اطلاعات مفیدی به دست میدادند، این مطالعات نتوانستند یک مورد قانع کننده ایجاد کنند که قالب کاری جدید ایجاد شده توسط هم نیروزایی ها استخراجی آن ها، در الگو های کنترلی حرکتی فیزیولوژیک، مفید باشد.کارایی این قالب کاری در پیشبینی پاسچر های جدید دست، که نشان دهنده قدرت و عمومیت آن هاست، قابل آزمایش و یک فرضیه ضروری ، با توجه به معنی پذیرفته شده هم افزایی عضلات ، است.به طور خلاصه، کار Weis و  Flanders، فقط نشان داد که هم افزایی عضلات میتواند یک قالب کاری توصیفی برای یک تنوعی از پاسچر های دست، ایجاد کند.

           Ajiboye و  Weir مشخص کردند که هم نیروزایی های عضلانی یک قالب کاری قوی تر با ابعاد پایین ، برای پیشبینی سیگنال های EMG پاسچر های استاتیک جدید دست، ایجاد میکنند.آن ها همچنین بررسی ای با هدف توصیف استقلال ارادی و کنترل همزمان درجات آزادی چند گانه، ،از طریق انجام دادن یک کار واقعی، با استفاده از هم افزایی عضلات در مقابل ورودی های عضلات منفرد، انجام دادند.اما، نتایج این مورد بر اساس 4 هم نیروزایی عضلانی بودند که آن ها به عنوان بهترین هم نیروزایی ها ، تعریف کردند.همانطور که در 21 ذکر شد، بررسی کار های پیچیده تر با تعداد بالاتری از هم نیروزایی ها ، میتواند برتری استفاده از الگوهای هم نیروزایی را نسبت به الگو های عضلاتی منفرد، نشان دهد.بنابراین، نتایج آن ها نشان داد که هم نیروزایی های غالب ، که در فعالیت های ردیابی نیروی جنبی و استوانه ای، با مقیاس خطی با نیروی گرفتن، کار میکننداما، هیچ مدام ازین مطالعات، قدرت نیروی هم افزایی عضلات را در تخمین نیروی تولید شده، بررسی نکردند.

         هدف اولیه این مطالعه بررسی توانایی هم افزایی عضلات  برای ایجاد نیروی کنترل متناسب مفید توسط استخراج هم نیروزایی ها به همراه ضرایب وزن مثبت ( ورودی های عصبی) از فعالیت های عصبی ثبت شده از 12 عضله هنگام حرکت های مختلف مچ و دست ، میباشد.این گونه فرض شده است که ، از طریق هم نیروزایی های عضلانی، دیتگاه های پروتزی میتوانند طبیعی تر و در یک حالت مشابه فیزیولوژیک طبیعی، کنترل شوند.هدف ثانویه این مطالعه کمی سازی قدرت و تکرار پذیری هم نیروزایی هایی است که در تولید حرکات دست/مچ در تلاش های سطوح مختلف نیرو درگیر هستند، میباشد.برای این هدف ، یک تخمین زننده  شبکه عصبی مصنوعی (ANN) برای نقشه ریزیِ ورودی های عصبی استخراج شده از مجموعه ای از حرکات روی یک نیروی ثبت شده، آموزش داده شد.تخمین زننده نیرو، توسط سطوح نیرویی که با مجموعه های آموزش متفاوت بودند  و با DoF های چندگانه حرکتی که ترکیبی از حرکات آموزش داده شده بودند، بررسی شد.

2. مواد و روش ها 

2.1 جمع آوری اطلاعات

         پروتوکل های آزمایشی توسط انجمن اخلاقی تحقیقاتی دانشگاه New Brunswick ، تایید شد.هشت فرد با اندام معمولی ، یک زن و 7 مرد با سنی بین 23 تا 53 ، که همگی راست دست بودند، شرکت کردند.افراد هیچ پیش زمینه ای از مشکلات نوروعضلانی نداشتند.

          اطلاعات سطحی EMG از 12 عضله سطحی (عضله زند اسفلی قدامی (FCU)، عضله کف دستی طویل (  PL) عضله زند اعلی خلفی دراز،اکستنسور مشترک انگشتان(EDC)، اکستانسور مچ دست در طرف اولنا (ECU) و عضلات دو سر )و 5 عضله میانی و عمیق در جایگاهی که در دسترس بودند (عضله تا کننده سطحی انگشتان دست ( FDS)، عضله تاکننده دراز شست دست ( FPL) ، عضله درون گرداننده مدور ( PT) ،فلکسور عمقی انگشتان (FDP) و عضله بازویی زند اعلی (BR) ) .عضلات شناسایی شده و الکترود های EMG ( دوقبی نقره/نقره کلرید )روی قسمت داخلی هر عضله قرار داده شد.یک الکترود مرجع هم روی اپی کندیل خارجی قرار گرفت.سیگنال های سطحی EMG با استفاده از 5000، فیلتر 500 هرتز و A / D نمونه برداری با رزولوشن 12 بیت - گذر 128 بین 10 ، تقویت شد.

Abstract

          Force estimation based on electromyography (EMG) has been proven to be useful for deriving proportional control for myoelectric devices. Muscle synergies seem to be relevant for force estimation since they are patterns of coactivation of muscles during actions. This study investigates the use of muscle synergies extracted from targeted surface EMG for estimating force during multiple-degree-of-freedom (DoF) contractions involving the wrist and hand. For this purpose, muscle synergies were extracted from twelve forearm muscles from eight able-bodied subjects. The constrained isotonic force produced by the wrist and the hand during these contractions was recorded along multiple axes, each responsible for one DoF. The derived neural inputs were then input into an artificial neural network (ANN) to estimate the force. The results were evaluated by comparing them with those obtained using mean absolute values (MAVs) for force estimation. The results obtained using muscle synergies were significantly better (p < 0.05) than those obtained using MAVs in the estimation of force when training with both 1- and 2-DoF contractions (p = 0.02) and also when training with only 1-DoF contractions (p = 0.001). The latter case was important, as a training protocol that includes all desired 2-DoF contractions is very difficult for amputee users. For this case, the results obtained using muscle synergies were significantly improved compared to those obtained using MAVs. In addition, the robustness of muscle synergies was examined across different force levels. The results indicate that muscle synergies are robust and reliable for the force estimation of multiple-DoF tasks, and are thus a promising approach for the proportional control of prostheses.

1. Introduction

         The design and control of dexterous upper limb prostheses is a very challenging task. Despite many breakthroughs over the last several years [1-4], there is still a considerable gap between human hands and artificial hands in the efficacy of imparting control [5,6]. Current electromyography (EMG) signal processing solutions for decoding a user’s intended movement are still unable to provide intuitive and reliable proportional force control for amputees. In fact, it is quite common for upper limb amputees to reject the use of their prostheses because of low functionality, among other reasons [7-9]. One important factor in the proportional control of prostheses is to estimate the level of muscle activity produced by the user performing a task [10-12]. For example, accurate grip force control is essential in performing activities such as the grasping of fragile objects, resistance to external forces (e.g., holding a spoon to resist gravity), and applying movement to an object (e.g., turning a knob) [13]. 

          One major viewpoint concerning the paradigm that the neuromotor system uses for muscle coordination to accomplish movement is based on the modularity of motor control [14-16]. This viewpoint hypothesizes predetermined patterns of the coactivation of muscles, i.e., muscle synergies, during task performance as the primitive modules of muscle coordination [17]. These muscle synergies imply a coupled activation of a group of muscles. Redundancy in the neuromotor system potentially allows for multiple modalities of muscle coordination to produce sub-maximal forces for different tasks [18]. Hence, the relative proportions of muscle activations could potentially change with the conditions of force level during a movement.

         The scaling of muscle synergies is a necessary property of the neuromotor synergy hypothesis [19]. The muscles within a synergy should maintain the same relative activation levels, and the synergies involved within a task should remain consistent with an increase in the task’s force requirements. The scalability of inputs in myoelectric control paradigms is important because it allows for the implementation of proportional control, i.e., the speed of the motors of the controlled device is directionally proportional to the magnitude of the input signal. The activation levels of muscles embedded in synergies in addition to the activation levels (weights) of synergies can be considered a mechanism for proportional control. If it can be shown that their generality exists within a wide range of produced force, proportional control might be accomplished more accurately in a control space of a lower dimension via synergies. In spite of the interesting attributes of muscle synergies, little research has been performed toward using these modules to control prosthetic hands. Only two major studies [20,21] have examined the concept of muscle synergies as a dimensionality reduction paradigm for the production of a wide variety of human hand postures.

         The study by Weis and Flanders [20] described the hand postures associated with the ASL alphabet and with the grasping of everyday objects with a low-dimensional set of muscle synergies, and to align these muscle synergies with postural synergies of the hand. While informative, this study failed to make a compelling case that the new framework established by their extracted synergies was useful within a physiological control paradigm. The efficacy of this framework in predicting new hand postures, which speaks to its robustness and generalizability, is a testable and necessary hypothesis given the accepted definition of muscle synergies [19]. However, this was not explored in their work. In short, the work of Weiss and Flanders only established that muscle synergies can form a descriptive framework for a wide variety of known hand postures.

         Ajiboye and Weir determined that muscle synergies form a robust lower-dimensional framework for the prediction of the EMG patterns of new static hand postures. They also performed another investigation that characterized, through a virtual target reaching task, the volitional independence and simultaneous control of multiple degrees of freedom (DoFs) using muscle synergies versus single-muscle inputs [21]. However, their results were based on four muscle synergies that they defined as the best synergies. As mentioned in [21], examining more complex tasks with a higher number of synergies may indicate the superiority of utilizing the synergy paradigm over the individual muscle paradigm. Their results showed that the dominant synergies involved in cylindrical and lateral force-tracking tasks linearly scale with grasp force. Nevertheless, none of these studies examined the power of muscle synergies in estimating the produced force.

         The present study primarily investigates the capability of muscle synergies to provide effective proportional force control by extracting synergies with their associated positive weighting coefficients (neural inputs) from recorded muscular activities from 12 muscles during various wrist/hand motions. It is hypothesized that, through muscle synergies, prosthetic devices may be controlled more naturally and in a physiologically expected manner. This study also quantifies the robustness and repeatability of the muscle synergies that are involved in producing various wrist/hand movements across various exerted force levels. For this purpose, an artificial neural network (ANN) estimator was trained by mapping the neural inputs extracted from a set of motions to a recorded force. The force estimator was then evaluated at force levels that were different from those of the training set, and with multiple-DoF motions that were combinations of the trained motions.

2. Materials and methods

2.1 Data collection

         The experimental protocol was approved by the University of New Brunswick’s Research Ethics Board. Eight normally limbed subjects participated, one female and seven males within an age range of 23 to 53 years, all right-handed (referred to as Sub1-Sub8). Subjects had no history of neuromuscular disorders.

          Surface EMG (sEMG) data were collected from 12 superficial muscles (flexor carpi ulnaris (FCU), palmaris longus (PL), flexor carpi radialis (FCR), extensor carpi radialis (ECR), extensor digitorum communis (EDC), extensor carpi ulnaris (ECU), and biceps) and five intermediate and deep muscles at the site where they are accessible (flexor digitorum superficialis (FDS), flexor policis longus (FPL), pronator teres (PT), flexor digitorum profundus (FDP), and brachioradialis (BR)). Muscles were identified and the EMG electrodes (bipolar silver/silver chloride, Doutrode, Myotronics, Inc., 5870 S. 194th Street, Kent, WA 98032, USA) were placed on the belly of each muscle. A reference electrode was placed on top of the lateral epicondyle. sEMG signals were amplified with a gain of 5000, bandpass-filtered between 10-500 Hz and analog/ digital sampled with 12-bit resolution.

چکیده

1. معرفی

2. مواد و روش ها 

 2.1 جمع آوری اطلاعات

2.2 روند آزمایشی

2.3 استخراج نیرو های هم نیروزایی عضلات

2.4 آنالیز اطلاعات 

2.4.1 تخمین نیرو

2.4.2 تکرار پذیری و قدرت هم نیروزایی های عضلاتی

2.4.3 آنالیز های آماری 

3. نتایج و بحث

3.1 تکرار پذیری و قدرت هم نیروایی های عضلاتی 

3.2 تخمین نیرو

4. نتایج

منابع

Abstract

1. Introduction

2. Materials and methods

2.1 Data collection

2.2 Experimental procedure

2.3 Extracting muscle synergies

2.4 Data analysis

2.4.1 Force estimation

2.4.2 Repeatability and robustness of muscle synergies

2.4.3 Statistical analysis

3. Results and discussion

3.1 Repeatability and robustness of muscle synergies

3.2 Force estimation

4. Conclusion

References