طراحي و پياده‌سازي رابط كنترلي برخط براي پروتز زانو بر پايه سيگنال‌هاي الكترومايوگرافي

Designing and Implementation of an Online Control Interface for Knee Prosthesis Based on Electromyography Signals

هدف اين مقاله، طراحي يك رابط كنترلي برخط براي پروتز زانو بر پايه سيگنال‌هاي الكترومايوگرافي ماهيچه‌هاي فعال بخش ران است. با توجه به ماهيت متغير با زمان سيگنال‌هاي الكترومايوگرافي، ترجمه اين سيگنال‌ها به دستورات مناسب جهت پياده‌سازي عملي با چالش‌هايي همراه است. نخستين گام طراحي رابط مورد نظر، طراحي و ساخت يك بستر آزمون مناسب براي پياده‌سازي عملي رابط طراحي‌شده است. بدين منظور پروتز زانويي با استفاده از مكانيزم عملگر سري الاستيك طراحي و ساخته و با مطالعه مباني آناتومي ماهيچه‌اي و شناسايي ماهيچه‌هاي فعال در چرخه راه‌رفتن، نمونه‌هايي از سيگنال‌هاي الكترومايوگرافي اندازه گرفته شده است. سپس، به‌منظور هموارسازي سيگنال‌ها، كاهش سطح نويز و كاهش ابعاد سيگنال‌ها از روش فيلتركردن و تقسيم‌كردن با پنجره‌هاي زماني مجاور استفاده شده و شبكه عصبي با تاخير زماني به‌منظور نگاشت بين ويژگي‌هاي منتخب استخراج‌شده از سيگنال‌هاي الكترومايوگرافي و متغيرهاي سينماتيكي مفصل زانو به‌كار رفته است. شبكه عصبي زاويه و سرعت زاويه‌اي مفصل زانو در حالت بدون وزن و در حالت راه‌رفتن به‌صورت خارج از خط با دقت 0.85 (R2) تخمين زده مي‌شود. جهت پياده‌سازي تخمين برخط موقعيت زاويه‌اي مفصل زانو، آزمون‌هايي انجام شد كه نتايج حاصل بيانگر استفاده از ويژگي‌هاي حوزه زمان و شبكه عصبي با تعداد 50 نورون در لايه مخفي و ميزان تاخير 2 ثانيه است. پس از طراحي رابط كنترل برخط براي تخمين موقعيت زاويه‌اي مفصل زانو، روي بستر آزمون ساخته‌شده پياده‌سازي صورت گرفته كه نتايج نشان‌دهنده رديابي مناسب ساختار كنترلي برخط طراحي شده است.

The goal of this paper is to design an online control interface for knee prosthesis based on the electromyography (EMG) signals of active thigh muscles. According to the time dependent nature of electromyography signals, translating such signals into precise commands in practical applications is a challenge for scientists. First stage for designing an online control interface is to design and implement a test setup for examining the proposed online control interface. To serve this purpose, active knee prosthesis is designed and manufactured using an elastic actuator mechanism. In order to measure the EMG signals, active muscles were detected based on the fundamental of muscles anatomy. In the second stage, filtering and data segmentation were utilized for electromyography signals smoothing, decreasing noises and reducing signal dimensions. Furthermore, time-delay neural network was used in order to map time domain features of EMG signals onto kinematic variables of knee joint. The angle and angular velocity of knee joint were estimated with accuracy of 0.85 (R2) for two locomotion modes including nonweight bearing and ground level walking. To implement online estimation of angular position, time domain features and neural network with 50 hidden layer’s neurons and 2 seconds time delay were used. Finally, online angular position estimation of knee joint was implemented on the designed test setup and results confirm proper tracking of online control interface.