تشكيل حركت دست رساني در صفحه با استفاده از مدل پيش بيني زيرحركت

Planar Reaching Movement Generation Using Submovement Prediction Model

پيش‌بيني درست مسير مطلوب حركتي در سيستم‌هاي كنترل و بازتواني حركت مانند تحريك الكتريكي عملكردي و ربات‌درماني بسيار ضروري مي‌باشد. اين‌طور به نظر مي‌آيد كه حركات دست‌رساني انسان، متشكل از مجموعه‌اي از زيرحركات مي‌باشد كه هر زيرحركت تصحيحي از مسير كلي حركت مي‌باشد. با استفاده از زيرحركات مي‌توان، انجام حركات پيچيده، يادگيري، تطبيق‌پذيري و ديگر ويژگي‌هاي سيستم كنترل حركت را تفسير نمود. در اين راستا، هدف اين پژوهش پيش‌بيني و توليد حركات دست‌رساني دوجزيي در صفحه با استفاده از مدلي شبيه به مكانيزم واقعي توليد حركات انسان و بر مبناي زيرحركت بوده است. دادگان مورد استفاده شامل تكرارهاي مختلف چهار نوع حركت دست‌رساني در صفحه از سه سوژه بوده است. بعد از پيش‌پردازش و فازبندي حركات، تجزيه حركات به زيرحركات كمينه جرك انجام گرديد. در مرحله بعد آموزش سه شبكه عصبي مجزا براي يادگيري پارامترهاي زيرحركات شامل دامنه، دوره و زمان شروع زيرحركات انجام گرديد و در آخر شبكه‌هاي عصبي در تركيب يك مدل حلقه بسته قرار گرفتند و پيش‌بيني حركات بر اساس مدل تصحيح خطا با استفاده از زيرحركات توسط اين مدل صورت گرفت. نرخ دسترسي به هدف براي تمام حركات پيش‌بيني شده توسط مدل زيرحركت برابر با 100% به‌دست آمد. همچنين مقادير ميانگين فاصله از هدف، درصد VAF و ميانگين خطاي MSE بين مسيرهاي حركتي اصلي و پيش‌بيني شده نشان داد كه حركات پيش‌بيني شده با تقريب بسيار خوبي نسبت به حركات اصلي تشكيل شده‌اند. نتايج نشان مي‌دهد كه وقتي شبكه‌هاي عصبي آموزش داده شده با زيرحركات در يك مدل حلقه بسته قرار گرفتند به دليل جبران‌سازي خطاهاي منتشر شده از مراحل قبل، به خوبي توانستند زيرحركات مناسبي را براي دسترسي كامل به اهداف حركتي پيش‌بيني نمايند. از نتايج اين مطالعه مي‌توان براي بهبود روش‌هاي بازتواني حركتي استفاده نمود.

The correct prediction of the optimal motor trajectory is necessary for movement rehabilitation and control systems such as functional electrical stimulation and robotic therapy. It seems that human reaching movements are composed of a set of submovements, each of which is a correction of the overall movement trajectory. Therefore, it is possible to interpret complex movements, learning, adaptability and other features of the motion control system using submovements. The purpose of this study was to predict and generate planar reaching movements using a realistic model similar to the actual mechanism of human movement and based on the submovement. The data used consists of different replications of four types of planar movement Performed by three healthy subjects. After the preprocessing and phasing, the movements decomposed to minimum-jerk submovement. In the next step, the training of three distinct neural networks was carried out to learn the submovement parameters including the amplitude, duration, and initiation time. Finally, the ANNs were combined to form a closed-loop model that generated accurate reaching movements based on the error correction. The target access rate for all predicted movements by the closed-loop model was 100%. Also, the mean distance to the target, the VAF, and the mean MSE error between the predicted and main movement trajectory showed that the predicted movements are a good approximation of the main movements. The results showed that when trained neural networks with submovements, were placed in a closed-loop model, they were able to predict proper submovements for complete access to targets due to the compensation of propagated errors from the previous steps. The results of this study can be used to improve motor rehabilitation methods.