مدل عصبي- عضلاني
Download
Report
Transcript مدل عصبي- عضلاني
دانشکده مهندس ي پزشکي
ارائه:
يگانه محمدعلي مرغي
88133056
استاد درس:
دکتر فرزاد توحيدخواه
سمينار درس مدلسازي
نيمسال اول 88-89
فهرست مطالب
•
•
•
•
•
•
•
•
مقدمه
معرفي چند اصطالح
معرفي مدل ارائه شده
مدل عصبي -عضالني
مدل اسکلتي -عضالني
مدل عصبي -عضالني -اسکلتي
نتايج شبيه سازي
جمع بندي و نتيجه گيري
چرا مدل
هدف مدل
کاربردهاي مدل
درک و فهم سيستم عصبي -عضالني
و بررس ي آن به منظور شبيهسازي و
پيکري و
هايهاي
واکنش
شبيه
مختلف
ي زمينه
سازدر
استفاده
تشخيصردن بيماري
سيستم
اطالعاتهاي
حرکتي آن
بدست آوعصبي -عضالني -اسکلتي
استفاده از اطالعات حرکتي درزمينه هاي مختلف :مهندس ي ورزش،
توانبخش ي ،بيومکانيک ،نورولوژي و
....
معرفي اصطالحات
• واکنش ( :)reflexواکنش ي نسبت به تحريک وارده که به طور غيرارادي و خودبه خودي و
بدون عبور از ضمير خودآگاه با سرعت زيادتر از اعمال ارادي اتفاق مي افتد.
انواع واکنش
Phasic Reflexes
Tonic Reflexes
)Somatic Reflexes (Pellatar Reflex
Spinal Reflexes
…
-
معرفي اصطالحات
•
•
•
•
گيرنده حس ي ()Sensory Receptor
نورون حرکتي ()Motor Neuron
دوک عضالني ()Muscle Spindle
تاندون گلژي ()Golgi Tendon
مدل عصبي -عضالني-
اسکلتي
مدل عصبي-
عضالني
مدل اسکلتي-
عضالني
مدل عضله
مدل تاندون
گلژی
مدل دوک
عضالني
N-RUها گيرنده سيگنال هاي
مغزي و N-MNها مربوط به
نورون هاي حرکتي هستند.
ساختار سلسله مراتبي
مبتني بر شبکه عصبي
5 اليه
ورودي شبکه :مولفه هاي مستقل
بدست آمده از ICA
خروجي شبکه :فعاليت عضله
ورودي اين نورون ها
اطالعات بدست آمده
از تکنيک ICAاست.
N-RMها گيرنده سيگنال از نرون
هاي حرکتي و N-MSها مربوط
به نورون هاي دوک عضالني
هستند.
تحليل مولفه هاي مستقل ()ICA
• تحليل مولفههاي مستقل روش ي است براي جداسازي سيگنال به مجموع چند
سيگنال ديگر به طوري که سيگنال هاي حاصل مستقل و داراي توزيع
غيرگوس ي باشند.
-Simple wire mode
- wire model with via- point
𝑔 𝑡 = 4.3𝑣0.6 𝑡 + 2𝑑 𝑡 + 𝑓𝑚
1000 frames,
5secondes, using an
optical
motion
capture
شبکه
تعليم
شناسايي و
V= velocity of muscle
d= muscle length
fm= average discharge rate
g= discharge rate of primery
ending
Muscle length
& velocity
Delay:
30 ms
𝜏𝐺 = 𝐽𝑇 𝑓
𝜕𝑙
𝐽≜
𝑓 + 𝑎 𝑏 + 𝑣 = 𝑐𝑡𝑒
𝜕𝜃
J= jacobian matrix of wire
length
f= muscle tension
T= torque
جدول پارامترهاي وزن
• به ازاي 30000بار تکرار
• خطاي سيستم:
ميانگين %5/75
واريانس %1/32
)𝑡(𝑠 𝑢𝑠 𝑡 = 𝑊𝑖𝑐𝑎 .
شبيه سازي
)𝑡( 𝑠𝑜
) 𝑓𝑒𝑟𝑡 𝑊𝑔 𝑊𝑚𝑠 . 𝑜𝑔 (𝑡 −
) 𝑓𝑒𝑟𝑡 𝑜𝑚𝑠 (𝑡 −
)𝑡( 𝑠𝑢 𝑓 = 𝑡 𝑠𝑜
)𝑡( 𝑚𝑢 𝑓 = 𝑡 𝑎
𝑒𝑛𝑖𝑝𝑠𝑊 = 𝑡 𝑚𝑢
1
𝑓 𝑥 =2
−1
𝑥𝑒 1 +
Patellar tendon reflex
طرح مدل عصبي -عضالني -اسکلتي جهت بررس ي اين سيستم
ارائه مدلي براي سيستم عصبي -عضالني
ارائه مدل اسکلتي -عضالني
ارائه مدل عصبي -عضالني -اسکلتي
درنظر گرفتن مدل دوک عضالنيمزاياي مدل ارائه شده
-قابليت شبيه سازي واکنش هاي بدن
-مدلي کاربردي با دقت مناسب
با سپاس از توجه شما
مراجع
[1] A. Murai, K. Yamane, and Y. Nakamura., “Modeling and Identifying of Human
Neuromusculoskeletal Network Based on Biomechanical Property of Muscle. ”
Proceedings of the 30th IEEE EMBS Annual International Conference, 2008.
[2] A. Murai, K. Yamane, and Y. Nakamura., “Modeling and identifying the somatic
reflex network of the human neuromuscular system. ” Proceedings of the 29th IEEE
EMBS Annual International Conference, pages 2717- 2721, 2007.
[3] Y. Nakamura, K. Yamane, and A. Murai., “Macroscopic modeling and identification
of the human neuromuscular network. ” Proceedings of the 28th IEEE EMBS
Annual International Conference, pages 99–105, 2006.
[4] Y. Nakamura, K. Yamane, Y. Fujita, and I. Suzuki, “Somatosensory computation for
man-machine interface from motion capture data and musculoskeletal human
model. ” IEEE Transactions on Robotics, 21(1): 58- 66, 2005.
[5] A. Hill, “The heat of shortening and the dynamic constants of muscle.” Proceeding of
the Royal Society of London, B126:136–195, 1938.
[6] A. Hyvarinen, E. Oja, “Independent Component Analysis: Algorithm and
Applications,” Neural Networks Research Center, Neural Networks,13(4-5): 411430, 2000.