بزرگنمايي:

سیاست و بازاریابی - ایسنا / فناوران جوان کشورمان موفق به طراحی سیستم کنترلی شخصی‌سازی شده و انطباقی برای رمزگشایی بلادرنگ حرکات دست مصنوعی بر اساس سیگنال‌های الکترومیوگرافی (EMG)شدند.
پارسا ستاری، دیبا روانشید، 2 دانشجوی کارشناسی برق دانشگاه تهران به‌همراه دکتر رضوان نصیری، استادیار دانشکده برق و کامپیوتر دانشگاه تهران موفق به طراحی این سیستم کنترلی برای دست مصنوعی شدند.
بازار
پژوهشگران این پروژه معتقدند که توسعه یک دست مصنوعی رباتیک که برای بیماران قطع عضو، کاربردی و قابل اعتماد باشد، هدف دیرینه‌ محققان بوده است. با وجود پیشرفت‌های چشمگیر محققان در زمینه طراحی دست مصنوعی رباتیک، بخش اعظم بیماران همچنان از دست مصنوعی استفاده نمی‌کنند. دلیل این اتفاق این است که هنوز فاصله بسیاری میان نتایج تحقیقات آزمایشگاهی و کاربردی بودن نتایج در واقعیت وجود دارد. دلیل این تفاوت ریشه در نوع کنترل کردن دست مصنوعی دارد. یکی از روش‌های کنترل کردن دست‌های مصنوعی، رمزگشایی سیگنال‌های الکترومایوگرافی است که از عضلات ساعد ثبت می‌شوند. این سیگنال‌ها با کمک روش‌های یادگیری ماشین مانند طبقه‌بندی و رگرسیون می‌توانند به ما اطلاعاتی در مورد نیت حرکتی فرد بدهند.
این سیگنال‌ها در شرایط آزمایشگاهی نسبتاً با ثبات هستند اما در واقعیت، این سیگنال‌ها تحت‌تأثیر عوامل مختلفی مانند تفاوت‌های میان فردی، تغییرات روزانه بدن و حتی تغییرات در طول یک روز استفاده، قرار می‌گیرند. این تغییرات باعث می‌شود که در واقعیت، دقت سیستم‌های کنترلی موجود کاهش یافته و نیاز به راه‌حلی انطباق‌پذیر و شخصی‌سازی شده آشکار شود.
این تیم پژوهشی برای غلبه بر چالش‌های مذکور یک چارچوب رمزگشایی حرکتی شخصی‌سازی‌شده و انطباق‌پذیر جدید پیشنهاد دادند. این چارچوب از الگوهای حرکتی طبیعی دست انسان الهام گرفته شده است. سه فرض اساسی در طراحی این چارچوب وجود دارد، نخست این‌که حرکات دست از یک توالی خاص پیروی می‌کنند.
این موضوع به این معناست که دستان ما همیشه در حالت استراحت قرار دارند، مگر این‌که بخواهیم عملی انجام دهیم. در این حالت، دستان ما از استراحت به سوی آن عمل حرکت می‌کنند، در آن عمل می‌مانند، و سپس به استراحت باز می‌گردند. دومین مورد آن است که حین انجام عمل، نیت کاربر ثابت می‌ماند و بالاخره سوم این‌که بین عملی تا عمل بعدی، استراحت وجود دارد.
اگر بخواهیم مثالی بزنیم، می‌توانیم به گرفتن یک لیوان اشاره کنیم. دست ما از حالت استراحت به حالت عمل گرفتن لیوان در می‌آید. می‌توانیم تا چندین دقیقه لیوان را نگه داریم. در این حین، حالت انگشتان دست ما عوض نمی‌شود. سپس با رها کردن لیوان دوباره به حالت استراحت برمی‌گردیم. بر اساس این فرضیات، استخراج‌کننده ویژگی از سیگنال الکترومایوگرافی، ماشین حالت متناهی، طبقه‌بند، حافظه کوتاه‎مدت، حافظه بلندمدت و تابع بیشینه هموار 6 بخش اصلی این چارچوب پیشنهادی بود.
در بخش استخراج‌کننده ویژگی از سیگنال الکترومایوگرافی، 8 ویژگی از پنجره‌های 100 میلی ثانیه‌ای سیگنال الکترومایوگرافی استخراج می‌شود. این ویژگی‌ها شامل تعداد گذر از صفر، تغییرات علامت شیب، طول موج سیگنال و ... است.
از بخش ماشین حالت متناهی هم برای طبقه‌بندی حالات دست(استراحت یا عمل) استفاده می‌شود. این بخش با گرفتن ویژگی‌های سیگنال الکترومایوگرافی و با یک طبقه‌بند باینری که از یک شبکه عصبی پرسپترون چند لایه تشکیل شده است، خروجی صفر و یک (استراحت و عمل) می‌دهد.
وظیفه طبقه‌بند هم تشخیص عمل در حال انجام شدن از روی سیگنال الکترومایوگرافی است. در این طراحی 9 عمل مختلف طبقه‌بندی شده‌اند. این 9 حرکت شامل مشت کردن، نشان دادن علامت لایک، نشان دادن علامت پیروزی، نیشگون گرفتن و ... هستند. این طبقه‌بند فقط زمانی کار می‌‍‌کند که کاربر در حالت عمل باشد.
در بخش حافظه کوتاه‌مدت، سیگنال‌های یک عمل و برچسب متناظر با آن عمل ذخیره می‌شود. این کار به این دلیل انجام می‌شود که سیگنال الکترومایوگرافی همواره در حال تغییر است و ما نیاز داریم که هر بار سیگنال‌های جدید را ذخیره کنیم تا دوباره روی آن‌ها سیستم طبقه‌بند خود را بازآموزی کنیم. بنابراین وقتی فرد در حال انجام یک حرکت است، در هنگام انجام عمل، پنجره‌های 100 میلی‌ثانیه از داده‌ها برچسب‌گذاری شده‌اند، اما ممکن است در آن وسط یکی از داده‌ها اشتباه برچسب‌گذاری شده باشد. در این صورت، نیاز داریم وقتی عمل تمام شد و به استراحت برگشتیم، روی برچسب‌ها رأی اکثریت گرفته شود تا یک برچسب واحد برای کل عمل داشته باشیم.
در بخش حافظه بلندمدت، 4 تا از جدیدترین تکرارهای هر 9 حرکت را ذخیره می‌کند تا از این داده‌ها برای به‌روزرسانی طبقه‌بند حرکتی استفاده کند.
بخش تابع بیشینه هموار، بعد از طبقه‌بند قرار دارد و به‌عنوان یک لایه اضافی برای افزایش پایداری دستورات حرکتی و جلوگیری از تغییرات ناگهانی در خروجی طبقه‌بند معرفی شده است. افزایش ثبات خروجی به این صورت انجام می‌شود که احتمال بزرگتری به برچسب‌های شناسایی شده در ابتدای عمل داده می‌شود. طبقه‌بندها در انتها برای هر 9 عمل یک احتمال را خروجی می‌دهند. در نتیجه، اگر احتمال انتخاب یک عمل در ابتدای حرکت بیشتر شود، سیستم تمایل بیشتری به حفظ همان انتخاب خواهد داشت.
چارچوب پژوهشگران در این پروژه بر پایه ماشین حالت متناهی بود که 4 حالت فاز اولیه، حالت عمل، حالت انتقال از عمل به استراحت و حالت استراحت را دارد.
در فاز اولیه، فرد برای نخستین بار دست مصنوعی را می‌پوشد. در این حالت، او باید هر 9 حرکت را 4 بار انجام دهد. این مرحله به این دلیل مهم است که بخش طبقه‌بند حرکتی بازآموزی شود تا دست مصنوعی شخصی‌سازی شود.
در توضیح حالت عمل، هم باید گفت که زمانی ماشین حالت عمل را تشخیص می‌دهد، طبقه‌بند شروع به کار می‌کند و به طور مداوم ویژگی‌های استخراج شده را پردازش کرده و برچسب عمل را تشخیص می‌دهد. این کار هر 100 میلی ثانیه تکرار می‌شود اما هر بار به دلیل گذر از تابع بیشینه هموار، خروجی پایدار است. در طول این عمل اطلاعات در حافظه کوتاه‌مدت ذخیره می‌شوند.
در حالت انتقال از عمل به استراحت هم وقتی عمل تمام می‌شود، ماشین حالت این موضوع را تشخیص می‌دهد. در این هنگام، روی تمام داده‌های داخل حافظه کوتاه‌مدت رأی اکثریت گرفته شده و کل عمل با یک برچسب به داخل حافظه بلندمدت می‌روند.
در حالت استراحت، طبقه‌بند کاری انجام نمی‌دهد و در نتیجه دست مصنوعی رباتیکی در حالت استراحت است. در این فرصت، طبقه‌بند روی داده‌های داخل آن بازآموزی می‌شود. به این ترتیب، می‌توان در طول استفاده از دست مصنوعی آن را به روزرسانی و انطباقی کرد.
براساس نتایج اصلی این پروژه، برای سنجش این سیستم کنترلی، از دوازده داوطلب سالم (8 مرد و 4 زن) داده گرفته شد. سیگنال‌های الکترومایوگرافی با استفاده از حسگرهای الکترومایوگرافی از سه عضله ساعد جمع‌آوری شدند. داده‌ها شامل 20 تکرار از 9 عمل متفاوت دست بود.
تفاوت میان‌فردی سیگنال الکترومایوگرافی، طبقه‌بند روی داده‌های 11 نفر آموزش‌دیده و روی داده‌های فرد دوازدهم تست شد. در این حالت سیستم تنها 28 درصد دقت داشت.
تفاوت طبقه‌بندی روی داده‌های جمع‌آوری شده از یک فرد در روزهای مختلف، تنها 37 درصد دقت داشت. این نشان می‌دهد که داده‌های یک فرد در روزهای مختلف تقریباً به اندازه داده‌های افراد متفاوت، با هم تفاوت دارند.
تجزیه و تحلیل توزیع ویژگی‌ها هم نشان می‌دهد که حتی در طول یک جلسه، الگوهای سیگنال الکترومایوگرافی به‌طور قابل توجهی تغییر می‌کنند.
در بخش عملکرد ماشین حالت متناهی، دقت 92.45 درصد را در طبقه‌بندی حالت‌های استراحت و عمل برای داده‌های کاملاً جدید از افراد مختلف را نشان می‌دهد که یعنی این سیستم، به بروزرسانی دائمی نیاز نخواهد داشت.
همچنین بدون توجه به نوع طبقه‌بند، نشان داده شد که یک سیستم بدون بروزرسانی مداوم، از ابتدا تا انتهای استفاده افت دقت شدیدتری نسبت به حالت با بروزرسانی مداوم خواهد داشت.
مقاله این پروژه پژوهشی با عنوان Designing for practicality: a personalized and adaptive framework for real-time EMG-based hand motor decoding در مجله Journal of Neural Engineering چاپ شده است.