بهبود کنترل بازوی رباتیک به کمک کنترل¬کننده تطبیقی مدل مرجع با استفاده از طبقه‌بندی سیگنال¬های EMG
محورهای موضوعی : مهندسی برق و کامپیوتر
مهسا برفی
1
,
حمیدرضا کرمی
2
*
,
الهام فراهی
3
,
فاطمه فریدی
4
,
سید منوچهر حسینی پیلانگرگی
5
1 - دانشگاه بوعلی سینا،دانشکده فنی و مهندسی
2 - دانشگاه بوعلی سینا،دانشکده فنی و مهندسی
3 - دانشگاه بوعلی سینا،دانشکده فنی و مهندسی
4 - دانشگاه بوعلی سینا
5 - دانشگاه بوعلی سینا،دانشکده فنی و مهندسی
کلید واژه: الکترومیوگرافی, آنالیز تشخیصی خطی, ربات دو درجه آزادی, کنترل‌کننده تطبیقی مدل مرجع,
چکیده مقاله :
هدف این مقاله، بهبود کنترل بازوی رباتیک به کمک کنترل‌کننده تطبیقی مدل مرجع مبتنی بر نظریه لیاپانوف با استفاده از طبقه‌بندی سیگنالهای الکترومیوگرام (EMG) است. در این مقاله، بازوی انسان با یک ربات دو درجه آزادی مدلسازی شده است. روش کنترلی پیشنهادی، کنترل‌کننده تطبیقی مدل مرجع است. ماحصل این پژوهش، طراحی و شبیهسازی بازوی رباتیک به همراه کنترل‌کننده تطبیقی مدل مرجع است که با استفاده از طبقه‌بندی داده‌های EMG ثبت‌شده از حرکات بازوی انسان، منتج به ردیابی مناسب سیگنال مرجع، فراجهش و خطای حالت ماندگار کمتر در مقایسه با کنترل‌کننده مرسوم PI شده است. بدین منظور ابتدا داده‌های EMG با استفاده از دو الکترود از عضلات دلتوئید قدامی و دلتوئید میانی بازوی پنج دختر و با انجام دو حرکت دورشدن (ابداکشن) و خم‌شدن (فلکشن) بازو جمع‌آوری شده و پس از رفع نویز، ویژگی‌های ریاضی انتگرال مقدار مطلق، گذر از صفر، واریانس و فرکانس میانه از آنها استخراج می‌شود. سپس کلاس‌بندی به روش آنالیز تشخیصی خطی به منظور تشخیص حرکات بر اساس ویژگی‌های داده‌ها صورت می‌گیرد. در نهایت، مدل و سیستم کنترل‌کننده پیشنهادی با توجه به ویژگی‌های سیگنال EMG، برای دستیابی به پاسخ کنترلی مناسب، طراحی می‌شوند و سیگنال فرمان مناسب جهت انجام حرکت مربوطه به کنترل‌کننده ارسال می‌شود. نتایج و مقادیر خطاهای حاصل‌شده نشان می‌دهند که انطباق رفتار مدل و کنترل‌کننده حاصل با الگوی از پیش تعریف شده حرکتی قابل توجه و مورد تأیید است.
The purpose of designing and manufacturing prosthetic organs is to create their maximum behavioral similarity to human organs. The aim of this paper is to improve the robotic arm control via Model Reference Adaptive System (MRAS) based on Lyapunov theory using EMG data classification. In this paper, human arm is modeled with a robot with two degrees of freedom. The proposed control method is MRAS. The outcome of this research is a robotic arm with MRAS, using the classification of electromyogram (EMG) data recorded from human arm movements, results in proper tracking of the reference signal, less overshoot and steady-state error compared to the conventional PI controller. For this purpose, using two electrodes, EMG data is collected from the anterior deltoid and middle deltoid muscles of the arm of five female athletes and by performing two movements of abduction and flexion of the arm. Then, after eliminating noise, integral of absolute value (IAV), zero crossing (ZC), variance (VAR) and median frequency (MF) are extracted. Then, classification is done by linear discriminant analysis (LDA) method to detect movements based on data characteristics. Finally, the proposed controller and model are designed according to the EMG characteristics to achieve the proper control response and the appropriate command signal is sent to the controller to perform the corresponding movement. The results and the values of the obtained errors show the conformity of the model and controller behavior with the predefined movement pattern.
[1] P. Konrad, The ABC of EMG A Practical Introduction to Kinesiological Electromyography, pp. 4-6, Noraxon Inc. USA, 2005.
[2] J. Hamill and K. M. Knutzen, Biomechanical Basis of Human Movement, Lippincott Williams & Wilkins, Oct. 2006.
[3] G. Robertson, G. Caldwell, J. Hamill, G. Kamen, and S. Whittlesey, Research Methods in Biomechanics Human Kinetics, 2013.
[4] F. Sadikoglu, C. Kavalcioglu, and B. Dagman, "Electromyogram (EMG) signal detection, classification of EMG signals and diagnosis of neuropathy muscle disease," Procedia Computer Science, vol. 120, pp. 422-429, 2017.
[5] N. Feng, et al., "A soft robotic hand: design, analysis, sEMG control, and experiment," The International J. of Advanced Manufacturing Technology, vol. 97, pp. 319-333, 2018.
[6] G. Lisi, P. Belluco, D. Cattaneo, and G. Gini, "From the classification of EMG signals to the development of a new lower arm prosthesis," IFAC Proceedings Volumes, vol. 44, no. 1, pp. 6493-6498, Jan. 2011.
[7] E. Raveh, S. Portnoy, and J. Friedman, "Adding vibrotactile feedback to a myoelectric controlled hand improves performance when online visual feedback is disturbed," Human Movement Science, vol. 58, pp. 32-40, Apr. 2018.
[8] M. Tavakoli, C. Benussi, and J. L. Lourenco, "Single channel surface EMG control of advanced prosthetic hands: a simple, low cost and efficient approach," Expert Systems with Applications, vol. 79, pp. 322-332, 15 Aug. 2017.
[9] I. I. Borisov, O. V. Borisova, S. V. Krivosheev, R. V. Oleynik, and S. S. Reznikov, "Prototyping of EMG-controlled prosthetic hand with sensory system," IFAC-PapersOnLine, vol. 50, no. 1, pp. 16027-16031, Jul. 2017.
[10] P. K. Artemiadis and K. J. Kyriakopoulos, "EMG-based control of a robot arm using low-dimensional embedding," IEEE Trans. on Robotics, vol. 26, no. 2, pp. 393-398, Apr. 2010.
[11] S. Javier Patricio Collahuazo and M. Esteban Fernando Ordoñez, "Design and construction of a robot hand activated by electromyographic signals," in Proc. IEEE Int. Symp. on Robotic and Sensors Environments Proceedings, pp. 25-30, Magdeburg, Germany, 16-18 Nov. 2012.
[12] M. Qingyun, Q. Meng, H. Yu, and X. Wei, "A survey on sEMG control strategies of wearable hand exoskeleton for rehabilitation," in Proc.2nd IEEE Asia-Pacific Conf. on Intelligent Robot Systems, ACIRS’17, pp. 165-169, Wuhan, China, 16-18 Jun. 2017.
[13] Z. Lu, K. Y. Tong, X. Zhang, S. Li, and P. Zhou, "Myoelectric pattern recognition for controlling a robotic hand: a feasibility study in stroke," IEEE Trans. on Biomedical Engineering, vol. 66, no. 2, pp. 365-372, Feb. 2018.
[14] M. Rossi, et al., "Preliminary results toward a naturally controlled multi-synergistic prosthetic hand," in Proc. IEEE Int. Conf. on Rehabilitation Robotics, ICORR’17, pp. 1356-1363, London, UK, 17-20 Jul. 2017.
[15] https://myndfitlife.com/big-shoulders-now-killing-exercises/
[16] MA-300 EMG System User Guide, Motion Lab Systems, Baton Rouge, LA, 2004.
[17] R. T. Floyd, Manual of Structural Kinesiology, 19th Ed., McGraw-Hill Education, New York, 2015.
[18] P. K. Artemiadis and K. J. Kyriakopoulos, "A switching regime model for the EMG-based control of a robot arm," IEEE Trans. on Systems, Man, and Cybernetics, Part B (Cybernetics), vol. 41, no. 1, pp. 53-63, Feb. 2010.
[19] X. Sheng, B. Lv, W. Guo, and X. Zhu, "Common spatial-spectral analysis of EMG signals for multiday and multiuser myoelectric interface," Biomedical Signal Processing and Control, vol. 53, Article ID: 101572, Aug. 2019.
[20] K. Englehart and B. Hudgins, "A robust, real-time control scheme for multifunction myoelectric control," IEEE Trans. on Biomedical Engineering, vol. 50, no. 7, pp. 848-854, Jul. 2003.
[21] A. Nazemi and A. Maleki, "Artificial neural network classifier in comparison with LDA and LS-SVM classifiers to recognize 52 hand postures and movements," in Proc. 4th IEEE Int.l Conf. on Computer and Knowledge Engineering, ICCKE’14, pp. 18-22, Mashhad, Iran, 29-30 Oct. 2014.
[22] D. P. Yang, et al., "An anthropomorphic robot hand developed based on underactuated mechanism and controlled by EMG signals," J. of Bionic Engineering, vol. 6, no. 3, pp. 255-263, Sept. 2009.
[23] I. I. Kuzborskij, A. Gijsberts, and B. Caputo, "On the challenge of classifying 52 hand movements from surface electromyography," in Proc. of Annual Int. Conf. of the IEEE Engineering in Medicine and Biology Society, pp. 4931-4937, San Diego, CA, USA, 28 Aug.-1 Sept. 2012.
[24] S. Saud, B. Jamil, Y. Upadhyay, and K. Irshad, "Performance improvement of empirical models for estimation of global solar radiation in India: a k-fold cross-validation approach," Sustainable Energy Technologies and Assessments, vol. 40, Article ID: 100768, Aug. 2020.
[25] M. A. Khan, et al., "Geopolymer concrete compressive strength via artificial neural network, adaptive neuro fuzzy interface system, and gene expression programming with K-fold cross validation," Front. Mater., vol. 8, Article ID: 62116, 3 May 2021.
[26] Y. Tang, Y. Q. Zhang, N. V. Chawla, and S. Krasser, "SVMs modeling for highly imbalanced classification," IEEE Trans. on Systems, Man, and Cybernetics, Part B (Cybernetics), vol. 39, no. 1, pp. 281-288, Feb. 2008.
[27] A. Prakash, A. K. Sahi, N. Sharma, and S. Sharma, "Force myography controlled multifunctional hand prosthesis for upper-limb amputees," Biomedical Signal Processing and Control, vol. 62, Article ID: 102122, Sept. 2020.
[28] P. K. Artemiadis and K. J. Kyriakopoulos, "EMG-based control of a robot arm using low-dimensional embeddings," IEEE Trans. on Robotics, vol. 26, no. 2, pp. 393-398, Apr. 2010.
[29] S. Sastry and M. Bodson, Adaptive Control: Stability, Convergence and Robustness, Courier Corporation, 2011.
[30] N. Wang, K. Lao, and X. Zhang, "Design and myoelectric control of an anthropomorphic prosthetic hand," J. of Bionic Engineering, vol. 14, no. 1, pp. 47-59, Jan. 2017.
نشریه مهندسی برق و مهندسی كامپیوتر ایران، الف- مهندسی برق، سال 20، شماره 3، پاییز 1401 233
مقاله پژوهشی
بهبود کنترل بازوی رباتیک به کمک کنترل‌کننده تطبیقی
مدل مرجع با استفاده از طبقه‌بندی سیگنالهای EMG
مهسا برفی، حمیدرضا کرمی، الهام فراهی، فاطمه فریدی و سید منوچهر حسینی پیلانگرگی
چكیده: هدف این مقاله، بهبود کنترل بازوی رباتیک به کمک کنترل‌کننده تطبیقی مدل مرجع مبتنی بر نظریه لیاپانوف با استفاده از طبقه‌بندی سیگنالهای الکترومیوگرام (EMG) است. در این مقاله، بازوی انسان با یک ربات دو درجه آزادی مدلسازی شده است. روش کنترلی پیشنهادی، کنترل‌کننده تطبیقی مدل مرجع است. ماحصل این پژوهش، طراحی و شبیهسازی بازوی رباتیک به همراه کنترل‌کننده تطبیقی مدل مرجع است که با استفاده از طبقه‌بندی داده‌های EMG ثبت‌شده از حرکات بازوی انسان، منتج به ردیابی مناسب سیگنال مرجع، فراجهش و خطای حالت ماندگار کمتر در مقایسه با کنترل‌کننده مرسوم PI شده است. بدین منظور ابتدا داده‌های EMG با استفاده از دو الکترود از عضلات دلتوئید قدامی و دلتوئید میانی بازوی پنج دختر و با انجام دو حرکت دورشدن (ابداکشن) و خم‌شدن (فلکشن) بازو جمع‌آوری شده و پس از رفع نویز، ویژگی‌های ریاضی انتگرال مقدار مطلق، گذر از صفر، واریانس و فرکانس میانه از آنها استخراج می‌شود. سپس کلاس‌بندی به روش آنالیز تشخیصی خطی به منظور تشخیص حرکات بر اساس ویژگی‌های داده‌ها صورت می‌گیرد. در نهایت، مدل و سیستم کنترل‌کننده پیشنهادی با توجه به ویژگی‌های سیگنال EMG، برای دستیابی به پاسخ کنترلی مناسب، طراحی می‌شوند و سیگنال فرمان مناسب جهت انجام حرکت مربوطه به کنترل‌کننده ارسال می‌شود. نتایج و مقادیر خطاهای حاصل‌شده نشان می‌دهند که انطباق رفتار مدل و کنترل‌کننده حاصل با الگوی از پیش تعریف شده حرکتی قابل توجه و مورد تأیید است.
کلیدواژه: الکترومیوگرافی، آنالیز تشخیصی خطی، ربات دو درجه آزادی، کنترل‌کننده تطبیقی مدل مرجع.
1- مقدمه
هدف از طراحی و ساخت یک اندام پروتزی، ایجاد حداکثر تشابه رفتاری با اندام‌های انسانی است. در صورتی که سیگنالهای حاصل از عملکرد عضلات بدن، ثبت شوند، می‌توانند فعالیت عضلات را نمایان کرده و در مدلسازی و کنترل اندام‌های پروتزی به کار گرفته شوند [1]. یکی از روش‌های آزمایشگاهی برای ثبت سیگنالهای عضلات بدن، الکترومیوگرافی است. الکترومیوگرافي، مطالعه فعالیت الکتریکی عضله است. مطالعه عضله از این دیدگاه می‌تواند برای فراهم‌کردن اطلاعات مربوط به کنترل حرکات ارادی و بازتابی، بسیار باارزش باشد. مطالعه فعالیت عضله هنگام اجرای یک کار ویژه می‌تواند اطلاعاتی در خصوص نوع عضلات درگیر، زمان شروع و علت فعالیت عضلات در اختیار قرار دهد. به علاوه، مقدار پاسخ الکتریکی عضلات در طول فعالیت تعیین می‌شود [2].
سیگنال الکترومیوگرام (EMG) نمایش سیگنال الکتریکی عضله است که با قراردادن الکترودهای حساس روی عضله که قادر به اندازه‌گیری مجموع تغییر ولتاژ مربوط به تمام پتانسیل‌های عمل فیبرهای عضلانی هستند، مشخص می‌شود. به عبارت دیگر، سیگنال الکتریکی که در طول هر فیبر عضلانی منتشر می‌شود، پتانسیل عمل واحد حرکتی نامیده می‌شود و سیگنال EMG عبارت است از اندازه‌گیری پتانسیل عمل. سیگنال EMG بسیار پیچیده و ترکیبی از پتانسیل‌های عمل چندگانه همه واحدهای حرکتی فعالی است که روی یکدیگر قرار گرفته‌اند [2]. خلاصه پردازش‌های فیزیولوژیکی فعالیت عضله نشان می‌دهد که سیگنال EMG می‌تواند نشان‌دهنده میزان فعالیت عضله باشد و بنابراین این سیگنال می‌تواند برای مطالعه هماهنگی و کنترل حرکت مورد استفاده قرار گیرد [3].
یکی از جدیدترین و مهم‌ترین کاربردهای تجزیه و تحلیل سیگنال EMG، استفاده از آن در مدلسازی حرکات بیومکانیکی بدن و کنترل اندام‌های رباتیک یا پروتزی است [4] و [5]. در ادامه، برخی از مهم‌ترین پژوهش‌های انجام‌شده در زمینه کنترل اندام‌های مصنوعی، رباتیک یا پروتزی، بررسی می‌شود.
یکی از روش‌های استفاده از سیگنال EMG برای کنترل بازوی رباتیک، کلاس‌بندی داده EMG مربوط به حرکات مختلف بازو با
هدف ایجاد ارتباط آماری و ریاضی معنادار بین الگوهای حرکتی از
پیش تعریف شده و ویژگی‌های سیگنال EMG حاصل از حرکت عضلات است. در [6]، امکان طبقه‌بندی چندکلاسه سیگنالهای EMG به دست آمده از یک برد جمع‌آوری داده کوچک‌سازی شده بررسی می‌شود. کلاس‌بندی از طریق شبکه‌های عصبی مصنوعی که بر اساس داده EMG آموزش یافته‌اند، انجام شده است. لازم به ذکر است که روش‌های مبتنی بر شبکه‌های عصبی برای الگوریتم یادگیری عصبی بار محاسباتی سنگینی دارند.
در [7]، یک بازوی رباتیک که برای حمل اشیا و جابه‌جایی بلوکه‌های چوبی در نظر گرفته شده است، با استفاده از سیگنال EMG کنترل می‌شود. در این مرجع، از فیدبک بصری برای کنترل عملکرد این بازو استفاده شده است. این سیستم در دو حالت تست می‌شود که شامل تکرار حرکت در نور کامل و در تاریکی است. در شرایط تاریکی، فیدبک بصری تحت تأثیر قرار می‌گیرد و لازم است که فیدبک دیگری برای رفع خطا در اختیار ربات قرار گیرد.
اخیراً دستگاه‌های EMG قابل پوشش طراحی شده‌اند که قادر به شناسایی چندین حرکت هستند، اما ایراد اصلی این سیستم‌ها هزینه بالا، اندازه و پیچیدگی آنها میباشد. در [8]، یک سیستم ساده، سریع و کم‌هزینه برای تشخیص حداکثر چهار حرکت بازو با استفاده از فقط یک الکترود سطحی، ارائه شده که تعداد الکترودها کافی نمی‌باشد.
در [9]، یک دست مصنوعی تجهیزشده با فیدبک EMG برای انجام اعمال دستوری مدلسازی شده است. سیستم کنترل مجتمع توسعه‌یافته شامل دو زیرسیستم، یکی مربوط به کنترل حرکت و دیگری مربوط به سنسورها است. ضمن این که اطلاعات بصری حاصل از پردازش تصویر نیز در اختیار کنترلر قرار می‌گیرد. بنابراین، این روش نیازمند پردازش‌های سنگینی مانند پردازش تصویر میباشد.
در [10]، سیگنالهای EMG عضلات بازوی انسان به عنوان یک رابط کنترلی بین انسان و بازوی رباتیک به کار گرفته شده‌اند. از یک
مدل ریاضی آموزش‌یافته برای رمزگشایی حرکات بازو با استفاده از سیگنالهای EMG ثبت‌شده استفاده می‌شود. این روش نیاز به تطابق تدریجی مدل توسعه‌یافته با سیگنال واقعی دارد.
در [11] با هدف بهبود وضعیت حرکتی افراد معلول که دارای مشکل حرکتی در بازو و دست هستند، نمونه اولیه دست و بازوی رباتیک مبتنی بر سیگنال الکترومیوگرام طراحی شده است. در طراحی این سیستم، 3 شاخه از دانش مورد بررسی قرار می‌گیرد که شامل بیوالکتریک (برای ثبت سیگنالهای حیاتی)، نرم‌افزار و میکروکنترلرها (برای ثبت و پردازش داده‌ها) و مکاترونیک (طراحی ساختار مکانیکی و حرکت‌ها) میباشد. حرکات پیچیده و پیوسته انسان، ترکیبی از زیرحرکات ساده و ترتیبی هستند و بنابراین در این پژوهش، نیاز به شناسایی این زیرحرکات بوده است.
در [12]، فناوری‌های کلیدی اخیر کنترل مبتنی بر سیگنالهای EMG برای ربات‌های توان‌بخشی دست بررسی شده است. سپس خلاصه‌ای
از اصول فناوری‌های کنترل و روش‌های پردازش سیگنالهای EMG
که برای این دست‌های رباتیک استفاده شده است، ارائه گردیده و کار آزمایشگاهی صورت نگرفته است.
در [13]، امکان استفاده از تشخیص الگوی میوالکتریک برای کنترل یک دست رباتیک در بیماران سکته مغزی بررسی می‌شود. تشخیص الگوي ميوالكتريك از شش الگوي حركتي دست با استفاده از سيگنال‌هاي الكترومیوگرام ساعد از 8 فرد دچار سكته شده، انجام گردیده است. برای ارزیابی عملکرد شناسایی الگوی میوالکتریک آفلاین، از دو روش 2RCV و 3CHV استفاده شده است.
در [14]، یک سیستم آزمایشگاهی شامل دست مصنوعی Pisa/IIT و یک استراتژی کنترلی هم‌زمان و تناسبی برای نگاشت حرکات دست انسان و دست رباتیک، طراحی شده است. روش کنترلی بر اساس ترکیب الگوریتم‌های فاکتوریزاسیون ماتریس نامنفی و رگرسیون خطی است. در این روش یک جبران‌ساز حرکتی مبتنی بر سیگنالهای EMG نیز طراحی شده که برای پوشش عدم قطعیت‌ها به کار گرفته می‌شود. این الگوریتم در یک محیط مجازی بر روی پنج فرد سالم آزمایش می‌شود.
در پژوهش‌های قبلی، جهت کنترل بازو، نیاز به پردازش‌های آماری سنگین مانند پردازش تصویر و شناسایی حرکت بوده و همچنین تعداد الکترودها و حرکات در برخی تحقیقات، تعداد کافی استفاده نشده است. در این پژوهش، کنترل بازوی رباتیک با استفاده از کنترل‌کننده تطبیقی مدل مرجع که دارای مزایایی از جمله قابلیت تطبیق رفتار کنترلی سیستم با تغییر نقطه کار و تغییر نوع حرکت آن است، صورت گرفته و نیازی به پردازش‌های آماری سنگین ندارد. به علاوه بازوی انسان با یک ربات دو درجه آزادی مدلسازی شده است. بنابراین مسئله اصلی در این تحقیق، ایجاد تشابه حداکثری بین حرکات بازوی رباتیک و بازوی انسان با کمک تحلیل و آنالیز سیگنالهای EMG و توسعه مدل و کنترل‌کننده مناسب است. در این پژوهش، بر اساس سیگنالهای EMG اندازه‌گیری شده از عضلات حرکتی بازو که به صورت بهینه جمع‌آوری، تحلیل و ارزیابی شده‌اند، سیستم مکاترونیک طراحی‌شده مقاصد حرکتی بازو را تشخیص می‌دهد. برای کنترل بازوی رباتیک، کنترل‌کننده تطبیقی مدل مرجع مبتنی بر نظریه لیاپانوف که دارای مزایایی از جمله تضمین پایداری حلقه بسته و عملكرد مطلوب در حضور نامعینی‌های مدل، پارامترهای متغیر با زمان، اغتشاش و نویزهای نامعلوم میباشد، طراحی و پیاده‌سازی شده است. همچنین پاسخ کنترلی این کنترل‌کننده، دارای مزایایی از جمله ردیابی مناسب سیگنال مرجع، سرعت پاسخ‌دهی مناسب، فراجهش و خطای حالت ماندگار کم میباشد. مدلسازی بازو نیز با استفاده از بازوی رباتیک دو درجه آزادی، صورت گرفته است.
در این پژوهش از دستگاه الکترومیوگرافی 16کاناله مدل 300- MA و همکاری پنج دختر برای اجرای دو حرکت بازو، به منظور ثبت سیگنالهای EMG استفاده شده است. سپس فیلترهایی جهت رفع نویز به سیگنال اعمال گردیده و سیگنالهای EMG ذخیره شده است. سیگنالهای ذخیره‌شده به کمک نرم‌افزار MATLAB پردازش شده و ویژگی‌های انتگرال مقدار مطلق 4(IAV)، گذر از صفر 5(ZC)، واریانس 6(VAR) و فرکانس میانه 7(MDF) از آن استخراج شده و کلاس‌بندی به روش آنالیز تشخیصی خطی 8(LDA) به منظور تشخیص حرکات بر اساس ویژگی‌های داده‌ها، صورت می‌گیرد. سپس مدل و سیستم کنترل پیشنهادی با توجه به ویژگی‌های سیگنالهای EMG برای دستیابی به پاسخ کنترلی مناسب، طراحی می‌شوند. بنابراین بعد از این که طبقه‌بند LDA با استفاده از سیگنالهای EMG، حرکت بازو را تشخیص داد، طبق حرکت تشخیص داده شده، سیگنال فرمان مناسب (زاویه بازو متناسب با حرکت مورد نظر) به کنترل‌کننده ارسال شده و حرکت بازو انجام می‌شود. در واقع از سیگنالهای EMG، در طبقه‌بندی جهت تشخیص نوع حرکت و در نهایت ارسال فرمان مناسب به کنترل‌کننده استفاده شده است.
در این مقاله، در بخش 2 روش جمع‌آوری و پردازش داده‌ها، استخراج ویژگی‌های ریاضی و طبقه‌بندی آنها مطرح می‌گردد. در بخش 3 به روش مدلسازی بازوی رباتیک و معادلات ریاضی، روند انجام پژوهش و ایده پیشنهادی پرداخته می‌شود. بخش 4 به شبیهسازی و تحلیل نتایج پرداخته و بخش 5 شامل جمع‌بندی پژوهش است.
شکل 1: عضلات دلتوئید قدامی و دلتوئید میانی بازوی انسان [15].
2- جمع‌آوری و پردازش داده‌ها، استخراج
ویژگی‌های ریاضی و کلاس‌بندی
یکی از بخش‌های مهم این پژوهش، جمع‌آوری و پردازش داده‌های EMG از بازوی انسان، استخراج ویژگی‌های ریاضی و سپس طبقه‌بندی آنها است.
2-1 جمع‌آوری داده‌های EMG
در این مقاله، سیگنالهای EMG از بازوی پنج دختر جمع‌آوری
شده است. تعداد این افراد و همچنین ویژگی‌های عضلانی آنها طبق پژوهش‌های ذکرشده در پیشینه و نظر متخصص الکترومیوگرافی بررسی و در نظر گرفته شده است. سیگنال‌ها از طریق دو الکترود سطحی دوقطبی دستگاه الکترومیوگرافی 16کاناله مدل 300- MA، روی عضلات دلتوئید قدامی9 و دلتوئید میانی10 بازو نصب شده‌اند و با استفاده از نرم‌افزار WinDaq Recording and Playback در فرمت WDQ ثبت شده‌اند. این عضلات در شکل 1 نمایش داده شده است. مراحل ثبت سیگنال به شرح زیر است:
1) افراد باید لباس مناسبی بپوشند، زیرا نیاز به دسترسی مستقیم به عضلات وجود دارد که ممکن است به واسطه لباس‌ها پوشیده شده باشد.
2) با نظر متخصص در زمینه الکترومیوگرافی، موقعیت دقیق قرارگیری الکترودها بر روی عضله‌ها و پوست مشخص شد.
3) دو استراتژی کلیدی در آماده‌سازی پوست وجود دارد: 1) تماس الکترود با پوست بایستی باثبات باشد و 2) مقاومت پوست بایستی حداقل باشد [3]. بنابراین در این مرحله، ابتدا موهای زاید نواحی مشخص‌شده بر روی پوست تراشیده شده و سطح پوست در این محدوده با پنبه آغشته به الکل پاک‌سازی شد تا الکترودها به سطح پوست بچسبند.
4) با استفاده از دو الکترود سطحی دوقطبی دستگاه الکترومیوگرافی 16کاناله مدل 300- MA، سیگنالهای EMG ثبت شدند. این دستگاه به همراه الکترودهای سطحی آن در شکل 2 نمایش داده شده است. الکترود اول یا شماره 1 بر روی عضله دلتوئید قدامی و الکترود دوم یا شماره 2 بر روی عضله دلتوئید میانی بازو قرار داده شد و به منظور افزایش دقت و کاهش جابه‌جایی الکترودها از نوارچسب استفاده گردید. همچنین این دستگاه شامل یک الکترود زمین میباشد. برای قرارگیری الکترود مرجع معمولاً نزدیک‌ترین منطقه‌ای که از نظر الکتریکی خنثی است، انتخاب می‌شود که در
شکل 2: دستگاه الکترومیوگرافی 16کاناله مدل 300- MA به همراه الکترودهای سطحی آن [16].
این آزمایش، این الکترود بر روی استخوان پیشانی قرار داده شد. تماس الکتریکی خیلی خوب الکترود مرجع با پوست، بسیار مهم است. به این منظور الکترود زمین آغشته به ژل لوبریکانت بر روی پیشانی قرار داده شد [2].
5) فرد باید دو حرکت دورشدن (ابداکشن) و خم‌شدن (فلکشن) بازو را که در ادامه بررسی می‌شود، انجام دهد.
6) با استفاده از نرم‌افزار WinDaq Recording and Playback، سیگنالهای حاصل به فرمت WDQ ثبت می‌شوند. این نرم‌افزار برای نمایش و آنالیز اولیه سیگنال و ثبت آن به صورت چندکاناله به کار گرفته می‌شود.
در این پژوهش برای ثبت سیگنالهای EMG، فرکانس نمونه‌برداری 2000 هرتز، پهنای باند 1250 هرتز، امپدانس ورودی 100 مگااهم، پری آمپلی‌فایر با گین برابر 1000 و CMRR برابر 100 دسی‌بل انتخاب شدند. دامنه سیگنال می‌تواند از ۰ تا ۱۰ میلی‌ولت (قله تا قله) و جذر متوسط مربع (RMS) آن از ۰ تا 5/1 میلی‌ولت باشد. انرژی قابل استفاده سیگنال در محدوده فرکانس 0 تا ۵۰۰ هرتز است که انرژی غالب آن در محدوده 20 تا 150 هرتز قرار دارد [3].
حرکات دورشدن (ابداکشن) و خم‌شدن (فلکشن) بازو در شکل 3 نمایش داده شده و نحوه انجام این حرکات به صورت زیر میباشد:
حرکت دورشدن (ابداکشن): حرکت جانبی استخوان بازو به سمت بالا و دور از بدن در سطح عرضی است.
حرکت خم‌شدن (فلکشن): حرکت استخوان بازو به صورت مستقیم به سمت جلو از هر نقطه در سطح سهمی میباشد.
لازم به ذکر است که دامنه انجام این حرکات در این پژوهش تا زاویه
90 درجه (قرارگرفتن شانه و آرنج در یک خط صاف) است.
2-2 استخراج ویژگی‌ها
از آنجا که سیگنالهای EMG دارای ماهیت تصادفی و عدم ثبات هستند، باید سیگنالهای متعدد جمع‌آوری شده و ویژگی‌های مختلفی
از آنها استخراج شود تا توصیف حرکت ممکن گردد. سیگنال EMG ثبت‌شده به دلیل تأثیر عضلات جانبی و عوامل مختلف دیگر، پرنویز
است که علاوه بر استفاده از فیلترهایی برای کاهش نویز در نرم‌افزار MATLAB، از محاسبه ویژگی‌های ریاضی آنها برای کاهش اثر نویز، استفاده شده است. در ادامه، ویژگی‌هایی که در این پژوهش در تحلیل
(الف) (ب)
شکل 3: حرکات (الف) دورشدن (ابداکشن) و (ب) خم‌شدن (فلکشن) بازو [17].
جدول 1: ویژگی‌های MDF و ZC.
نوع حرکت | ZC | MDF |
ابداکشن 1 | 22146/0 | |
ابداکشن 2 | 11850 | 030198/0 |
فلکشن 1 | 10763 | 08307/0 |
فلکشن 2 | 11495 | 006263/0 |
سیگنال EMG بازو مورد استفاده قرار گرفته‌اند، بررسی می‌شوند. این ویژگی‌ها دارای خاصیت طبقه‌بندی خوبی هستند و استخراج ویژگی و کلاس‌بندی را به سادگی ممکن می‌سازند. همچنین بر اساس تحقیقات قبلی، از ویژگی‌های پرکاربرد در حوزه الکترومیوگرافی می‌باشند [18].
2-2-1 انتگرال مقدار مطلق (IAV)
این ویژگی طبق (1) محاسبه می‌شود [18]
(1)
در این معادله و (2) و (3) که در ادامه خواهند آمد، 
نمونه 
ام سیگنال ثبت‌شده و 
تعداد کل نمونه‌ها در یک پنجره است. سیگنال خام با فرکانس 2 کیلوهرتز نمونه‌برداری شده و با پنجره‌های زمانی 100 میلی‌ثانیه، تقسیم‌بندی می‌شود. بنابراین برابر با 100 میباشد.
2-2-2 گذر از صفر (ZC)
متغیر 
بیان‌کننده تعداد دفعاتی است که سیگنال از صفر عبور کرده و دامنه آن صفر شده است. این ویژگی از (2) محاسبه می‌شود [18]
(2)
2-2-3 واریانس (VAR)
واریانس نمادی از توان سیگنال است و طبق (3) محاسبه می‌شود [18]
(3)
2-2-4 فرکانس میانه یا (MDF)
این ویژگی مبین فرکانسی است که در آن، طیف توان سیگنال به
دو قسمت با توان مساوی تقسیم می‌شود. این معیار مطابق با (4) محاسبه می‌شود
(4)
در این معادله، 
چگالی طیف توان و 
فرکانس است. در بررسی انجام‌شده در این پژوهش، 
هرتز میباشد [18].
شکل 4: تأثیر ویژگی‌های ریاضی بر کاهش اثر نویز و دستیابی به فرم کلی سیگنال برای دو کانال ورودی.
تأثیر ویژگی‌های ریاضی IAV و VAR بر کاهش اثر نویز و دستیابی به فرم کلی سیگنال دوکاناله در شکل 4 نمایش داده شده است. در این شکل، الکترود اول یا شماره 1 سیگنال و ویژگی‌های آن برای عضله دلتوئید قدامی و الکترود دوم یا شماره 2 مربوط به عضله دلتوئید میانی بازو میباشد. سیگنال اصلی به رنگ آبی و ویژگی‌های IAV و VAR به ترتیب به رنگ‌های مشکی و قرمز ترسیم شده است. همان طور که مشاهده می‌شود، منحنی ویژگی‌های سیگنال یعنی IAV و VAR به خوبی فرم کلی آن را نمایش می‌دهند.
ویژگی‌های ZC و MDF نیز در جدول 1 درج شده‌اند. این ویژگی‌ها به ترتیب برای سیگنال EMG حاصل از حرکت دورشدن (ابداکشن)، الکترود شماره 1 و 2 و برای حرکت خم‌شدن (فلکشن)، الکترود شماره 1 و 2 محاسبه شده‌اند.
2-3 آنالیز ویژگی‌ها و کلاس‌بندی
هدف از طبقه‌بندی، تفکیک دو حرکت دورشدن (ابداکشن) و خم‌شدن (فلکشن) بازو بر اساس ویژگی‌های استخراج‌شده از داده‌ها و تشخیص نوع حرکت برای داده‌های جدید، توسط طبقه‌بند میباشد. در این پژوهش، طبقه‌بندی حرکات بر اساس ویژگی‌های استخراج‌شده از داده‌ها به روش LDA [19] و [20] انجام شده که در این روش، مرز بین گروه‌های داده با خطوط مشخص می‌شود. طبقه‌بند LDA به صورت گسترده‌ای در طبقه‌بندی حرکات مورد استفاده قرار می‌گیرد [21].
ایده اصلی LDA، جستجوی ماتریس طرح‌ریزی است که مجموعه داده اصلی را در یک دستگاه مختصات جدید قرار می‌دهد. پس از اعمال الگوریتم LDA، حجم داده‌ها به اندازه کافی سبک شده و محاسبات به سادگی امکان‌پذیر خواهد بود [22]. این روش، نسبت پراکندگی بین کلاس به پراکندگی درون کلاس را به حداکثر می‌رساند تا به بیشترین میزان تفکیک‌پذیری دست یابد [23].
از مزایای استفاده از روش LDA می‌توان به پیاده‌سازی ساده و آسان، ساختار ساده و سرعت بالای آموزش آن اشاره کرد. در مقایسه این روش با شبکه‌های عصبی، می‌توان گفت که با به کارگیری ترکیبی از چند ویژگی، شبکه‌های عصبی دارای دقت بالاتر و انحراف استاندارد کمتری می‌باشند. اما ساختار شبکه‌های عصبی نسبت به طبقه‌بند LDA، پیچیده‌تر بوده و دارای حجم محاسباتی بالایی میباشد. همچنین دسترسی به دقت بالا در شبکه‌های عصبی نیازمند تعیین پارامترها و تنظیمات شبکه است [21].
شکل 5: ساختار مکانیکی بازوی رباتیک.
در این پژوهش، از روش اعتبارسنجی متقابل 
که 
میباشد، برای تقسیم‌بندی داده‌ها به دو گروه آموزشی11 و آزمایشی12 استفاده شده است. در این روش به صورت تصادفی، داده‌ها به 
گروه تقسیم می‌شوند که تعداد یکسانی از نمونه‌ها در هر گروه قرار می‌گیرند. سپس هر بار، 
زیرمجموعه به عنوان داده آموزشی و یک زیرمجموعه به عنوان داده آزمایشی استفاده می‌شود. این فرایند بار با تغییر داده‌های آموزشی و آزمایشی تکرار می‌گردد [24] و [25].
از آنجایی که دو حرکت در این پژوهش مورد بررسی قرار گرفته است، تعداد کلاس‌ها برابر با دو میباشد. برای ارزیابی کلاس‌بندی، ابتدا ماتریس‌های اغتشاش13 
برای هر یک از پنج نفر به دست آمده و سپس دو معیار دقت14 و ویژگی15 [26] و [27] برای هر نفر محاسبه شده است. میانگین دقت و ویژگی برای پنج نفر مورد آزمایش، به ترتیب 74/83% و 55/89% میباشد. با توجه به تعداد افراد، مقادیر مناسبی حاصل شده که نشان‌دهنده دقت بالای روش LDA میباشد.
3- مدلسازی بازوی رباتیک با دو درجه آزادی
به همراه طراحی کنترل‌کننده آن
برای استفاده از سیگنال EMG در کنترل بازوی رباتیک، ابتدا باید مدلسازی بازوی رباتیک بر اساس معادلات ریاضی انجام شده و مدل مناسب و دقیقی برای تکرار الگوی رفتاری بازو ایجاد شود.
3-1 مدلسازی بازوی رباتیک
مدلسازی با استفاده از بازوی رباتیک که ساختار آن به صورت شکل 5 میباشد و در آن دو مفصل به وسیله یک محور لولایی به هم و به زمین لخت متصل شده‌اند، انجام شده است. بازوهای این بازوی رباتیک به صورت میله‌های استوانه‌ای با قطر کم در نظر گرفته شده‌اند. زاویه بازوی دوم نسبت به بازوی اول سنجیده می‌شود [28].
اگر درجه آزادی بازوی رباتیک افزایش یابد، تعداد جملات معادلات دینامیک ربات بیشتر خواهد شد و حل تحلیلی عملاً غیر ممکن می‌گردد. بنابراین ایده استفاده از روش‌های عددی و تکراری مطرح می‌شود (مانند نیوتن- اویلر و ...) که این روش‌ها در صورت ایجاد کوچک‌ترین تغییری در ساختار بازو، نیاز به تکرار مجدد محاسبات خواهند داشت. بنابراین بهترین راه حل برای شبیهسازی بازوی رباتیک، استفاده از بسته‌های نرم‌افزاری مناسب میباشد که یکی از پرکاربردترین این بسته‌ها، محیط SIM-Mechanics در نرم‌افزار MATLAB است.
3-2 شبیهسازی یک ربات دو درجه آزادی به همراه کنترل‌کننده در نرم‌افزار MATLAB
در بخش قبل، مدلسازی ربات دو درجه آزادی مطرح گردید که این مدل می‌تواند به دقت در کتابخانه SIM-Mechanics در نرم‌افزار MATLAB/Simulink پیاده‌سازی شود. برای مدلسازی و کنترل ربات باید زوایای چرخشی آن در نظر گرفته شود. در شکل 6، بلوک دیاگرام شبیهسازی یک ربات دو درجه آزادی را می‌توان مشاهده نمود.
در این شبیهسازی برای حرکت‌دادن مفاصل از موتورهای DC و آمپلی‌فایر استفاده شده و مدلسازی اجزای مکانیکی سیستم، ممان اینرسی و گشتاورهای اجزا و عناصر نیز بر اساس کتابخانه SIM-Mechanics
و تحت بلوک Mechanical Robotic Arm صورت گرفته است. قیود مکانیکی مربوط به میزان جابه‌جایی اجزا و سایر موارد نیز در این مدلسازی لحاظ شده است. خروجی‌های بازوی رباتیک مکانیکی به عنوان فیدبک به سیستم کنترل ارسال می‌شوند. کنترل‌کننده تطبیقی مدل مرجع 16(MRAS) در بلوک Controller پیاده‌سازی شده و بنابراین کنترل‌کننده بر اساس سیگنال مرجع از بلوک Joint Angles Command و فیدبک حاصل از مدل مکانیکی، فرمان لازم برای موتورهای محرک مفاصل را ایجاد کرده و اثر چرخش موتورها در اجزای مکانیکی منجر به حرکت مفاصل می‌شود.
3-3 طراحی و پیاده‌سازی کنترل‌کننده PI و کنترل‌کننده تطبیقی مدل مرجع
در این بخش، روش طراحی و پیاده‌سازی کنترل‌کننده‌های PI و تطبیقی مدل مرجع تشریح می‌شود.
3-3-1 طراحی کنترل‌کننده PI
پیاده‌سازی کنترل‌کننده PI بر اساس بلوک PID دو درجه آزادی از سیمولینک MATLAB انجام شده است. پارامترهای اصلی کنترل‌کننده PI یعنی بهره تناسبی 
و بهره انتگرالی 
هستند. در این پژوهش، ابتدا از روش زیگلر نیکلز برای طراحی کنترل‌کننده استفاده شده است. با توجه به این که بازوی رباتیک دارای دو مفصل میباشد، برای هر مفصل یک کنترل‌کننده PI طراحی و پیاده‌سازی می‌شود. معیار تصدیق طراحی، دستیابی به حداکثر 5% فراجهش است. روش زیگلر نیکلز،
روشی سرانگشتی و تقریبی است و الزاماً به کنترل بهینه منتج نمی‌شود
و بنابراین در نهایت، طراحی کنترل‌کننده‌های مربوط به این مفاصل بر اساس PID-Tuner نرم‌افزار MATLAB انجام شده است.
3-3-2 طراحی کنترل‌کننده تطبیقی مدل مرجع
در این بخش طراحی کنترل‌کننده تطبیقی مدل مرجع، بر اساس روش لیاپانوف مورد بررسی قرار می‌گیرد. برای طراحی کنترل‌کننده تطبیقی مدل مرجع از روش‌های متنوعی شامل گرادیان، گرادیان نرمالیزه، لیاپانوف و پسویتی در تطبیق بهره استفاده می‌شود. روش لیاپانوف از این رو مورد استفاده قرار گرفته که مبتنی بر نظریه پایداری لیاپانوف بوده و پایداری حلقه بسته سیستم را تضمین می‌کند. ویژگی‌های ساختاری کنترل‌کننده تطبیقی مدل مرجع به روش لیاپانوف به شرح زیر است [29]:
[1] این مقاله در تاریخ 12 آبان ماه 1400 دریافت و در تاریخ 18 اردیبهشت ماه 1401 بازنگری شد.
مهسا برفی، دانشآموخته، گروه مهندسي برق، دانشکده فنی و مهندسی، دانشگاه بوعلیسینا، همدان، ايران، (email: m.barfi@eng.basu.ac.ir).
حمیدرضا کرمی (نویسنده مسئول)، گروه مهندسي برق، دانشکده فنی و مهندسی، دانشگاه بوعلیسینا، همدان، ايران، (email: hamidr.karami@basu.ac.ir).
الهام فراهی، دانشآموخته، گروه مهندسي برق، دانشکده فنی و مهندسی، دانشگاه بوعلیسینا، همدان، ايران، (email: elham.farahi1372@gmail.com).
فاطمه فریدی، دانشآموخته، گروه مهندسي برق، دانشکده فنی و مهندسی، دانشگاه بوعلیسینا، همدان، ايران، (email: fateme.faridi@gmail.com).
سید منوچهر حسینی پیلانگرگی، گروه مهندسي برق، دانشکده فنی و مهندسی، دانشگاه بوعلیسینا، همدان، ايران، (email: m.hosseini@basu.ac.ir).
[2] . Random Cross Validation
[3] . Chronological Handout Validation
[4] . Integral of Absolute Value
[5] . Zero Crossing
[6] . Variance
[7] . Median Frequency
[8] . Linear Discriminant Analysis
[9] . Anterior Deltoid
[10] . Medial Deltoid
[11] . Training Set
[12] . Test Set
[13] . Confusion Matrix
[14] . Accuracy
[15] . Specificity
[16] . Model Reference Adaptive System
شکل 6: بلوک دیاگرام شبیهسازی یک ربات دو درجه آزادی.
الف) شناسایی برخط و تنظیم و به روز رسانی پارامترهای کنترلی هم‌زمان با تغییرات سیستم یا تغییر نقطه کار
ب) تضمین پایداری و محدودبودن پارامترهای کنترلی (پارامترهای کنترلی به بی‌نهایت میل نمی‌کنند.)
در طراحی به روش لیاپانوف، ابتدا خطاي سيستم را به دست آورده و با تعريف يك تابع لياپانوف و برآورده‌كردن شروط پايداري مجانبي، يك مكانيزم تطابق به گونه‌اي طراحی می‌شود كه خطا به سمت صفر ميل كند. لازم به ذكر است كه در اين روش، همگرايي پارامترها لزوماً رخ نمي‌دهد، اما پارامترها كران‌دار باقی می‌مانند و پایداری حلقه بسته تضمین می‌شود. در این روش فرض می‌شود که تابع تبدیل معادل سیستم به صورت (5) است و تابع تبدیل مطلوب که هدفش، رساندن پاسخ به پاسخ حاصل از این تابع تبدیل است، به صورت (6) میباشد
(5)
(6)
در این روش خطا به صورت (7) تعریف می‌شود که به معنی اختلاف خروجی با خروجی مطلوب است
(7)
اگر پارامترها به مقدار مطلوب برسند (یعنی 
و 
)، (8) به صورت زیر بازنویسی می‌شود [30]
(8)
بنابراین منبعی برای ایجاد خطا وجود نخواهد داشت و در صورتی که مشتق یا دینامیک خطا به صفر برسد، میزان خطا نیز صفر می‌شود. بنابراین برای حل این مسئله، کنترل‌کننده به فرم کلی (9)، تابع لیاپانوف نیز به صورت (10)، مشتق آن به صورت (11) و قوانین تنظیم پارامترها به صورت (12) خواهد بود. قوانین تنظیم پارامترها، بر این اساس که مشتق تابع باید همواره منفی باشد تا خطا کاهش یابد، محاسبه می‌شوند. در این روش حتی اگر پارامترها همگرا نشوند، سیستم پایدار است. به علاوه چون مشتق دوم تابع لیاپانوف، تعریف‌شده و کران‌دار است، 
تابعی یکنواخت و پیوسته است و خطا به صفر میل می‌کند. در مقایسه قواعد تطابق با روش گرادیان، چون ورودی مرجع و خروجی فیلتر نشده‌اند، محاسبات این روش ساده‌تر از روش گرادیان است
(9)
(10)
(11)
(12)
در روابط فوق 
و 
پارامترهای کنترلی هستند که باید در فرایند طراحی، تنظیم، تعیین و به روز شوند. بنابراین برای طراحی کنترل‌کننده MRAS باید ابتدا مدل تابع تبدیل مرتبه یک برای سیستم شناسایی شود. سپس مطابق (5) تا (12) کنترل‌کننده طراحی گردد. برای این منظور می‌توان از همان توابع تبدیل شناسایی‌شده استفاده نمود که به ترتیب برای مفصل شماره 1 و مفصل شماره 2 بازوی رباتیک مطابق (13) و (14) یعنی 
و 
هستند. لازم به ذکر است که با توجه به اندک‌بودن میزان تأخیر تابع تبدیل نسبت به ثابت زمانی، از آن صرف نظر شده است
(13)
(14)
توابع تبدیل ایده‌آل متناظر با 
و 
نیز در (15) و (16) به صورت 
و 
ذکر شده‌اند. مبنای انتخاب این توابع تبدیل به عنوان توابع تبدیل ایده‌آل، کاهش ثابت زمانی و افزایش سرعت پاسخ سیستم است. همان طور که در (13) و (14) مشاهده می‌شود، ثابت زمانی مفصل 1 حدود 4 ثانیه و مفصل 2 حدود 3 ثانیه است. این ثابت زمانی برای بازوی ربات زیاد است و بهتر است با طراحی سیستم کنترل، کاهش یابد. ضمناً افزایش سرعت پاسخ سیستم نباید منجر به فراجهش و نوسان و افزایش خطای حالت ماندگار شود [29]
شکل 7: روندنمای روند انجام پژوهش و ایده پیشنهادی.
(15)
(16)
پیاده‌سازی کنترل‌کننده MRAS بر اساس نظریه لیاپانوف در نرم‌افزار MATLAB صورت گرفته است.
3-4 روندنمای روند انجام پژوهش و ایده پیشنهادی
با توجه به توضیحات ارائه‌شده، ایده پیشنهادی برای کنترل بازوی رباتیک بر مبنای سیگنالهای EMG به این صورت است: ابتدا داده‌های EMG مربوط به 2 حرکت بازو از عضلات افراد جمع‌آوری و پیش‌پردازش می‌گردد. سپس ویژگی‌های آنها استخراج شده و کلاس‌بندی به روش LDA جهت تشخیص حرکت بازو و سپس مدلسازی بازوی رباتیک صورت می‌گیرد. به منظور کنترل، ربات کنترل‌کننده تطبیقی مدل مرجع بر اساس داده‌های جمع‌آوری و تحلیل‌شده، طراحی می‌گردد. ایجاد فرمان و ارسال آنها به مدل و کنترل‌کننده صورت گرفته و در مرحله بعد، مدل و کنترل‌کننده شبیهسازی شده و داده‌های حاصل مورد پردازش و بررسی قرار می‌گیرند. برای ارزیابی ردیابی سیگنال مرجع، از معیار جذر میانگین مربعات خطا (RMSE) استفاده شده است. روندنمای روند انجام پژوهش و ایده پیشنهادی در شکل 7 آمده است.
4- شبیهسازی و تحلیل نتایج
در این بخش، کنترل‌کننده‌های MRAS و PI طراحی‌شده به مدل
به دست آمده، اعمال می‌شوند و نتایج شبیهسازی مورد بررسی و تحلیل قرار می‌گیرد. برای شبیهسازی حرکات دورشدن (ابداکشن) و خم‌شدن (فلکشن)، باید تغییر زوایای مفاصل ضمن انجام این حرکات بررسی شود. هر دو حرکت بازو شبیهسازی شده‌اند که نتایج شبیهسازی برای یکی از حرکات دورشدن (ابداکشن) در این قسمت شرح داده شده و نتایج عددی برای هر دو حرکت در مقاله ذکر گردیده است.
برای بررسی عملکرد سیستم، تغییرات زاویه مطلوب به صورت سیگنالهای از پیش تعریف شده‌ای در شبیهسازی در نظر گرفته شده است. این تغییرات بر اساس زوایای عضلات بازو در انجام دو حرکت
(الف)
(ب)
شکل 8: (الف) شبیهسازی حرکت دورشدن (ابداکشن) برای مفصل اول و (ب) نمودار خطای حرکت دورشدن (ابداکشن) برای مفصل اول.
(الف)
(ب)
شکل 9: (الف) شبیهسازی حرکت دورشدن (ابداکشن) برای مفصل دوم و (ب) نمودار خطای حرکت دورشدن (ابداکشن) برای مفصل دوم.
مذکور، تنظیم شده است. ردیابی این سیگنالهای مطلوب، معیار ارزیابی کنترل‌کننده خواهد بود.
در شکل‌های 8- الف و 9- الف، نتایج حاصل از اعمال کنترل‌کننده‌های
جدول 2: مقایسه RMSE داده‌های شبیهسازی برای دو کنترل‌کننده.
نوع حرکت | دورشدن (ابداکشن) | خم‌شدن (فلکشن) |
RMSE-PI | 4704/5 | 9879/3 |
PI و MRAS به مدل شبیهسازی برای حرکت دورشدن (ابداکشن) به ترتیب برای مفصل اول و مفصل دوم و در شکل‌های 8- ب و 9- ب، نمودار خطای این حرکت برای این دو مفصل نمایش داده شده است. در این حرکت، مفصل شماره 1 به میزان 90 درجه تغییر وضعیت می‌دهد اما مفصل شماره 2 در صفر درجه ثابت است. ضمناً در شکل‌های 8- الف و 9- الف، زاویه مرجع به رنگ قرمز و نتایج حاصل از کنترل‌کننده‌های PI و MRAS به ترتیب به رنگ‌های آبی و مشکی و در شکل‌های 8- ب و
9- ب، نمودار خطای حاصل از کنترل‌کننده‌های PI و MRAS به ترتیب به رنگ‌های قرمز و مشکی ترسیم شده‌اند. محور افقی، زمان بر حسب ثانیه و محور عمودی، زاویه مفاصل بر حسب درجه است. برای مشاهده دقیق‌تر زوایا، منحنی‌ها برای زمان صفر تا 16 ثانیه ترسیم شده‌اند.
همان طور که در شکل 8- الف مشاهده می‌شود، در شروع حرکت، کنترل‌کننده PI سریع‌تر از MRAS عمل کرده اما تا قبل از ثانیه 2، MRAS عقب‌افتادگی را جبران کرده و پاسخ خود را به پاسخ PI رسانده و حتی کمی زودتر از PI به مقدار نهایی رسیده است. میزان فراجهش و خطای حالت ماندگار کنترل‌کننده MRAS به شدت از PI کمتر است و کنترل‌کننده PI ضمن ثانیه 2 تا 4، به سختی توانسته پاسخ خود را به مقدار نهایی یعنی 90 درجه برساند. به طور کلی، تطابق پاسخ MRAS با سیگنال مرجع، بسیار بیشتر از PI است. بنابراین می‌توان مقایسه مناسبی بین دو کنترل‌کننده PI و کنترل‌کننده پیشنهادی MRAS بر مبنای نظریه لیاپانوف انجام داد. در این مقایسه، MRAS دارای مزایایی نسبت به PI است که در ذیل درج شده است:
1) میزان فراجهش و خطای حالت ماندگار کنترل‌کننده MRAS از کنترل‌کننده PI کمتر است.
2) تطابق پاسخ MRAS با سیگنال مرجع، بسیار بیشتر و سریع‌تر از PI است.
3) سرعت پاسخ کنترل‌کننده MRAS در مقایسه با PI مناسب‌تر است.
بنابراین ایده پیشنهادی یعنی طراحی کنترل‌کننده MRAS بر مبنای نظریه پایداری لیاپانوف و پیاده‌سازی آن برای مدل بازوی رباتیک، به نتایج مطلوبی منتج شده است. همچنین در این بخش، انطباق نتایج کنترل‌کننده PI و MRAS با سیگنال مرجع به صورت عددی مقایسه می‌شود. در جدول 2، RMSE-PI، میانگین مجذور مربعات خطا برای کنترل‌کننده PI و RMSE-MRAS میانگین مجذور مربعات خطا برای کنترل‌کننده MRAS است. مقادیر RMSE نشان‌دهنده انطباق بیشتر کنترل‌کننده MRAS با سیگنال مرجع است.
5- نتیجه‌گیری
در این پژوهش داده‌های EMG از بازوی انسان جمع‌آوری شده و پس از فیلترکردن با هدف رفع نویز، پردازش و ویژگی‌هایی از آنها استخراج شده است. سپس داده‌ها بر اساس این ویژگی‌ها طبقه‌بندی شده و نوع حرکت توسط طبقه‌بند LDA تشخیص داده می‌شود. در مرحله بعد، مدل بازوی رباتیک دو درجه آزادی و سپس کنترل‌کننده پیشنهادی یعنی کنترل‌کننده تطبیقی مدل مرجع طراحی و شبیهسازی شده و سپس سیگنال فرمان مناسب جهت انجام حرکت مربوطه به آن ارسال می‌شود. هر دو کنترل‌کننده‌های PI و MRAS مبتنی بر نظریه لیاپانوف برای مدلسازی توسعه‌یافته، طراحی شده‌اند. شبیهسازی بر مبنای هر دو کنترل‌کننده صورت گرفته و نتایج مقایسه شده‌اند. کنترل‌کننده PI، کنترل‌کننده‌ای ساده و کارامد میباشد اما امکان اشباع آن در برخی حرکات وجود دارد. در این مقایسه، MRAS دارای مزایایی نسبت به PI است که شامل این موارد میباشد: میزان فراجهش و خطای حالت ماندگار کنترل‌کننده MRAS از کنترل‌کننده PI کمتر، تطابق پاسخ MRAS با سیگنال مرجع، بسیار بیشتر و سریع‌تر از PI و سرعت پاسخ آن در مقایسه با PI مناسب‌تر است.
در واقع هدف از این پژوهش دستیابی به مدل و کنترل‌کننده‌ای است که رفتاری مشابه بازوی انسان ایجاد نماید و قادر به ردیابی حرکات بازوی انسان باشد که این هدف با استفاده از مدل ربات دو درجه آزادی و کنترل‌کننده تطبیقی مدل مرجع، محقق گردیده است. نتایج و مقادیر خطاهای حاصل‌شده نشان می‌دهند که انطباق رفتار مدل و کنترل‌کننده حاصل با الگوی از پیش تعریف شده حرکتی قابل توجه و مورد تأیید است.
مراجع
[1] P. Konrad, The ABC of EMG A Practical Introduction to Kinesiological Electromyography, pp. 4-6, Noraxon Inc. USA, 2005.
[2] J. Hamill and K. M. Knutzen, Biomechanical Basis of Human Movement, Lippincott Williams & Wilkins, Oct. 2006.
[3] G. Robertson, G. Caldwell, J. Hamill, G. Kamen, and S. Whittlesey, Research Methods in Biomechanics Human Kinetics, 2013.
[4] F. Sadikoglu, C. Kavalcioglu, and B. Dagman, "Electromyogram (EMG) signal detection, classification of EMG signals and diagnosis of neuropathy muscle disease," Procedia Computer Science, vol. 120, pp. 422-429, 2017.
[5] N. Feng, et al., "A soft robotic hand: design, analysis, sEMG control, and experiment," The International J. of Advanced Manufacturing Technology, vol. 97, pp. 319-333, 2018.
[6] G. Lisi, P. Belluco, D. Cattaneo, and G. Gini, "From the classification of EMG signals to the development of a new lower arm prosthesis," IFAC Proceedings Volumes, vol. 44, no. 1, pp. 6493-6498, Jan. 2011.
[7] E. Raveh, S. Portnoy, and J. Friedman, "Adding vibrotactile feedback to a myoelectric controlled hand improves performance when online visual feedback is disturbed," Human Movement Science, vol. 58, pp. 32-40, Apr. 2018.
[8] M. Tavakoli, C. Benussi, and J. L. Lourenco, "Single channel surface EMG control of advanced prosthetic hands: a simple, low cost and efficient approach," Expert Systems with Applications, vol. 79, pp. 322-332, 15 Aug. 2017.
[9] I. I. Borisov, O. V. Borisova, S. V. Krivosheev, R. V. Oleynik, and S. S. Reznikov, "Prototyping of EMG-controlled prosthetic hand with sensory system," IFAC-PapersOnLine, vol. 50, no. 1, pp. 16027-16031, Jul. 2017.
[10] P. K. Artemiadis and K. J. Kyriakopoulos, "EMG-based control of
a robot arm using low-dimensional embedding," IEEE Trans. on Robotics, vol. 26, no. 2, pp. 393-398, Apr. 2010.
[11] S. Javier Patricio Collahuazo and M. Esteban Fernando Ordoñez, "Design and construction of a robot hand activated by electromyographic signals," in Proc. IEEE Int. Symp. on Robotic and Sensors Environments Proceedings, pp. 25-30, Magdeburg, Germany, 16-18 Nov. 2012.
[12] M. Qingyun, Q. Meng, H. Yu, and X. Wei, "A survey on sEMG control strategies of wearable hand exoskeleton for rehabilitation," in Proc.2nd IEEE Asia-Pacific Conf. on Intelligent Robot Systems, ACIRS’17, pp. 165-169, Wuhan, China, 16-18 Jun. 2017.
[13] Z. Lu, K. Y. Tong, X. Zhang, S. Li, and P. Zhou, "Myoelectric pattern recognition for controlling a robotic hand: a feasibility study in stroke," IEEE Trans. on Biomedical Engineering, vol. 66, no. 2, pp. 365-372, Feb. 2018.
[14] M. Rossi, et al., "Preliminary results toward a naturally controlled multi-synergistic prosthetic hand," in Proc. IEEE Int. Conf. on Rehabilitation Robotics, ICORR’17, pp. 1356-1363, London, UK, 17-20 Jul. 2017.
[15] https://myndfitlife.com/big-shoulders-now-killing-exercises/
[16] MA-300 EMG System User Guide, Motion Lab Systems, Baton Rouge, LA, 2004.
[17] R. T. Floyd, Manual of Structural Kinesiology, 19th Ed., McGraw-Hill Education, New York, 2015.
[18] P. K. Artemiadis and K. J. Kyriakopoulos, "A switching regime model for the EMG-based control of a robot arm," IEEE Trans. on Systems, Man, and Cybernetics, Part B (Cybernetics), vol. 41, no. 1, pp. 53-63, Feb. 2010.
[19] X. Sheng, B. Lv, W. Guo, and X. Zhu, "Common spatial-spectral analysis of EMG signals for multiday and multiuser myoelectric interface," Biomedical Signal Processing and Control, vol. 53, Article ID: 101572, Aug. 2019.
[20] K. Englehart and B. Hudgins, "A robust, real-time control scheme for multifunction myoelectric control," IEEE Trans. on Biomedical Engineering, vol. 50, no. 7, pp. 848-854, Jul. 2003.
[21] A. Nazemi and A. Maleki, "Artificial neural network classifier in comparison with LDA and LS-SVM classifiers to recognize 52 hand postures and movements," in Proc. 4th IEEE Int.l Conf. on Computer and Knowledge Engineering, ICCKE’14, pp. 18-22, Mashhad, Iran, 29-30 Oct. 2014.
[22] D. P. Yang, et al., "An anthropomorphic robot hand developed based on underactuated mechanism and controlled by EMG signals," J. of Bionic Engineering, vol. 6, no. 3, pp. 255-263, Sept. 2009.
[23] I. I. Kuzborskij, A. Gijsberts, and B. Caputo, "On the challenge of classifying 52 hand movements from surface electromyography," in Proc. of Annual Int. Conf. of the IEEE Engineering in Medicine and Biology Society, pp. 4931-4937, San Diego, CA, USA, 28 Aug.-1 Sept. 2012.
[24] S. Saud, B. Jamil, Y. Upadhyay, and K. Irshad, "Performance improvement of empirical models for estimation of global solar radiation in India: a k-fold cross-validation approach," Sustainable Energy Technologies and Assessments, vol. 40, Article ID: 100768, Aug. 2020.
[25] M. A. Khan, et al., "Geopolymer concrete compressive strength via artificial neural network, adaptive neuro fuzzy interface system, and gene expression programming with K-fold cross validation," Front. Mater., vol. 8, Article ID: 62116, 3 May 2021.
[26] Y. Tang, Y. Q. Zhang, N. V. Chawla, and S. Krasser, "SVMs modeling for highly imbalanced classification," IEEE Trans. on Systems, Man, and Cybernetics, Part B (Cybernetics), vol. 39, no. 1, pp. 281-288, Feb. 2008.
[27] A. Prakash, A. K. Sahi, N. Sharma, and S. Sharma, "Force myography controlled multifunctional hand prosthesis for upper-limb amputees," Biomedical Signal Processing and Control, vol. 62, Article ID: 102122, Sept. 2020.
[28] P. K. Artemiadis and K. J. Kyriakopoulos, "EMG-based control of a robot arm using low-dimensional embeddings," IEEE Trans. on Robotics, vol. 26, no. 2, pp. 393-398, Apr. 2010.
[29] S. Sastry and M. Bodson, Adaptive Control: Stability, Convergence and Robustness, Courier Corporation, 2011.
[30] N. Wang, K. Lao, and X. Zhang, "Design and myoelectric control of an anthropomorphic prosthetic hand," J. of Bionic Engineering,
vol. 14, no. 1, pp. 47-59, Jan. 2017.
مهسا برفی مدارك كارشناسي مهندسي برق- گرایش الکترونیک و کارشناسی ارشد مهندسي برق- گرایش کنترل را از دانشگاه بوعلیسینا همدان به ترتیب در سالهای 1395 و 1399 دريافت نمود. زمينههاي علمي مورد علاقه نامبرده متنوع بوده و شامل موضوعاتي مانند پردازش سیگنالهای حیاتی، یادگیری ماشین، یادگیری عمیق، کنترل دست رباتیک و کنترل فازی و عصبی میباشد.
حمیدرضا کرمی مدرک کارشناسی مهندسی برق از دانشگاه بوعلی سینا، همدان، ایران، در سال 1383 و مدارک کارشناسی ارشد و دکترای خود را در رشته تحصیلی مخابرات از دانشگاه صنعتی امیرکبیر، تهران، ایران، به ترتیب در سالهای 1387 و 1392 دریافت نمود. دکتر کرمی به عنوان محقق مدعو در ژوئن سال 2013 در دانشگاه پلیتکنیک لوزان، سوئیس، مشغول شد. وی در حال حاضر دانشیار مهندسی برق، دانشگاه بوعلی سینا، همدان، ایران و یک محقق ارشد در EPFL است. او بیش از 80 مقاله علمی و کنفرانسی را تالیف کرده یا به صورت مشترک نوشته است. علایق تحقیقاتی او شامل سازگاری الکترومغناطیسی (EMC)، روش‌های محاسباتی در الکترومغناطیس، تکنیک‌های آزمایش غیرمخرب مایکروویو، و معکوس‌سازی زمان است..
الهام فراهی در سال 1394 مدرك كارشناسي مهندسي برق-گرایش الکترونیک- خود را از جهاد دانشگاهی همدان و در سال 1399 مدرك كارشناسي ارشد مهندسي برق-گرایش کنترل خود را از دانشگاه بوعلی سینا همدان دريافت نمود. زمينههاي علمي مورد علاقه نامبرده متنوع بوده و شامل موضوعاتي مانند پردازش سیگنالهای حیاتی، یادگیری ماشین، یادگیری عمیق، کنترل دست رباتیک و کنترل فازی و عصبی میباشد..
فاطمه فریدی مدارك كارشناسي مهندسي مکانیک-گرایش جامدات و کارشناسی ارشد ارشد بیومکانیک ورزشی را از دانشگاه بوعلیسینا همدان به ترتیب در سالهای 1376 و 1397 دريافت نمود. ایشان هم اکنون دانشجوی مقطع دکتری بیومکانیک ورزشی دانشگاه بوعلیسینا میباشد. زمينههاي علمي مورد علاقه نامبرده متنوع بوده و شامل موضوعاتي مانند پردازش سیگنالهای حیاتی، مدلسازی اسکلتی- عضلانی، نورومکانیک حرکت انسان و آناتومی بالینی میباشد.
سید منوچهر حسینی پیلانگرگی در سال 1385 مدرك كارشناسي مهندسي برق - الکترونیک خود را از دانشگاه علم و صنعت ایران و در سال های 1387 و 1394 مدرك كارشناسي ارشد و دکترای مهندسي برق خود را از دانشگاه تهران در گرایش افزارههای نیمههادی دريافت نمود. ایشان از سال 1394 عضو هیأت علمی در گروه برق دانشگاه بوعلی سینا میباشد. زمينههاي علمي مورد علاقه نامبرده متنوع است و بیشتر شبیهسازی ادوات نیمه هادی به ویژه مواد دو بعدی ميباشد.