استفاده از ترکیب الگوریتم ژنتیک و شبکه های عصبی مصنوعی برای پیش بینی نیروی گاز گرفتن از روی سیگنال الکترومایوگرام

Authors

Abstract:

Human mastication is a common rhythmic behavior and a complex biomechanical process which is hard to reproduce. Today, investigating the relation between electrical activity of muscles and force signals is of high importance in many applications including gait analysis, orthopedics, rehabilitation, ergonomic design, haptic technology, tele-presence surgery and human-machine interaction. Surface electrodes have many advantages over force sensors which are often expensive and of massive structure, two of which are less expensive and portable. Since the biting force is too difficult to be measured, in this paper, we aim to investigate the ability of a Multi-Layer Perceptron artificial neural network (MLPANN) and Radial Basis Function artificial neural network (RBFANN) to predict the biting force of incisor teeth based on surface electromyography (EMG) signals. RBFANN and MLPANN are two of the most widely used neural network architecture. These two methods are both known as universal approximates for nonlinear input-output mapping. To do this, biting force and EMG signals from the masticatory muscles were recorded and used as output and input of neural networks, respectively. Genetic algorithm was applied to find the best structure for ANNs and the appropriate total time-delay of EMGs. Results show that the EMG signals recorded from aforementioned muscles contain useful information about the biting force. Furthermore, they indicate that MLPANN and RBFANN can detect the dynamics of the system with good precision. The mean percentage error in the training and validation phase is %2.3 and %19.4 for MLPANN and %8.3 and %22.7 for RBFANN, sequentially. Also the variance analysis technique shows that there is no significant difference between results achieved through MLPANN and RBFANN. The provided analysis will aid researchers in characterizing and investigating the mastication process, through the specification of SEMG signal patterns and the observation of the resulting biting force. Such models can provide clinical insight into the development of more effective rehabilitation therapies, and can aid in assessing the effects of an intervention. This methodology can be applied to any tele-operated robot or orthotic device (exoskeleton), either for rehabilitation or extension of human ability.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

کاربردی از ترکیب الگوریتم ژنتیک و شبکه های عصبی مصنوعی برای بر آورد مصرف گاز طبیعی در ایران

هدف اصلی این تحقیق، بررسی تقاضای گاز طبیعی در ایران با استفاده از ساختار صنعت و شرایط اقتصادید ایران می باشد.. مدل ها به دو شکل (نمایی و خطی) ارائه شده اند و برای برآورد تقاضای گاز طبیعی در ایران مورد استفاده قرار می گیرند. این مدل ها برای برآورد میزان تقاضای گاز طبیعی در آینده براساس شاخص های جمعیت، تولید ناخالص داخلی و ارقام وارداتی و صادراتی گسترش یافته اند. مصرف گاز طبیعی در ایران از سال 19...

full text

پیش بینی مصرف انرژی بخش کشاورزی ایران با استفاده از مدل ترکیبی الگوریتم ژنتیک و شبکه های عصبی مصنوعی

هدف از این مقاله ارزیابی الگوی ترکیبی شبکه­های عصبی مصنوعی و الگوریتم ژنتیک در پیش بینی تقاضای انرژی بخش کشاورزی ایران می­باشد. برای این منظور، از داده­های سالانه مصرف انرژی بخش کشاورزی کشور به عنوان متغیر خروجی مدل­های پیش­بینی و از داده­های سالانه جمعیت کل کشور و کل تولیدات بخش کشاورزی کشور به عنوان متغیرهای ورودی مدل­های پیش­بینی استفاده شد. در پایان به منظور مقایسه نتایج پیش­بینی مدل ترکیبی...

full text

مدل سازی و پیش بینی کارایی بانک های دولتی و خصوصی ایران با استفاده از مدل های شبکه عصبی مصنوعی، شبکه عصبی فازی و الگوریتم ژنتیک

دستیابی به رشد مستمر و مداوم اقتصادی و به موجب آن توسعه اقتصادی را می توان از زمره اهدافی قلمداد نمود که تمام کشورها در پی دستیابی به آن می باشند. در این راستا بانک ها نقش بسیار مهمی در پیشرفت و توسعه اقتصادی هر کشور ایفا می نمایند. در حال حاضر با توجه به تعداد قابل توجه بانک های دولتی و خصوصی در کشور پیش بینی کارایی آن ها اهمیت ویژه ای پیدا کرده است. هدف از این پژوهش، مدلسازی و پیش بینی کارایی...

full text

کاربردی از ترکیب الگوریتم ژنتیک و شبکه های عصبی مصنوعی برای بر آورد مصرف گاز طبیعی در ایران

هدف اصلی این تحقیق، بررسی تقاضای گاز طبیعی در ایران با استفاده از ساختار صنعت و شرایط اقتصادید ایران می باشد.. مدل ها به دو شکل (نمایی و خطی) ارائه شده اند و برای برآورد تقاضای گاز طبیعی در ایران مورد استفاده قرار می گیرند. این مدل ها برای برآورد میزان تقاضای گاز طبیعی در آینده براساس شاخص های جمعیت، تولید ناخالص داخلی و ارقام وارداتی و صادراتی گسترش یافته اند. مصرف گاز طبیعی در ایران از سال 19...

full text

پیش بینی مشخصات پرش هیدرولیکی بر روی بستر زبر با استفاده از شبکه عصبی مصنوعی و برنامه ریزی ژنتیک

در تحقیق حاضر مشخصات پرش هیدرولیکی با تحلیل عمق و طول غلتان پرش بر روی بسترهای زبرکه بصورت تابعی از ارتفاع زبری و عدد فرود بالادست می­باشد با استفاده از مدل شبکه­عصبی و برنامه­ریزی ژنتیک شبیه­سازی گردید. عدد فرود اولیه جریان در محدوده 9/1 تا 10 و زبری نسبی بستر در محدوده 085/0 تا 025/2 قرار داشت. در کل تعداد 454 داده مشاهداتی پرش هیدرولیکی برای آموزش وتست مدل های شبکه عصبی و برنامه­ریزی ژنتیک (...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 14  issue 1

pages  41- 52

publication date 2017-06

By following a journal you will be notified via email when a new issue of this journal is published.

Keywords

No Keywords

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023