طراحی کنترلر برای اصلاح سفتی عضله با استفاده از مدل هاي عضله در بیماران پارکینسون
مهران حاجی سقطی
مهندسی مکانیک
۱۴۰۱
۱۲۲ص.
سی دی
کارشناسی ارشد
مهندسی پزشکی گرایش بیومکانیک
۱۴۰۱/۰۶/۱۶
بیماری پارکینسون پس از آلزایمر شايع ترین بیماری مخرب اعصاب (نورودژنراتیو) به شمار می رود. این بیماری دارای علائم حركتي منحصر به فردی می باشد که عمدتاً میتوان به ترمور و سفتی اشاره كرد .سفتی (هایپرتونیا) يا تن عضلانی افزایش یافته می باشد، دليل اصلي رخداد سفتی در واقع ارسال پالس هاي تحريكي انقباضي اشتباه از جانب مغز (جسم سياه) به علت كاهش انتفال دهنده عصبي ، دوپامين میباشد.در بررسي ها و مطالعات گذشته يكي از راهكار هاي كاهش سفتي (ريجيديتي) در عضلات استفاده از كنترلر ها بوده كه در تمرين هاي توانبخشي براي پاركينسون كابرد دارد با توجه به ماهيت پيچيده سفتی عضلات در پاركينسون ، تاكنون مطالعات كمي بر روي آن انجام شده است بنابراين براي آنكه بتوان دقت و درستي كنترلر را بررسي كرد نياز داريم كه از يك مدل مناسب عضله براي آن استفاده كنيم لذا در اين پژوهش با ارائه يك مدل مناسب براي عضله در حالت سالم و سفتی و طراحي كنترلر روي مدل عضله نتايج مطلوبي را به دست آورده ايم در ابتدا با توجه به ماهيت سفتی عضلات از يك شبكه عصبي براي بررسي نرخ هاي آتش در پالس تحريك انقباض عضله استفاده كرديم و با بررسي تعداد اين نرخ ها نتايج را بر روي مدل عضله هيل اعمال كرديم سپس بر روي عناصر انقباضي مدل ،كنترلر مناسب را قرار داديم.فيدبك خروجي كنترلر را به عنوان سيگنالي براي كاهش اثر سفتی عضله بررسي كرديم . با توجه به بررسي هاي پژوهش در مورد مدل هاي عضله ما مدل عضله هيل را مدلي مناسب با توجه به بيان واضح ويژگي هاي انقباض ایزوتونیک و ایزومتریک عضله پيشنهاد ميكنيم در كنترلر طراحي شده خروجي شبكه عصبي را با توجه به محدوديت هاي مطالعات باليني به عنوان مرجع مطالعات سيستم طراحي شده قرار داده ايم كه در طراحي شبكه از EMG هاي مربوط به انقباضات عضلات فلكسو و اكستنسور دست استفاده كرده ايم لذا استفاده از شبكه عصبي براي بررسي سفتی عضلات را پيشنهاد ميكنيم كنترلر طراحي شده صرف نظر از يك مورد اكستنسور دست تقريبا در تمامي حركات دست در حالت انقباض شديد عضله نتايج مطلوبي را ارائه كرده است كه ميتوان از اين كنترلر براي كمك به اثرگذاري مطلوب تر تمرين هاي توانبخشي ويژه پاركينسون استفاده كرد
AbstractParkinson's disease is the most common neurodegenerative disease after Alzheimer's. This disease has unique movement symptoms, which can mainly be referred to as tremors and stiffness. The stiffness (hypertonia) or increased muscle tone, the main reason for the occurrence of stiffness is actually the sending of wrong contraction stimulus pulses from the brain (substantia nigra). ) due to the reduction of the neurotransmitter, dopamine. In past investigations and studies, one of the solutions to reduce stiffness in muscles is the use of controllers, which is used in rehabilitation exercises for Parkinson's due to the complex nature of muscle stiffness in Parkinson's, so far few studies have been done on it, therefore, in order to check the accuracy and correctness of the controller, we need to use a suitable muscle model for it. Stiffness and controller design on the muscle model, we have obtained favorable results. At first, considering the nature of muscle stiffness, we used a neural network to investigate the firing rates in the muscle contraction stimulation pulse, and by examining the number of these rates, we obtained the results on the model. We applied Hill's muscle, then on the contraction elements of the model, controller M We placed the Nasib. We examined the output feedback of the controller as a signal to reduce the effect of muscle stiffness. According to the research studies on muscle models, we suggest the Hill muscle model as a suitable model due to the clear expression of the isotonic and isometric muscle contraction characteristics in the designed controller of the neural network output according to the limitations of clinical studies as a reference. We have put the studies of the designed system in the design of the network from the EMGs related to the contractions of the flexor and extensor muscles of the hand, so we suggest the use of the neural network to check the stiffness of the muscles, regardless of the hand extensor case, in almost all Hand movements in the state of intense muscle contraction have provided favorable results that this controller can be used to help improve the effectiveness of special Parkinson's rehabilitation exercises.
Design of a controller to improve muscle rigidity using the muscle models in Parkinson's patients