توسعه یک سیستم کنترل جدید برای یک ربات توانبخشی با استفاده از توموگرافی امپدانس الکتریکی و هوش مصنوعی

عنوان فارسی مقاله:توسعه یک سیستم کنترل جدید برای یک ربات توانبخشی با استفاده از توموگرافی امپدانس الکتریکی و هوش مصنوعی

چکیده

در این مطالعه، ما یک سیستم کنترل مبتنی بر توموگرافی را برای یک ربات توانبخشی با استفاده از یک رویکرد جدید برای ارزیابی پیشرفت و یک مدل پویا از سیستم ارائه می‌کنیم. در این مدل، گشتاور تولید شده توسط ربات و امپدانس دست بیمار برای تعیین هر مرحله از توانبخشی استفاده می‌شود. در معماری کنترل پیشنهادی، یک مدل رگرسیون بر اساس استخراج سیگنال‌های توموگرافی برای تخمین وضعیت ماهیچه‌ها توسعه و اجرا می‌شود. در طول جلسه توانبخشی، گشتاور اعمال شده توسط بیمار بر اساس این تخمین تنظیم می‌شود. اولین مرحله این پروتکل محاسبه پارامترهای موضوعی خاص است. این‌ها شامل آفست محور، پارامترهای اینرسی، میرایی غیرفعال و سختی است. مرحله دوم شامل شناسایی سایر عناصر مدل، مانند گشتاور حاصل از اندرکنش است. در این حالت ربات گشتاور تولید شده توسط بیمار را محاسبه می‌کند. راه حل مبتنی بر ربات توسعه یافته و پروتکل پیشنهادی بر روی شرکت کنندگان مختلف آزمایش شد و نتایج بهتری را نشان داد. ابتدا، پیش‌بینی رابطه امپدانس-موقعیت مورد ارزیابی قرار گرفت و پیش‌بینی خطای کمتر از ۲ درصد بود. سپس شرکت کنندگان مختلف با امپدانس‌های مختلف مورد آزمایش قرار گرفتند و نتایج نشان داد که سیستم کنترل نیرو و موقعیت را برای هر شرکت کننده به صورت جداگانه کنترل می‌کند.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Development of a New Control System for a Rehabilitation Robot Using Electrical Impedance Tomography and Artificial Intelligence

Abstract

In this study, we present a tomography-based control system for a rehabilitation robot using a novel approach to assess advancement and a dynamic model of the system. In this model, the torque generated by the robot and the impedance of the patient’s hand are used to determine each step of the rehabilitation. In the proposed control architecture, a regression model is developed and implemented based on the extraction of tomography signals to estimate the muscles state. During the rehabilitation session, the torque applied by the patient is adjusted according to this estimation. The first step of this protocol is to calculate the subject-specific parameters. These include the axis offset, inertia parameters, passive damping and stiffness. The second step involves identifying the other elements of the model, such as the torque resulting from interaction. In this case, the robot will calculate the torque generated by the patient. The developed robot-based solution and the suggested protocol were tested on different participants and showed promising results. First, the prediction of the impedance–position relationship was evaluated, and the prediction was below 2% error. Then, different participants with different impedances were tested, and the results showed that the control system controlled the force and position for each participant individually.