دانشگاه مازندران ، s.mollahoseini02@umz.ac.ir
چکیده: (2774 مشاهده)
مقدمه و اهداف: در دهه های گذشته کنترل لرزش دست در بیماری های اختلالات عصبی مانند پارکینسون توجه زیادی را به خود جلب کرده است. تئوری های روش تحریک عمیق مغزی به صورت حلقه بسته به طور قابل توجهی در حال افزایش است. هدف از این مقاله، ارایه یک روش حلقه بسته خودکار برای توانبخشی بیماران پارکینسونی دارای علایم لرزش دست با استفاده از یادگیری ماشین است.
مواد و روش: در مقاله حاضر از مدل ریاضی که شامل مدل عضله، عقده های قاعده ای (Basal ganglia)، قشر مغز و ناحیه حرکتی (Supplementary Motor Area) برای شبیه سازی لرزش استفاده شده است. و همچنین برای کنترل لرزش دست از کنترل کننده تناسبی-مشتق گیر-انتکرال گیر غیر صحیح (non-integer PID) و همچنین با استفاده از الگوریتم هوشمند Proximal Policy Optimization (PPO) به عنوان زیر مجموعه یادگیری تقویتی برای تنظیم ضرایب استفاده شده است.
یافته ها: از مزایای روش پیشهادی علاوه بر کاهش لرزش دست و یادگیری خودکار برای استفاده در سطح های مختلف بیماری که نتایج قابل قبولی نسبت به سایر روش های کنترلی داده است، پیاده سازی این روش به صورت عملی در دنیای واقعی به دلیل سادگی کنترل کننده و همچنین پیاده سازی آسان الگوریتم هوشمند به دلیل تنظیم خودکار ضرایب شبکه های هوش مصنوعی است.
نتیجه گیری: سیستم هوشمند پیشنهادی علاوه بر بهینه سازی علایم خروجی مانند لرزش دست در مقایسه با سایر کنترل کننده ها و همچنین قابل استفاده برای تمام سطوح بیماری به دلیل تطبیقی بودن آن، باعث کاهش چشمگیر اثرات جانبی ناشی از تحریک مداوم مغز در روش تحریک مغز به صورت حلقه باز می شود.
کلمات کلیدی: اختلال پارکینسونی، تحریک عمیق مغزی، یادگیری ماشین، یادگیری تقویتی، PPO
چکیده
مقدمه و اهداف: در دهه های گذشته کنترل لرزش دست در بیماری های اختلالات عصبی مانند پارکینسون توجه زیادی را به خود جلب کرده است. تئوری های روش تحریک عمیق مغزی به صورت حلقه بسته به طور قابل توجهی در حال افزایش است. هدف از این مقاله، ارایه یک روش حلقه بسته خودکار برای توانبخشی بیماران پارکینسونی دارای علایم لرزش دست با استفاده از یادگیری ماشین است.
مواد و روش: در مقاله حاضر از مدل ریاضی که شامل مدل عضله، عقده های قاعده ای (Basal ganglia)، قشر مغز و ناحیه حرکتی (Supplementary Motor Area) برای شبیه سازی لرزش استفاده شده است. و همچنین برای کنترل لرزش دست از کنترل کننده تناسبی-مشتق گیر-انتکرال گیر غیر صحیح (non-integer PID) و همچنین با استفاده از الگوریتم هوشمند Proximal Policy Optimization (PPO) به عنوان زیر مجموعه یادگیری تقویتی برای تنظیم ضرایب استفاده شده است.
یافته ها: از مزایای روش پیشهادی علاوه بر کاهش لرزش دست و یادگیری خودکار برای استفاده در سطح های مختلف بیماری که نتایج قابل قبولی نسبت به سایر روش های کنترلی داده است، پیاده سازی این روش به صورت عملی در دنیای واقعی به دلیل سادگی کنترل کننده و همچنین پیاده سازی آسان الگوریتم هوشمند به دلیل تنظیم خودکار ضرایب شبکه های هوش مصنوعی است.
نتیجه گیری: سیستم هوشمند پیشنهادی علاوه بر بهینه سازی علایم خروجی مانند لرزش دست در مقایسه با سایر کنترل کننده ها و همچنین قابل استفاده برای تمام سطوح بیماری به دلیل تطبیقی بودن آن، باعث کاهش چشمگیر اثرات جانبی ناشی از تحریک مداوم مغز در روش تحریک مغز به صورت حلقه باز می شود.
مواد و روش: در مقاله حاضر از مدل ریاضی که شامل مدل عضله، عقده های قاعده ای (Basal ganglia)، قشر مغز و ناحیه حرکتی (Supplementary Motor Area) برای شبیه سازی لرزش استفاده شده است. و همچنین برای کنترل لرزش دست از کنترل کننده تناسبی-مشتق گیر-انتکرال گیر غیر صحیح (non-integer PID) و همچنین با استفاده از الگوریتم هوشمند Proximal Policy Optimization (PPO) به عنوان زیر مجموعه یادگیری تقویتی برای تنظیم ضرایب استفاده شده است.
یافته ها: از مزایای روش پیشهادی علاوه بر کاهش لرزش دست و یادگیری خودکار برای استفاده در سطح های مختلف بیماری که نتایج قابل قبولی نسبت به سایر روش های کنترلی داده است، پیاده سازی این روش به صورت عملی در دنیای واقعی به دلیل سادگی کنترل کننده و همچنین پیاده سازی آسان الگوریتم هوشمند به دلیل تنظیم خودکار ضرایب شبکه های هوش مصنوعی است.
نتیجه گیری: سیستم هوشمند پیشنهادی علاوه بر بهینه سازی علایم خروجی مانند لرزش دست در مقایسه با سایر کنترل کننده ها و همچنین قابل استفاده برای تمام سطوح بیماری به دلیل تطبیقی بودن آن، باعث کاهش چشمگیر اثرات جانبی ناشی از تحریک مداوم مغز در روش تحریک مغز به صورت حلقه باز می شود.
کلمات کلیدی: اختلال پارکینسونی، تحریک عمیق مغزی، یادگیری ماشین، یادگیری تقویتی، PPO
چکیده
مقدمه و اهداف: در دهه های گذشته کنترل لرزش دست در بیماری های اختلالات عصبی مانند پارکینسون توجه زیادی را به خود جلب کرده است. تئوری های روش تحریک عمیق مغزی به صورت حلقه بسته به طور قابل توجهی در حال افزایش است. هدف از این مقاله، ارایه یک روش حلقه بسته خودکار برای توانبخشی بیماران پارکینسونی دارای علایم لرزش دست با استفاده از یادگیری ماشین است.
مواد و روش: در مقاله حاضر از مدل ریاضی که شامل مدل عضله، عقده های قاعده ای (Basal ganglia)، قشر مغز و ناحیه حرکتی (Supplementary Motor Area) برای شبیه سازی لرزش استفاده شده است. و همچنین برای کنترل لرزش دست از کنترل کننده تناسبی-مشتق گیر-انتکرال گیر غیر صحیح (non-integer PID) و همچنین با استفاده از الگوریتم هوشمند Proximal Policy Optimization (PPO) به عنوان زیر مجموعه یادگیری تقویتی برای تنظیم ضرایب استفاده شده است.
یافته ها: از مزایای روش پیشهادی علاوه بر کاهش لرزش دست و یادگیری خودکار برای استفاده در سطح های مختلف بیماری که نتایج قابل قبولی نسبت به سایر روش های کنترلی داده است، پیاده سازی این روش به صورت عملی در دنیای واقعی به دلیل سادگی کنترل کننده و همچنین پیاده سازی آسان الگوریتم هوشمند به دلیل تنظیم خودکار ضرایب شبکه های هوش مصنوعی است.
نتیجه گیری: سیستم هوشمند پیشنهادی علاوه بر بهینه سازی علایم خروجی مانند لرزش دست در مقایسه با سایر کنترل کننده ها و همچنین قابل استفاده برای تمام سطوح بیماری به دلیل تطبیقی بودن آن، باعث کاهش چشمگیر اثرات جانبی ناشی از تحریک مداوم مغز در روش تحریک مغز به صورت حلقه باز می شود.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
