این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی مکانیک مدرس، جلد ۱۷، شماره ۹، صفحات ۱-۱۲
عنوان فارسی کنترل مایوالکتریک تناسبی و برخط درجات ‌آزادی شانه یک ربات انسان‌نما با استفاده از سیگنال‌های الکترومایوگرام
چکیده فارسی مقاله در این مقاله یک الگوریتم دو مرحله‌ای برای کنترل مایوالکتریک تناسبی بازوی ربات انسان‌نمای سورنا 3 ارائه می‌شود که از ترکیب نقاط قوت روش‌های کنترلی مطرح در این حوزه یعنی کنترل الگو محور و کنترل همزمان تناسبی برای افزایش دقت تخمین‌ها استفاده می‌کند. هدف از این تحقیق، ارائه یک واسط کاربری انسان-ربات می‌باشد که بین فعالیت‌های الکتریکی ماهیچه‌ای که به سیگنال‌های الکترومایوگرام معروف هستند و زوایای درجات آزادی مفصل شانه متناظر با این ماهیچه‌ها نگاشتی ایجاد کند. در مرحله اول از این الگوریتم، با استفاده از الگوریتم آنالیز تفکیک مربعی و الگوریتم رأی اکثریت، درجه آزادی فعال در هر لحظه شناسایی می‌شود. در این مقاله الگوریتم‌های طبقه بندی معروف در حوزه کنترل مایوالکتریک به همراه بردار مشخصه‌هایی متشکل از مشخصه‌های حوزه‌های زمان و فرکانس برای رسیدن به روش طبقه بندی آنالیز تفکیک مربعی با دقت بالای 97% و یک بردار مشخصه برتر بررسی شده‌اند. در مرحله دوم، با استفاده از نتیجه مرحله اول، یک شبکه عصبی با تأخیر زمانی در ورودی از بین چهار شبکه آموزش دیده برای هر چهار کلاس حرکتی مفصل شانه انتخاب می‌شود. این شبکه برای تخمین زاویه متناظر با سیگنال الکترومایوگرام همان درجه‌آزادی بکار می‌رود. مدل شبکه عصبی و آنالیز تفکیک در ابتدا با استفاده از داده‌های خارج ازخط آموزش می‌بینند و با استفاده از داده‌های برخط تست می‌شوند. دقت بدست آمده از تخمین زوایا مفاصل در حالت خارج ازخط و برخط و شبیه‌سازی مقاومت این روش در برابر تعدادی اغتشاش خارجی، حاکی از پیشرفت چشمگیری در این حوزه می‌باشد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Online proportional myoelectric control of a humanoid shoulder motions using electromyogram signals
چکیده انگلیسی مقاله This paper proposes a two phase strategy for proportional myoelectric control of Surena 3 humanoid robot which benefits from strength of two common myoelectric control methods, Pattern recognition base and simultaneous proportional control, for improving joint angle estimation. The aim of this research is to present a human-robot interface to create a mapping between electrical activities of muscles known as electromyogram (EMG) signals and kinematics of corresponding motion. First phase concerns with motion classification using Quadratic Discriminant Analysis (QDA) and Majority Voting (MV). Several common motion classification algorithms and feature vectors including time domain and frequency domain futures were investigated which lead to QDA and a superior feature vector with more than 97% classification accuracy. The second phase concerns with continuous angle estimation of shoulder joint motion classes using Time Delayed Artificial Neural Network (TDANN) with overall accuracy of 90% R2. QDA serves as a high level controller which decides between four TDANN correspond to each shoulder motion classes. QDA and TDANN models trained with several sets of offline data and were tested with online dataset. Online and offline data estimation accuracy and model robustness against disturbances show a significant improvement compared to similar methods in this field.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله آرمین احرامپوش |
طراحی کاربردی، دانشکده مکانیک، دانشگاه تهران، تهران، ایران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

عقیل یوسفی کما | yousefi koma
رئیس مرکز سیستم ها و فناوری های پیشرفته دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

سید موسی آیتی | seyed mousa
عضو هیئت علمی دانشکده مکانیک دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

سعید محتسبی |
عضو هیئت علمی دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

نشانی اینترنتی http://mme.modares.ac.ir/article_17331_9b9fdf8b14bb8cc66190dbaa2f6ad5a2.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1256/article-1256-427470.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات