دوره 23، شماره 30 - ( 11-1404 )
جلد 23 شماره 30 صفحات 25-1 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Mollahoseini paghale S, Fallahzade M, Amirseyfadini M. An Adaptive Closed-loop Control Based Machine Learning For Rehabilitation Parkinson’s Patients. RSMT 2026; 23 (30) :1-25
URL: http://jsmt.khu.ac.ir/article-1-575-fa.html
URL: http://jsmt.khu.ac.ir/article-1-575-fa.html
ملاحسینی پاقلعه سعید، فلاحزاده میلاد، امیرسیفالدینی محمدرضا. کنترل حلقه بسته تطبیقی مبتنی بر یادگیری ماشین برای توانبخشی بیماران پارکینسونی. پژوهش در طب ورزشی و فناوری. 1404; 23 (30) :1-25
دانشجوی دکترای بیومکانیک ورزشی، دانشگاه مازندران، مازندران، ایران. ، s.mollahoseini02@umz.ac.ir
چکیده: (6814 مشاهده)
مقدمه و اهداف: در دهههای گذشته کنترل لرزش دست در بیماریهای اختلالات عصبی مانند پارکینسون توجه زیادی را به خود جلب کرده است. تئوریهای روش تحریک عمیق مغزی بهصورت حلقه بسته بهطور قابلتوجهی در حال افزایش است. هدف از این مقاله، ارائه یک روش حلقه بسته خودکار برای توانبخشی بیماران پارکینسونی دارای علائم لرزش دست با استفاده از یادگیری ماشین است.
مواد و روش: در مقاله حاضر از مدل ریاضی که شامل مدل عضله، عقدههای قاعدهای (Basal ganglia)، قشر مغز و ناحیه حرکتی (Supplementary Motor Area) برای شبیهسازی لرزش استفادهشده است؛ و همچنین برای کنترل لرزش دست از کنترلکننده تناسبی-مشتقگیر-انتگرالگیر غیر صحیح (non-integer PID) و همچنین با استفاده از الگوریتم هوشمند Proximal Policy Optimization (PPO) بهعنوان زیرمجموعه یادگیری تقویتی برای تنظیم ضرایب استفادهشده است.
یافتهها: از مزایای روش پیشنهادی علاوه بر کاهش لرزش دست و یادگیری خودکار برای استفاده در سطحهای مختلف بیماری که نتایج قابل قبولی نسبت به سایر روشهای کنترلی داده است، پیادهسازی این روش بهصورت عملی در دنیای واقعی به دلیل سادگی کنترلکننده و همچنین پیادهسازی آسان الگوریتم هوشمند به دلیل تنظیم خودکار ضرایب شبکههای هوش مصنوعی است.
نتیجهگیری: سیستم هوشمند پیشنهادی علاوه بر بهینهسازی علائم خروجی مانند لرزش دست در مقایسه با سایر کنترلکنندهها و همچنین قابلاستفاده برای تمام سطوح بیماری به دلیل تطبیقی بودن آن، باعث کاهش چشمگیر اثرات جانبی ناشی از تحریک مداوم مغز در روش تحریک مغز بهصورت حلقه باز میشود.
مواد و روش: در مقاله حاضر از مدل ریاضی که شامل مدل عضله، عقدههای قاعدهای (Basal ganglia)، قشر مغز و ناحیه حرکتی (Supplementary Motor Area) برای شبیهسازی لرزش استفادهشده است؛ و همچنین برای کنترل لرزش دست از کنترلکننده تناسبی-مشتقگیر-انتگرالگیر غیر صحیح (non-integer PID) و همچنین با استفاده از الگوریتم هوشمند Proximal Policy Optimization (PPO) بهعنوان زیرمجموعه یادگیری تقویتی برای تنظیم ضرایب استفادهشده است.
یافتهها: از مزایای روش پیشنهادی علاوه بر کاهش لرزش دست و یادگیری خودکار برای استفاده در سطحهای مختلف بیماری که نتایج قابل قبولی نسبت به سایر روشهای کنترلی داده است، پیادهسازی این روش بهصورت عملی در دنیای واقعی به دلیل سادگی کنترلکننده و همچنین پیادهسازی آسان الگوریتم هوشمند به دلیل تنظیم خودکار ضرایب شبکههای هوش مصنوعی است.
نتیجهگیری: سیستم هوشمند پیشنهادی علاوه بر بهینهسازی علائم خروجی مانند لرزش دست در مقایسه با سایر کنترلکنندهها و همچنین قابلاستفاده برای تمام سطوح بیماری به دلیل تطبیقی بودن آن، باعث کاهش چشمگیر اثرات جانبی ناشی از تحریک مداوم مغز در روش تحریک مغز بهصورت حلقه باز میشود.
نوع مطالعه: پژوهشي |
موضوع مقاله:
بیومکانیک ورزشی
دریافت: 1403/7/14 | پذیرش: 1404/2/22 | انتشار: 1404/11/10
دریافت: 1403/7/14 | پذیرش: 1404/2/22 | انتشار: 1404/11/10
فهرست منابع
1. Santillán, M., R. Hernández-Pérez, and R. Delgado-Lezama, A numeric study of the noise-induced tremor in a mathematical model of the stretch reflex. Journal of theoretical biology, 2003. 222(1): p. 99-115. doi.org/10.1016/S0022-5193(03)00016-X [DOI:10.1016/S0022-5193(03)00016-X]
2. Rouhollahi, K., et al., Designing a robust backstepping controller for rehabilitation in Parkinson's disease: a simulation study. IET systems biology, 2016. 10(4): p. 136-146. doi: 10.1049/iet-syb.2015.0068 [DOI:10.1049/iet-syb.2015.0068]
3. de Paor, A.M. and M.M. Lowery, Analysis of the mechanism of action of deep brain stimulation using the concepts of dither injection and the equivalent nonlinearity. IEEE Transactions on Biomedical Engineering, 2009. 56(11): p. 2717-2720. doi: 10.1109/TBME.2009.2019962 [DOI:10.1109/TBME.2009.2019962]
4. Faraji, B., et al., Optimal Canceling of the Physiological Tremor for Rehabilitation in Parkinson's disease. Journal of Exercise Science and Medicine, 2019. 11(2): p. 113-124. doi: 10.32598/JESM.11.2.7 [DOI:10.32598/JESM.11.2.7]
5. Dobkin, R.D., et al., Telephone-based cognitive-behavioral therapy for depression in Parkinson disease. Journal of Geriatric Psychiatry and Neurology, 2011. 24(4): p. 206-214. doi.org/10.1177/0891988711422529 [DOI:10.1177/0891988711422529]
6. Awantha, W., et al. A novel soft glove for hand tremor suppression: Evaluation of layer jamming actuator placement. in 2020 3rd IEEE International Conference on Soft Robotics (RoboSoft). 2020. IEEE. doi: 10.1109/RoboSoft48309.2020.9115994 [DOI:10.1109/RoboSoft48309.2020.9115994]
7. Mertz, L., Taking on essential tremor: new tools and approaches offer patients increased treatment options. IEEE pulse, 2016. 7(3): p. 20-25. doi: 10.1109/MPUL.2016.2538481 [DOI:10.1109/MPUL.2016.2538481]
8. Gheisarnejad, M., et al., A Close loop multi-area brain stimulation control for Parkinson's Patients Rehabilitation. IEEE Sensors Journal, 2019. 20(4): p. 2205-2213. doi: 10.1109/JSEN.2019.2949862 [DOI:10.1109/JSEN.2019.2949862]
9. Faraji, B., et al., An Adaptive ADRC Control for Parkinson's Patients Using Machine Learning. IEEE Sensors Journal, 2020. doi:10.1109/JSEN.2020.3048588 [DOI:10.1109/JSEN.2020.3048588]
10. Faraji, B., et al., Smart Sensor Control for Rehabilitation in Parkinson's Patients. IEEE Transactions on Emerging Topics in Computational Intelligence, 2021. doi: 10.1109/TETCI.2020.3045483 [DOI:10.1109/TETCI.2020.3045483]
11. Rouhollahi, K., et al., Design of robust adaptive controller and feedback error learning for rehabilitation in Parkinson's disease: a simulation study. IET systems biology, 2017. 11(1): p. 19-29. doi: 10.1049/iet-syb.2016.0014 [DOI:10.1049/iet-syb.2016.0014]
12. Ferleger, B., et al., Fully implanted adaptive deep brain stimulation in freely moving essential tremor patients. Journal of Neural Engineering, 2020. 17(5): p. 056026. doi.org/10.1088/1741-2552/abb416 [DOI:10.1088/1741-2552/abb416]
13. Aghababa, M.P., Optimal design of fractional-order PID controller for five bar linkage robot using a new particle swarm optimization algorithm. Soft Computing, 2016. 20(10): p. 4055-4067. doi.org/10.1007/s00500-015-1741-2 [DOI:10.1007/s00500-015-1741-2]
14. Mohammadi, M., et al., Semisupervised deep reinforcement learning in support of IoT and smart city services. IEEE Internet of Things Journal, 2017. 5(2): p. 624-635. doi:10.1109/JIOT.2017.2712560 [DOI:10.1109/JIOT.2017.2712560]
15. Rose, L., M.C. Bazzocchi, and G. Nejat, A model-free deep reinforcement learning approach for control of exoskeleton gait patterns. Robotica, 2021: p. 1-26. doi.org/10.1017/S0263574721001600 [DOI:10.1017/S0263574721001600]
16. Wang, X., et al., Deep reinforcement learning-based rehabilitation robot trajectory planning with optimized reward functions. Advances in Mechanical Engineering, 2021. 13(12): p. 16878140211067011. doi.org/10.1177/16878140211067011 [DOI:10.1177/16878140211067011]
17. Fischer, F., et al., Reinforcement learning control of a biomechanical model of the upper extremity. Scientific Reports, 2021. 11(1): p. 1-15. doi.org/10.1038/s41598-021-93760-1 [DOI:10.1038/s41598-021-93760-1]
18. Xu, J., et al., A robotic system with reinforcement learning for lower extremity hemiparesis rehabilitation. Industrial Robot: the international journal of robotics research and application, 2021. doi.org/10.1108/IR-10-2020-0230 [DOI:10.1108/IR-10-2020-0230]
19. Nahvi, A., F. Bahrami, and S. Hemmati, INVESTIGATING DIFFERENT TARGETS IN DEEP BRAIN STIMULATION ON PARKINSON'S DISEASE USING A MEAN-FIELD MODEL OF THE BASAL GANGLIA-THALAMOCORTICAL SYSTEM. Journal of Mechanics in Medicine and Biology, 2012. 12(02): p. 1240004. doi.org/10.1142/S0219519412400040 [DOI:10.1142/S0219519412400040]
20. Pooyan, M. and F. Ghoreishian, An Improved Modeling of Parkinson's Tremor and Investigation of Some Approaches to Remove this Symptom. International Journal of Engineering Transactions B: Applications, 2021. 34(5).. doi.org/10.5829/ije.2021.34.05b.20 [DOI:10.5829/ije.2021.34.05b.20]
21. MashhadiMalek, M., et al., Are rigidity and tremor two sides of the same coin in Parkinson's disease? Computers in Biology and Medicine, 2008. 38(11-12): p. 1133-1139. doi.org/10.1016/j.compbiomed.2008.08.007 [DOI:10.1016/j.compbiomed.2008.08.007]
22. Haeri, M., Y. Sarbaz, and S. Gharibzadeh, Modeling the Parkinson's tremor and its treatments. Journal of theoretical biology, 2005. 236(3): p. 311-322. doi.org/10.1016/j.jtbi.2005.03.014 [DOI:10.1016/j.jtbi.2005.03.014]
23. Tang, Y., et al., Optimum design of fractional order PIλDμ controller for AVR system using chaotic ant swarm. Expert Systems with Applications, 2012. 39(8): p. 6887-6896. doi.org/10.1016/j.eswa.2012.01.007 [DOI:10.1016/j.eswa.2012.01.007]
24. Gheisarnejad, M. and M.H. Khooban, Design an optimal fuzzy fractional proportional integral derivative controller with derivative filter for load frequency control in power systems. Transactions of the Institute of Measurement and Control, 2019. 41(9): p. 2563-2581. doi.org/10.1177/0142331218804309 [DOI:10.1177/0142331218804309]
25. Du, W. and S. Ding, A survey on multi-agent deep reinforcement learning: from the perspective of challenges and applications. Artificial Intelligence Review, 2021. 54(5): p. 3215-3238. doi.org/10.1007/s10462-020-09938-y [DOI:10.1007/s10462-020-09938-y]
26. Ceron, J.S.O. and P.S. Castro. Revisiting rainbow: Promoting more insightful and inclusive deep reinforcement learning research. in International Conference on Machine Learning. 2021. PMLR. doi.org/10.48550/arXiv.2011.14826
27. Yoo, H., et al., Reinforcement learning based optimal control of batch processes using Monte-Carlo deep deterministic policy gradient with phase segmentation. Computers & Chemical Engineering, 2021. 144: p. 107133. doi: 10.1016/j.compchemeng.2020.107133 [DOI:10.1016/j.compchemeng.2020.107133]
28. Zimmer, M. and P. Weng, Exploiting the sign of the advantage function to learn deterministic policies in continuous domains. arXiv preprint arXiv:1906.04556, 2019. doi.org/10.48550/arXiv.1906.04556 [DOI:10.24963/ijcai.2019/625]
29. Rehan, M. and K.-S. Hong, Modeling and automatic feedback control of tremor: adaptive estimation of deep brain stimulation. PLoS One, 2013. 8(4): p. e62888. doi.org/10.1371/journal.pone.0062888 [DOI:10.1371/journal.pone.0062888]
30. Bellini, G., et al., Clinical impact of deep brain stimulation on the autonomic system in patients with Parkinson's disease. Movement Disorders Clinical Practice, 2020. 7(4): p. 373-382.. doi.org/10.1002/mdc3.12938 [DOI:10.1002/mdc3.12938]
31. Rouhollahi, K., et al., Rehabilitation of the Parkinson's tremor by using robust adaptive sliding mode controller: a simulation study. IET Systems Biology, 2019. 13(2): p. 92-99. doi: 10.1049/iet-syb.2018.5043 [DOI:10.1049/iet-syb.2018.5043]
32. Sharma, R., P. Gaur, and A. Mittal, Performance analysis of two-degree of freedom fractional order PID controllers for robotic manipulator with payload. ISA transactions, 2015. 58: p. 279-291. doi.org/10.1016/j.isatra.2015.03.013 [DOI:10.1016/j.isatra.2015.03.013]
33. Faraji, B., et al., Optimal Canceling of the Physiological Tremor for Rehabilitation in Parkinson's disease. Journal of Exercise Science and Medicine, 2019. 11(2): doi.org/10.32598/JESM.11.2.7 [DOI:10.32598/JESM.11.2.7]
34. Han, S.-Y. and T. Liang, Reinforcement-Learning-Based Vibration Control for a Vehicle Semi-Active Suspension System via the PPO Approach. Applied Sciences, 2022. 12(6): p. 3078. doi.org/10.3390/app12063078 [DOI:10.3390/app12063078]
35. Hajihosseini, M., et al., DC/DC power converter control-based deep machine learning techniques: Real-time implementation. IEEE Transactions on Power Electronics, 2020. 35(10): p. 9971-9977. doi: 10.1109/TPEL.2020.2977765 [DOI:10.1109/TPEL.2020.2977765]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
