Modelado por redes neuronales del sistema neuromusculoesquelético del miembro superior
Resumen
El siguiente trabajo consiste en la creación de un modelo no paramétrico por medio de un algoritmo de identificación usando una red neuronal diferencial (RND). El proceso de entrenamiento se realiza mediante los datos obtenidos de la base de datos U-LIMB, de la que se obtienen las señales de entrada y salida, las cuales corresponden a las señales de electromiografía y las trayectorias de movimiento respectivamente. Por medio de estos datos, las leyes de aprendizaje basadas en la estabilidad de Lyapunov adaptan los pesos que ajustan la RND. Una vez entrenada la RND, se obtiene un modelo capaz de mapear en línea señales de electromiografía en su correspondiente trayectoria angular proporcionada por un proceso de cinemática inversa. Una vez realizada la simulación haciendo uso de un modelo de miembro superior virtual, se demostró el uso de las trayectorias angulares identificadas haciendo uso de un control proporcional derivativo que garantiza el seguimiento de la trayectoria del brazo virtual en relación señales de EMG especificas que ingresan a la RND.
Descargas
Citas
Alfaro-Ponce, M. y Chairez, I. (2020). Continuous and recurrent pattern dynamic neural networks recognition of electrophysiological signals. Biomedical Signal Processing and Control, 57:101783.
Averta, G., Barontini, F., Catrambone, V., Haddadin, S., Handjaras, G., Held, J. P., Hu, T., Jakubowitz, E., Kanzler, C. M., y Kühn, Johannes, t. (2021). Ulimb: A multi-modal, multi-center database on arm motion control in healthy and post-stroke conditions. GigaScience, 10(6).
Ayala, H. V. H., Habineza, D., Rakotondrabe, M., y dos Santos Coelho, L. (2020). Nonlinear black-box system identification through coevolutionary algorithms and radial basis function artificial neural networks. Applied Soft Computing, 87:105990.
Azhiri, R. B., Esmaeili, M., y Nourani, M. (2021). Real-time emg signal classification via recurrent neural networks. En 2021 IEEE International Conference on Bioinformatics and Biomedicine (BIBM), pp. 2628–2635. IEEE.
Berning, J., Francisco, G. E., Chang, S.-H., Fregly, B. J., y O’Malley, M. K. (2021). Myoelectric control and neuromusculoskeletal modeling: Complementary technologies for rehabilitation robotics. Current Opinion in Biomedical Engineering, 19:100313.
Chen, J. y Qiao, H. (2020). Muscle-synergies-based neuromuscular control for motion learning and generalization of a musculoskeletal system. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 51(6):3993–4006.
Cotter, N. E. (1990). The Stone-Weierstrass theorem and its application to neural networks. IEEE Transactions on Neural Network, 1:290–295.
Cybenko, G. (1989). Approximation by Superpositions of a Sigmoidal Function. Mathematics of control, signals and systems, 2(4):303–314.
De Groote, F. y Falisse, A. (2021). Perspective on musculoskeletal modelling and predictive simulations of human movement to assess the neuromechanics of gait. Proceedings of the Royal Society B, 288(1946):20202432.
Foroutannia, A., Akbarzadeh-T, M.-R., Akbarzadeh, A., y Tahamipour-Z, S. M. (2023). Adaptive fuzzy impedance control of exoskeleton robots with electromyography based convolutional neural networks for human intended trajectory estimation. Mechatronics, 91:102952.
Khalifa, Y., Mandic, D., y Sejdi´c, E. (2021). A review of hidden markov models and recurrent neural networks for event detection and localization in biomedical signals. Information Fusion, 69:52–72.
Khalil, H. K. (2015). Nonlinear control, volumen 406. Pearson New York.
Lozano, A., Ballesteros, M., Cruz-Ortiz, D., y Chairez, I. (2022). Active neck orthosis for musculoskeletal cervical disorders rehabilitation using a parallel mini-robotic device. Control Engineering Practice, 128:105312.
Lynn, H. M., Pan, S. B., y Kim, P. (2019). A deep bidirectional gru network model for biometric electrocardiogram classification based on recurrent neural networks. IEEE Access, 7:145395–145405.
Muñoz, M. P. B. y Rodarte, I. T. (2019). Estudio cualitativo de la discapacidad en México: Una perspectiva familiar.
Nelles, O. (2020). Nonlinear system identification: from classical approaches to neural networks, fuzzy models, and gaussian processes. Springer Nature.
Olsson, F., Halvorsen, K., y Åberg, A. C. (2021). Neuromuscular controller models for quantifying standing balance in older people: A systematic review. IEEE Reviews in Biomedical Engineering, 16:560–578.
Poznyak, A. (2008). Advanced Mathematical Tools for Automatic Control Engineers: Volume 1: Deterministic Systems, volumen 1. Elsevier Science.
Poznyak, A. S., Sanchez, E. N., y Yu, W. (2001). Differential neural networks for robust nonlinear control: identification, state estimation and trajectory tracking. World Scientific.
Roy, S., Kiral-Kornek, I., y Harrer, S. (2019). Chrononet: a deep recurrent neural network for abnormal eeg identification. En Artificial Intelligence in Medicine: 17th Conference on Artificial Intelligence in Medicine, AIME 2019,
Poznan, Poland, June 26–29, 2019, Proceedings 17, pp. 47–56. Springer.
Spong, M. W., Hutchinson, S., y Vidyasagar, M. (2020). Robot modeling and control. John Wiley & Sons.
Xie, Y. Y. y Djurdjanovic, D. (2021). Monitoring of human neuromusculoskeletal system performance through model-based fusion of electromyogram signals and kinematic/dynamic variables. Structural Health Monitoring, 20(3):804–817.
Xu, S., Wang, Z., Sun, J., Zhang, Z., Wu, Z., Yang, T., Xue, G., y Cheng, C. (2020). Using a deep recurrent neural network with eeg signal to detect parkinson’s disease. Annals of translational medicine, 8(14).
Zhou, J., Dong, L., Guan, W., y Yan, J. (2019). Impact load identification of nonlinear structures using deep recurrent neural network. Mechanical Systems and Signal Processing, 133:106292.
Derechos de autor 2023 Ulises Villela-Zúñiga, Manuela Gómez-Correa, Mariana Felisa Ballesteros-Escamilla, David Cruz-Ortiz, Iván de Jesús Salgado-Ramos
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-SinObrasDerivadas 4.0.
