مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

1,699
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

906
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

تشخیص و پیش بینی خستگی عضلانی حین تایپ بوسیله سیگنال های الکترومایوگرافی سطحی و شبکه عصبی مصنوعی

صفحات

 صفحه شروع 31 | صفحه پایان 40

کلیدواژه

الکترومایوگرافی سطحی (SEMG)Q1

چکیده

 مقدمه: آسیب ناشی از کشش های تکراری یکی از مشکلات شایع در زمینه بیماری های شغلی است. ریسک فاکتورهای فیزیکی مرتبط با کار شامل تکرار, ارتعاش و وضعیت نامناسب اندام ها از عوامل بروز آسیب ها و اختلالات اسکلتی-عضلانی مزمن هستند. کار با رایانه به عنوان یک عمل تکراری با نیروی انقباضی سطح پائین که نیاز به حفظ وضعیت بدن به مدت طولانی دارد, باعث خستگی عضلانی می شود. خستگی عضلانی در نواحی شانه و بازو یکی از شایع ترین مشکلات گزارش شده در مورد کاربران رایانه و به ویژه فعالیت حین تایپ است. از سیگنال های الکترومایوگرافی سطحی (SEMG) به عنوان یک روش غیرتهاجمی برای تشخیص خستگی عضلانی استفاده می شود.مواد و روشها: در این تحقیق به بررسی خستگی عضلانی حین تایپ پرداخته شده است. برای این منظور پس از ثبت سیگنال های EMG از 9 سوژه سالم در موقعیت عضله -trapezius که در معرض خستگی عضلانی حین تایپ است- و پردازش سیگنال و استخراج ویژگی های مناسب به تشخیص و پیش بینی خستگی عضلانی با استفاده از شبکه عصبی مصنوعی MLP پرداخته شده است.نتایج: سیگنال های SEMG ثبت شده حین تایپ, در حوزه های زمان و فرکانس مورد پردازش و استخراج ویژگی قرار گرفت. نتایج طبقه بندی این سیگنال ها با استفاده از شبکه عصبی مصنوعی نشان داد که سیستم طراحی شده قادر به تشخیص و پیش بینی وضعیت خستگی عضلانی حین تایپ با صحت تفکیک %80.79±1.04 می باشد.بحث و نتیجه گیری: طبقه بندی و پیش بینی هوشمند و خودکار خستگی عضلانی کاربردهای گسترده ای در مهندسی فاکتورهای انسانی (ارگونومی), مهندسی توانبخشی و طراحی دستگاه ها و تجهیزات بیوفیدبک به منظور کاهش آسیب ناشی از کارهای تکراری با اعلام هشدارهای مناسب دارد.

استنادها

  • ثبت نشده است.
  • ارجاعات

  • ثبت نشده است.
  • استناددهی

    APA: کپی

    قوچانی، الهام، راحتی قوچانی، سعید، راوری، محمد، و حسینی، حسین اصغر. (1390). تشخیص و پیش بینی خستگی عضلانی حین تایپ بوسیله سیگنال های الکترومایوگرافی سطحی و شبکه عصبی مصنوعی. مجله فیزیک پزشکی ایران، 8(1 (پیاپی 30))، 31-40. SID. https://sid.ir/paper/96994/fa

    Vancouver: کپی

    قوچانی الهام، راحتی قوچانی سعید، راوری محمد، حسینی حسین اصغر. تشخیص و پیش بینی خستگی عضلانی حین تایپ بوسیله سیگنال های الکترومایوگرافی سطحی و شبکه عصبی مصنوعی. مجله فیزیک پزشکی ایران[Internet]. 1390؛8(1 (پیاپی 30)):31-40. Available from: https://sid.ir/paper/96994/fa

    IEEE: کپی

    الهام قوچانی، سعید راحتی قوچانی، محمد راوری، و حسین اصغر حسینی، “تشخیص و پیش بینی خستگی عضلانی حین تایپ بوسیله سیگنال های الکترومایوگرافی سطحی و شبکه عصبی مصنوعی،” مجله فیزیک پزشکی ایران، vol. 8، no. 1 (پیاپی 30)، pp. 31–40، 1390، [Online]. Available: https://sid.ir/paper/96994/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

  • ثبت نشده است.
  • طرح های مرتبط

  • ثبت نشده است.
  • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button