دانشگاه علوم پزشکی شهید بهشتی دوماهنامه علمی - پژوهشی طب توانبخشی 2251-8401 4 1 2015 03 21 Optimization and control of gait rehabilitation robot بهینه سازی و کنترل ربات توانبخش راه رفتن 49 62 1100008 10.22037/jrm.2015.1100008 FA سید محمدعلی بندگان ابطحی 1. دانشجوی کارشناسی ارشد گروه مکانیک، دانشکده فنی و مهندسی، دانشگاه اصفهان. اصفهان. ایران نیما جمشیدی 2. دکتری مهندسی پزشکی، استادیار گروه مهندسی پزشکی، دانشکده فنی و مهندسی، دانشگاه اصفهان. اصفهان. ایران پیمان معلم 3. دکتری برق، دانشیار گروه مهندسی برق، دانشگاه اصفهان. اصفهان. ایران آرام قاضی عسگر 4. دانشجوی کارشناسی ارشد گروه مکانیک، دانشکده مکانیک، دانشگاه صنعتی اصفهان. اصفهان. ایران مرتضی آبدار اصفهانی 5. داﻧﺸﻴﺎر ﮔﺮوه ﻗﻠﺐ و ﻋﺮوق. داﻧﺸﮕﺎه ﻋﻠﻮم ﭘﺰﺷﻜﻲ اﺻﻔﻬﺎن. اصفهان. ایران Journal Article 2014 07 20 Background and Aim: In many fields of rehabilitation robotics, desired torque would be obtained by considering dynamics of the actuators. Also, dynamic model of many actuators is hard to approach and it has been neglected in many researches that cause the considerable disadvantages in general results. . The aim of this study is to optimize the performance of gait rehabilitation robot. <br />Materials and Methods: Kinematic data obtained from 10 patients, including joint angles, angular velocity and angular acceleration that eighty data recorded in a walk cycle and applied as inputs to the neural network. Then, performance of a NARMA-L2 controller for actuators of the biped walking robot is shown. It is noticeable that the controller is learned by LM algorithm and three evolutionary algorithms; PSO, GA and ICA. For controlling the robot walking, two kinds of dc motors are used. These actuators improve control of the biped robot by tracking the required torques for a human walk cycle as a reference model by neural network in two ways; offline and online. <br />Results: In this research, gait recovery system is introduced that the dynamics of the actuators are considered. Finally, reducing dimensions of the neural network hardware and using the evolutionary algorithms, respectively, reduces costs and increases accuracy of the rehabilitation biped robot based on reducing the minimum mean square error of 20 times after learning of neural network. <br />Conclusion: This system would be effective in promoting gait recovery. Helping the recovery of patient using robotic system and muscle compensation was the predictive goals of manufacturing of the system. The simple structure of neural network, negligible tracking error and high speed system recognition are the factors that make it the best system recognition in this field. مقدمه و اهداف <br />در بسیاری از زمینه‌های مربوط به روباتیک در زمینه توانبخشی، تولید گشتاور مطلوب و دقیق با در نظر گرفتن دینامیک موتورها تحقق پیدا می‌کند. در عمل دینامیک موتورها ممکن است ناشناخته باشد و به همین دلیل بسیاری محققان از دینامیک موتورها صرف‌نظر می‌کنند که می‌تواند اثر قابل‌توجهی در نتایج کلی داشته باشد.  هدف از این تحقیق، بهینه­سازی عملکرد ربات­های توانبخش راه رفتن می­باشد. <br />مواد و روش ها <br />اطلاعات سینماتیکی بدست آمده از 10 نفر شامل زوایای مفصل، سرعت زاویه­ای و شتاب زاویه­ای، می­باشد که هشتاد داده در یک سیکل راه رفتن ثبت شده و به عنوان ورودی به شبکه عصبی اعمال می­شود. سپس عملکرد یک کنترلر NARMA-L2 شبکه عصبی با آموزش توسط سه الگوریتم تکاملی ازدحام ذرات، الگوریتم ژنتیک و رقابت استعماری  را برای موتورهای ربات توانبخش راه رونده دوپا نشان می‌دهد. موتور به دو صورت آنلاین و آفلاین با دنبال کردن گشتاورهای راه رفتن انسان به عنوان مدل مرجع توسط شبکه عصبی باعث بهبود در کنترل ربات دوپا می‌شود. <br />یافته ها <br />در این تحقیق، به معرفی دستگاهی برای بهبود راه رفتن پرداخته شده که برخلاف دستگاه‌های قبلی دینامیک موتورها لحاظ گردیده و کاهش ابعاد قسمت سخت‌افزاری شبکه عصبی و استفاده از الگوریتم‌های آموزشی تکاملی به ترتیب باعث کاهش قیمت و افزایش دقت  بر اساس کاهش حداقل مربعات خطا بعد از میانگین از 20 بار آموزش شبکه عصبی، در ربات توانبخش دوپا شده­ است. <br />بحث و نتیجه گیری <br />این سامانه باعث بهبود عملکرد و رفع ناتوانی فرد دچار سکته می‌شود و توانایی شخص را در راه رفتن بهبود می‌بخشد. کاهش فشار  به تاندون‌ها و کمک به بهبود بیماری با استفاده از سامانه روباتیک از جمله اهدافی پیش بینی شده برای ساخت دستگاه بوده است. ساختار ساده شبکه عصبی، خطای بسیار پایین در دنبال کردن مسیر و سرعت بالای شناسایی سیستم، همه عواملی هستند که باعث شده شبکه عصبی بهترین ساختار برای شناسایی سیستم باشد. https://medrehab.sbmu.ac.ir/article_1100008_54c96665af6b431b761be23745a2783a.pdf