ترجمه مقاله مهندسی پزشکی 2017|تجزیه‌ی چندکاناله‌ی سیگنال‌های EMG درون ماهیچه‌ای

true

1964413 ترجمه مقاله مهندسی پزشکی 2017|تجزیه‌ی چندکاناله‌ی سیگنال‌های EMG درون ماهیچه‌ای

ترجمه مقاله مهندسی پزشکی 2017|تجزیه‌ی چندکاناله‌ی سیگنال‌های EMG درون ماهیچه‌ای

ترجمه مقاله مهندسی پزشکی: تجزیه‌ی چندکاناله‌ی سیگنال‌های EMG درون ماهیچه‌ای توسط جداسازی کور منابع بر اساس ایستان گردشی

تعداد صفحات ترجمه شده 27

فرمت فایل ترجمه شده word

لینک مقاله اصلی

دانلود ترجمه

ترجمه مقاله 2017 ieee یک روش مبتنی بر چگالی برای خوشه بندی پتانسیل واحد حرکتی عضلات

1- مقدمه

انقباض ماهیچه‌ای توسط واحد‌های کاربردی –واحد‌های حرکتی (MU) ]1[- ایجاد می‌شود که ترکیبی از نورون‌های حرکتی (MN) است که گروهی از الیاف ماهیچه‌ای را برانگیخته می‌کند. MNها، ایمپالس‌های الکتریکی یا به عبارتی، پتانسیل‌های حرکتی (AP) را تولید می‌کنند، که باعث تحریک الیاف ماهیچه‌ای می‌شود. نیروی انقباض با بکارگیری تعدادی از MUها و تراکم APها در قطاری از هر MU (نرخ کد کردن[1])، کنترل می‌شود ]2[.

تراکم APها می‌تواند توسط فواصل بین-اسپایکی (ISI)[2] یا با ارزش معکوس آن که به عنوان نرخ اخراج[3] (FR) شناخته می‌شود، تعیین گردد. این کمیت‌ها می‌تواند به روش آنی، یا با مقادیر متوسط، یا از طریق توزیع[4] آن‌ها تعیین شود. سیگنال EMG شامل مجموعِ قطارهای MUAP (MUAPt) مربوط به MUهای فعال است. شناسایی MUAPt از EMG امکان می‌دهد که هدایت‌های عصبی به ماهیچه‌ها شناسایی شوند. این فرایند اغلب تجزیه کردن EMG نامیده می‌شود و یک دید کلی از فیزیک واحد حرکتی و کنترل عصلیِ حرکت را در اختیار می‌گذارد ]3 و 4[. علاوه بر بررسی‌های فیزیولوژی عصلی، تجزیه‌ی EMG یک ارتباط بالینی را نشان می‌دهد]5[.

در این مقاله، ما مشکلات تجزیه‌ی EMG را بررسی می‌کنیم. روش‌های تجزیه‌ی درون ماهیچه‌ای EMG به دهه‌ی 1970 بر می‌گردد. در روش‌های ابتدایی، کاربر معمولا مجبور به انتخاب دستی و طبقه بندی MUAPهای اشکارسازی شده داشت تا بتواند MUAPt را شناسایی کند ]6-8[. بعدها، روش‌های خودکار توسعه یافتند که تماما بر مبنای طبقه بندی شکل موج MUAP بودند ]9-20[. محدودیت اصلی این روش ها، مشکل بودن طبقه بندی MUAPها در هنگام روی هم افتادگی بر حسب زمانِ ان‌ها است. این مسئله به کرات اتفاق می‌افتد، مخصوصا وقتی که نیروهای انقباضی بزرگ باشند ]21 و 22[. اخیرا، چالشِ تجزیه‌ی سطحی EMG با روش‌های جداسازی کور منبع (BSS) مواجه شده است ]23-34[. روش BSS اخیرا برای تجزیه‌ی سیگنال‌های EMG درون ماهیچه‌ای چندکاناله نیز استفاده شده است ]35[.

در اینجا، ما یک ایستان گردشی[5] جدید که مبتنی بر روش تجزیه‌ی BSS است را برای EMG درون ماهیچه‌ای چندکاناله را پیشنهاد می‌کنیم، که با داده‌های تجربی و ‌شبیه‌سازی شده مورد ارزیابی قرار گرفته است. در بخش 2، مدل EMG را که برای تجزیه استفاده خواهد شد را تشریح می‌کنیم. در بخش 3، ابتدا مبنای تئوری BSS را ارائه می‌دهیم و سپس آن را برای مدل ترکیبی EMG، به عنوان یک مدل ترکیبیِ آنیِ خطی، فرمول نویسی می‌کنیم. در بخش 4، ایستان گردشی خودمان را که مبتنی بر روش تجزیه است را ارائه می‌دهیم. و در نهایت کار را با ارزیابی این روش، و با توجه به سیگنال‌های آشکارسازی شده‌ی EMG درون ماهیچه‌ای که از ‌شبیه‌سازی و آزمایشات تجربی با الکترود سیمی چندکاناله بدست امده، به پایان می‌بریم.

Introduction

The muscle contraction is generated by functional units — the motor units (MU, [1]) — each composed of a motoneuron (MN) innervating a group of muscle fibers. MNs generate electrical impulses, the action potentials (AP), which induce the activation of muscle fibers. The contraction force is controlled by the number of recruited MUs (recruitment) and by the density of APs within the train of each MU (rate coding) [2].

The density of APs can be quantified by the inter-spike interval (ISI) or by its inverse value which is referred to as the firing rate (FR). These quantities can be defined in an instantaneous way, or with average values, or through their distributions. The EMG signal comprises the sum of the MUAP trains (MUAPt) of the active MUs. The identification of the MUAPt from the EMG provides the means to identify the neural drive to muscles. This procedure is often termed decomposition of the EMG and has provided fundamental insights into motor unit physiology and neural control of movement [3][4]. In addition to basic neurophysiologic investigations, decomposition of the EMG has also clinical relevance [5].

Acknowledgments The present work is part of the French national project ECOTECH (www.echotechsan.org) which is supported by the French National Agency for research, contract no ANR-12-TECS-0020. The work was also partly funded by the European Research Council (ERC) via the ERC Advanced Grant DEMOVE (No. 267888; to DF). The authors are grateful to Silvia Muceli for providing the experimental data.

In this paper, we address the problem of EMG decomposition. Methods for intramuscular EMG decomposition date back to the 70’s. In the earlier approaches, the user usually had to manually select and classify the detected MUAPs in order to identify the MUAPt [6], [7], [8]. Later, automatic methods were developed, all based on MUAP waveform classification [9], [10], [11], [12], [13], [14], [15], [16], [17], [18], [19], [20]. The major limitation of these methods is the difficulty in classifying MUAPs when they appear superimposed in time. This happens frequently, especially for high contraction forces [21][22]. More recently, the challenge of surface EMG decomposition has been faced with blind source separation (BSS) methods [23], [24], [25], [26], [27], [28], [29], [30], [31], [32], [33], [34]. The BSS approach has been recently used also for decomposing multi-channel intramuscular EMG signals [35].

Here, we propose a new cyclostationary based BSS decomposition method for multi-channel intramuscular EMG, with validation on simulated and experimental data. Section II describes the EMG model which will be used for decomposition. Section III first presents basics of BSS theory and then it reformulates the EMG mixing model as a linear instantaneous mixing model. In section IV we introduce our cyclostationary based decomposition method. We finish by evaluating this method on simulated and experimental intramuscular EMG signals detected with a multi-channel wire electrode [36].

برای انجام پروپوزال مهندسی پزشکی کلیک کنید.

انجام پایان نامه پزشکی