چکیده مقاله
مقدمه: الکترومایوگرافی Electromyography; EMG یکی از مهم ترین روش های ارزیابی فعالیت الکتریکی عضلات و عملکرد سیستم عصبی–عضلانی محسوب می شود سیگنال های EMG اطلاعات ارزشمندی درباره الگوی فعال سازی عضلات، خستگی عضلانی، هماهنگی حرکتی و کنترل عصبی فراهم می کنند با این حال، ماهیت غیرخطی، پیچیده و نویزی این سیگنال ها تحلیل سنتی آنها را با محدودیت هایی مواجه ساخته است در سال های اخیر، شبکه های عصبی مصنوعی و الگوریتم های یادگیری عمیق به عنوان ابزارهای پیشرفته پردازش سیگنال توانسته اند دقت تحلیل داده های EMG را به طور چشمگیری افزایش دهند هدف: هدف این مقاله مروری، بررسی کاربرد شبکه های عصبی در تحلیل سیگنال های EMG، ارزیابی عملکرد عضلانی، تشخیص الگوهای حرکتی و تحلیل خستگی عصبی–عضلانی در علوم ورزشی، توان بخشی و مهندسی پزشکی است روش شناسی: این مطالعه به صورت مرور علمی–تحلیلی انجام شد مقالات منتشرشده بین سال های ۲۰۱۰ تا ۲۰۲۶ از پایگاه های اطلاعاتی ، ، و بررسی شدند کلیدواژه های اصلی شامل “EMG”، “Artificial Neural Network”، “Deep Learning”، “Muscle Performance”، “Signal Processing” و “Neuromuscular Analysis” بودند یافته ها و نتیجه گیری: نتایج مطالعات نشان داد که شبکه های عصبی مصنوعی قادرند الگوهای پیچیده سیگنال های EMG را با دقت بالا تحلیل کرده و در طبقه بندی حرکات، تشخیص خستگی عضلانی، کنترل پروتزهای هوشمند و ارزیابی عملکرد عضلات نقش موثری داشته باشند مدل های یادگیری عمیق به ویژه شبکه های کانولوشنی CNN و بازگشتی RNN توانسته اند ویژگی های زمانی و فرکانسی سیگنال های EMG را به صورت خودکار استخراج کنند با وجود مزایای فراوان، نیاز به داده های استاندارد، حساسیت به نویز و محدودیت تفسیرپذیری مدل ها همچنان از چالش های مهم این حوزه محسوب می شوند در مجموع، شبکه های عصبی می توانند تحول قابل توجهی در تحلیل عملکرد عصبی–عضلانی و توسعه فناوری های هوشمند توان بخشی ایجاد کنند
کلیدواژهها
نویسندگان
شیوه ارجاع
پیمان پور، صفا و شایگان مهر، شیرین،1405،کاربرد شبکه های عصبی در تحلیل سیگنال های EMG و عملکرد عضلانی،هفتمین همایش بین المللی تربیت بدنی ،سلامت و علوم ورزشی،همدان
ارائهشده در
مجموعه مقالات هفتمین همایش بین المللی تربیت بدنی ،سلامت و علوم ورزشی3 مرداد 1405 · همدان