مقاله الکترومیوگرافی

فرمت فایل: فایل Word ورد 2007 یا 2003 (Docx یا Doc) قابل ویرایش

چکیده
در سالهای اخیر شاهد پیشرفتهای زیاد علم الکترونیک در صنعت پزشکی بوده ایم، که خود را تحت عنوان مهندسی پزشکی معرفی کرده است. از همین رو در این پروژه تمرکز خود را بر روی یکی از ابزار مهندسی پزشکی، به نام الکترومیوگرافی قرار داده ایم. هدف این پروژه مشاهده سیگنال الکترومیوگرافی بر روی کامپیوتر و یادگیری آمپلی فایر های زیستی و چگونگی کار میکروکنترلرها AVR و چگونگی استفاده از نرم افزار لب ویو برای مانیتورینگ این سیگنال است.

الکترومیوگرافی یک تست برای ضبط فعالیت الکتریکی ماهیچه است که این کار توسط ترکیبی از تقویت کننده ها، فیلتر ها، مبدل آنالوگ به دیجیتال و ارتباط سریالUSART و نرم افزار لب ویو (جهت مشاهده سیگنال) انجام میگردد. تقویت کننده ها اصولاً از بهره های ولتاژ و نسبت رد سیگنال مشترک بالایی برخورداراند و فیلترهای فرکانسی با بهره ولتاژ یک، بلافاصله بعد از طبقه تقویت کنندگی با هدف حذف نویز، حذف سیگنال الکتروکاردیوگرافی قلب و تغییرات ناگهانی سیگنال مورد استفاده قرار می گیرند تا سیگنال آنالوگ برای تبدیل به مقادیر دیجیتال و ارسال به کامپیوتر، آماده شوند. سپس سیگنالی را که به مقادیر دیجیتال تبدیل کرده ایم از طریق پورت سریال فرستنده میکروکنترلر بر روی پورت سریال گیرنده کامپیوتر فرستاده و از طریق نرم افزار لب ویو و امکاناتی که این نرم افزار برای ما فراهم نموده مقادیر دریافتی را مشاهده خواهیم نمود. البته با انجام این پروژه در می یابیم که برای بهبود این پروژه بهتر است که به جای ADC میکروکنترلر بهتر است از آی سی ها ADC که در بازار موجود است، با دقت بیت بالاتری استفاده کرد.

دامنه الکترومیوگرافی و پارامترهای بسامد فعالیت عضلانی (مقاله لاتین تربیت بدنی)

عنوان انگلیسی مقاله: EMG amplitude and frequency parameters of muscular activity: Effect of resistance training based on electromyographic fatigue threshold
عنوان فارسی مقاله: دامنه الکترومیوگرافی و پارامترهای بسامد فعالیت عضلانی: تاثیر ورزش استقامتی مبتنی بر آستانه خستگی الکترومیوگرافی
دسته: تربیت بدنی
فرمت فایل ترجمه شده: فایل Word ورد 2007 یا 2003 (Docx یا Doc) قابل ویرایش
تعداد صفحات فایل ترجمه شده: 14
_______________________________________
چکیده
هدف این مقاله، ارزیابی تاثیر برنامه ورزش استقامتی مبتنی بر آستانه خستگی برق نگاری ماهیچه ای (که به صورت بالاترین شدت فعالیت های ورزشی انجام گرفته بدون تناوب های EMG تعریف می شود)، مبتنی بر مقادیر دامنه (ریشه دوم میانگین، RMS) و فرکانس (متوسط فرکانس MF) برای عضله های دوسر بازویی (BB)، brachioradials (BR)، عضله های سه سر (TB)، و چندشکافی (MT) می باشد. 20 فرد مرد سالم، (گروه تمرینی [TG]، n = 10، گروه کنترل شده [CG]، n = 10، ابتدا انقباض های هم اندازه را انجام دادند و بعد از آن عضله های دوسر داینامیک برای تعیین EMG در چهار بار مختلف برای شناسایی EMGFT حلقه شدند. برنامه ورزش TG از مقدار BBEMGFT استفاده کرد (8 هفته، 2جلسه/هفته، 3 مسابقه بوکس کامل/جلسه، 2 دقیقه استراحت بین مسابقات بوکس). هیچ اختلاف عمده ای برای نیروی ایزومتری بعد از ورزش وجود نداشت. شیب های رگرسیون خطی RMS در طول پیچش عضله دو سر، افزایش عمده ای را بعد از ورزش برای عضلات BB، BR و TB نشان دادند. برای عضله MT، مقادیر شیب و عرض MF با ورزش تغییر کردند. برنامه ورزش مبتنی بر EMG روی دامنه EMG، بیشتر از فرکانس EMG تاثیر گذاشت، احتمالا در رابطه با الگوهای توان گیری عضلات، گرچه عضلات منبسط تنه تغییراتی را در پارامتر فرکانس نشان دادند که با برنامه ورزش مطابقت دارند.

کلیدواژگان: بسامد میانه، EMGFT، ورزش مقاومتی، تمرین

مقدمه

ورزش استقامتی پویشی منجر به افزایش هایی در خروجی نیروی عضلانی و هیپرتروفی می شود. این تناوب ها به همراه افزایش هایی در دامنه برق نگاری ماهیچه در طول ماکزیمم غلظت ها بودند، در حالیکه پارامترهای فرکانس بدون تغییر ماندند. با وجود اطلاعات مهمی که EMG در مورد تاثیرات ورزش ارائه می کند، کمبود اطلاعات در مورد استفاده از شاخص EMG برای دستورات بار ورزش وجود دارد، مخصوصا در آستانه خستگی برق نگاری ماهیچه. این شاخص برپایه EMG در مقابل مقادیر شیب زمانی در سطوح بار مختلف می باشد و به صورت شدتی تعریف می شود که در آن فرد می تواند به مدت طولانی بدون تغییراتی در فعالیت EMG ورزش کند. 

دسته بندی سیگنالهای الکترومیوگرافی با شبکه عصبی موجک

عنوان انگلیسی مقاله: Classification of EMG signals using wavelet neural network
عنوان فارسی مقاله: دسته بندی سیگنال های الکترومیوگرافی با استفاده از شبکه عصبی موجک
طبقه بندی: برق و الکترونیک
فرمت فایل ترجمه شده: فایل Word ورد 2007 یا 2003 (Docx یا Doc) قابل ویرایش
تعداد صفحات فایل ترجمه شده: 30
_______________________________________
چکیده
یک وسیله دقیق و محاسباتی کارآمد برای دسته بندی الگوی سیگنال های الکترومیوگرافی، موضوع بحث بسیاری از پژوهشگران در سال های اخیر بوده است. تجزیه تحلیل های کمیتی سیگنال های EMG، منبع اطلاعاتی مهمی برای تشخیص اختلالات عصبی-عضلانی می باشد. با پیگیری توسعه های اخیر تجهیزات EMG کامپیوتری، روش های مختلفی در حوزه زمان و حوزه فرکانس برای تحلیل های کمیتی، انجام گرفته است. در این بررسی، دسته بندی کننده های مبنی بر شبکه های عصبی مصنوعی پس-انتشار خطای پیشخور (FEBANN) و شبکه های عصبی موجک (WNN) در دقت در دسته بندی سیگنال های EMG با هم مقایسه شده اند. در این روش ها، ما از یک مدل خودبازگشت (اتورگرسیو) (AR) سیگنال های EMG، به عنوان ورودی سیستم دسته بندی، استفاده کردیم. مقدار کل 1200 MUP که از 7 مورد طبیعی، 7 مورد دارای بیماری میوپاتی، و 13 مورد دارای بیماری های با ریشه عصبی به دست آمدند، آنالیز شده اند. میزان موفقیت برای روش WNN 90. 7% و برای روش FEBANN 88% بوده است. مقایسه بین دسته بندی کننده های توسعه یافته، نخست بر مبنای تعدادی اندازه گیری های عددی مربوط به دسته بندی می باشد. دسته بندی کننده مبنی بر WNN، بر همتای FEBANN خود برتری دارد. دسته بندی WNN ارایه شده، می تواند تصمیم گیری های کارشناسانه را پشتیبانی کرده و به تشخیص افتراقی EMG کمک کند.

کلیدواژه: الکترومیوگرافی، پتانسیل واحد موتور، روش اتورگرسیو، شبکه عصبی موجک

مقدمه
بیش از 100 اختلال عصبی و ماهیچه ای وجود دارد که بر روی نخاع، عصب، و ماهیچه اثر می گذارد. تشخیص بموقع این بیماری ها توسط معاینه های درمانگاهی و تست های آزمایشگاهی، برای مدیریت کردن آنها و نیز پیشبینی آنها با استفاده از تشخیص پیش از تولد و مشاوره های ژنتیکی، حیاتی می باشد. این اطلاعات همچنین در ازوهش موجود می باشد، که می تواند منجر به فهم طبیعت این بیماری ها، و سرانجام بیماری آنها گردد. مورفولوژی (ریخت شناسی) واحد موتور، را می توان با ثبت فعالیت های الکتریکی معروف به الکترومیوگرافی (EMG) بررسی کرد. در EMG درمانگاهی، پتانسیل های واحد موتور (MUP) با استفاده از یک الکترود سوزنی در اقباض ارادی کم، ثبت می شود.