fa کنترل حلقه بسته تطبیقی مبتنی بر یادگیری ماشین برای توان‌بخشی بیماران پارکینسونی بیومکانیک ورزشی sport biomechanic پژوهشي Research <div style="text-align: justify;"><span style="font-size:10pt"><span style="direction:rtl"><span style="unicode-bidi:embed"><span new="" roman="" style="font-family:" times=""><b>&nbsp;</b></span></span></span></span><span style="font-size:14px;"><span style="font-family:IRANsans;"><span style="line-height:2;"><span style="direction:rtl"><span style="unicode-bidi:embed"><b><span lang="FA">مقدمه و اهداف: </span></b><span lang="AR-SA">در دهه‌های گذشته کنترل لرزش دست در بیماری‌های اختلالات عصبی مانند پارکینسون توجه زیادی را به خود جلب کرده است. تئوری‌های روش تحریک عمیق مغزی به‌صورت حلقه بسته به‌طور قابل‌توجهی در حال افزایش است. هدف از این مقاله، ارائه یک روش حلقه بسته خودکار برای توان‌بخشی بیماران پارکینسونی دارای علائم لرزش دست با استفاده از یادگیری ماشین است.</span><b><span lang="FA" style="font-family:"B Lotus""></span></b></span></span><br> <span style="direction:rtl"><span style="unicode-bidi:embed"><b><span lang="FA">مواد و روش: </span></b><span lang="AR-SA">در مقاله حاضر از مدل ریاضی که شامل مدل عضله، عقده‌های قاعده‌ای (</span><span dir="LTR">Basal ganglia</span><span lang="AR-SA">)، قشر مغز و ناحیه حرکتی (</span><span dir="LTR">Supplementary Motor Area</span><span lang="AR-SA">) برای شبیه‌سازی لرزش استفاده‌شده است؛ و همچنین برای کنترل لرزش دست از کنترل‌کننده تناسبی-مشتق‌گیر-انتگرال‌گیر غیر صحیح (</span><span dir="LTR">non-integer PID</span><span lang="AR-SA">) و همچنین با استفاده از الگوریتم هوشمند </span><span dir="LTR">Proximal Policy Optimization (PPO)</span><span lang="AR-SA"> به‌عنوان زیرمجموعه یادگیری تقویتی برای تنظیم ضرایب استفاده‌شده است.</span><span lang="FA" style="font-family:"B Lotus""></span></span></span><br> <span style="direction:rtl"><span style="unicode-bidi:embed"><b><span lang="FA">یافته‌ها: </span></b><span lang="AR-SA">از مزایای روش پیشنهادی علاوه بر کاهش لرزش دست و یادگیری خودکار برای استفاده در سطح‌های مختلف بیماری که نتایج قابل قبولی نسبت به سایر روش‌های کنترلی داده است، پیاده‌سازی این روش به‌صورت عملی در دنیای واقعی به دلیل سادگی کنترل‌کننده و همچنین پیاده‌سازی آسان الگوریتم هوشمند به دلیل تنظیم خودکار ضرایب شبکه‌های هوش مصنوعی است.</span><span lang="FA" style="font-family:"B Lotus""></span></span></span><br> <b><span dir="RTL" lang="FA">نتیجه‌گیری: </span></b><span dir="RTL" lang="AR-SA">سیستم هوشمند پیشنهادی علاوه بر بهینه‌سازی علائم خروجی مانند لرزش دست در مقایسه با سایر کنترل‌کننده‌ها و همچنین قابل‌استفاده برای تمام سطوح بیماری به دلیل تطبیقی بودن آن، باعث کاهش چشمگیر اثرات جانبی ناشی از تحریک مداوم مغز در روش تحریک مغز به‌صورت حلقه باز می‌شود</span><span dir="RTL" lang="FA">.</span></span></span></span></div> <div style="text-align: justify;"><span style="font-size:14px;"><span style="font-family:Arial;"><span style="line-height:2;"><b>Background and Aims: </b>Controlling hand tremors in neurological disorders like Parkinson&#39;s has gotten a lot of attention in recent decades. The number of theories about closed-loop deep brain stimulation is rapidly growing. The goal of this work is to offer a machine learning-based automated closed loop system for the rehabilitation of Parkinson&#39;s patients with hand tremor symptoms.<br> <b>Materials and Methods: </b>In the current study, vibration was simulated using a mathematical model that included a muscle model, basal ganglia, cortex, and supplementary motor area. To manage hand tremor, the non-integer PID proportional controller, as well as the intelligent Proximal Policy Optimization (PPO) algorithm as a subset of reinforcement learning, are employed to adapt the coefficients.<span style="font-family:"Arial","sans-serif""></span><br> &nbsp;<b>Results:</b> One of the advantages of the proposed method, aside from reducing hand tremor and automatic learning to use at various levels of the disease, which has yielded acceptable results when compared to other control methods, is its practical implementation in the real world due to the simplicity of the controller. The automatic adjustment of artificial intelligence network coefficients in the presented strategy (PPO) makes it simple to create intelligent system.<span style="font-family:"Arial","sans-serif""></span><br> <b>Conclusion:</b> The proposed intelligent system significantly reduces the side effects of continuous brain stimulation in the open-loop manner stimulation, in addition to optimizing output signals such as hand tremor compared to other controllers and being usable for all levels of the disease due to its adaptability.</span></span></span></div> اختلال پارکینسونی, تحریک عمیق مغزی, یادگیری ماشین, یادگیری تقویتی, PPO Parkinson’s Disease (PD), Deep Brain Stimulation (DBS), Reinforcement Learning (RL), Proximal Policy Optimization (PPO) 1 25 http://jsmt.khu.ac.ir/browse.php?a_code=A-10-2378-1&slc_lang=fa&sid=1 Saeed Mollahoseini paghale سعید ملاحسینی پاقلعه s.mollahoseini02@umz.ac.ir 10031947532846006304 10031947532846006304 Yes PhD Candidate in Sport Biomechanics, University of Mazandaran, Mazandaran, Iran. دانشجوی دکترای بیومکانیک ورزشی، دانشگاه مازندران، مازندران، ایران. Milad Fallahzade میلاد فلاح‌زاده miladfallahzade@gmail.com 10031947532846006305 0009-0007-3434-0192 No PhD Candidate in Sport Biomechanics, Faculty of Sport Sciences, Shahid Bahonar University of Kerman, Kerman, Iran. دانشجوی دکترای بیومکانیک ورزشی، دانشکده علوم ورزشی، دانشگاه شهید باهنر کرمان، کرمان، ایران. Mohammadreza Amirseyfadini محمدرضا امیرسیف‌الدینی reza46n@yahoo.com 10031947532846006306 10031947532846006306 No Associate Professor, Faculty of Sport Sciences, Shahid Bahonar University of Kerman, Kerman, Iran. دانشیار، دانشکده علوم ورزشی، دانشگاه شهید باهنر کرمان، کرمان، ایران.