ساخت پروتزها برای بهبود کیفیت زندگی افرادی که دست و پای خود را از دست داده اند ضروری است. این دستگاه‌های مصنوعی نقش مهمی در جایگزینی قسمت‌های از دست رفته بدن دارند و امکان بازیابی عملکرد، تحرک و استقلال افراد مبتلا را فراهم می‌کنند . علاوه بر این، پروتز مزایای سلامتی بلندمدتی را ارائه می‌کند، پیشرفت‌های فناوری را پیش
می‌برد و سازگاری را امکان‌پذیر می‌کند. تحقیق و توسعه مستمر در این زمینه برای بهبود بیشتر زندگی افرادی که به این وسایل وابسته هستند، اساسی است.
دست یکی از پیشرفته ترین اندام های بدن است. با توجه به تعداد قابل توجهی از درجات آزادی در ساختار آن (در مجموع 27 درجه: چهار در هر انگشت، پنج در انگشت شست و شش در مچ دست) به انسان اجازه می دهد از طریق حرکات پیچیده با محیط خود ارتباط برقرار کند. علاوه بر این، بخشی اساسی از تعاملات فیزیکی و اجتماعی است.
بیش از 8 درصد از جمعیت جهان به اندام فوقانی و یا تحتانی نیاز دارند. هزینه یک پروتز، که حدود 8000 دلار است، در مقایسه با درآمد متوسط افراد ، بسیار بالا است.
با توجه به اطلاعات ذکر شده، توسعه سیستم هایی که بتوانند الگوهای گرفتن و ظرفیت گرفتن و حرکات دست را با توجه به نیازها و ترجیحات هر فرد تنظیم و بهینه کنند، حیاتی است. این امکان سفارشی سازی و راحتی بیشتر در استفاده از پروتزها را فراهم می کند. دست‌های بیونیک، با سیگنال‌های الکترومیوگرافی (EMG)، می‌توانند سیگنال‌های الکتریکی تولید شده توسط ماهیچه‌های باقی‌مانده را به دستورات دقیق برای حرکت انگشت و دست تفسیر و ترجمه کنند . این امر درجه بالاتری از کنترل و تجربه طبیعی تری را هنگام استفاده از پروتز فراهم می کند.
علاوه بر این، پیشرفت‌های هوش مصنوعی (AI) نقش مهمی در طراحی و ایجاد دست‌ها و پاهای بیونیک با قابلیت تفسیر سیگنال‌های EMG برای کنترل دقیق حرکت ایفا کرده است. این تکنیک‌ها از الگوریتم‌های یادگیری ماشین، شبکه‌های عصبی مصنوعی (ANN) و تکنیک‌های بینایی کامپیوتری برای پردازش سیگنال‌های EMG و تقویت پروتزها استفاده می‌کنند که نقش کلیدی در طراحی دست‌ها و پاهای بیونیک دارند . هوش مصنوعی همچنین توانایی دست‌ها و پاهای بیونیک را برای یادگیری و سازگاری در تعامل با محیط بهبود داده است. با جمع‌آوری و تجزیه و تحلیل داده‌های بی‌درنگ، دست‌ها و پاهای بیونیک می‌توانند حرکات و قدرت گرفتن خود را دقیق‌تر و کارآمدتر تنظیم کنند. این پیشرفت ها به دست ها و پاهای بیونیک اجازه می دهد تا عملکرد بهتر و پیچیده تری ارائه دهند.
استفاده از تکنیک‌های هوش مصنوعی، به‌ویژه شبکه‌های عصبی مصنوعی، طراحی دست‌های بیونیک را با امکان کنترل از طریق سیگنال‌های EMG، ایجاد درجه بالاتری از کنترل، عملکرد و سازگاری، متحول کرده است. این پیشرفت ها تأثیر قابل توجهی بر کیفیت زندگی افراد دارای قطع عضو یا ناتوانی در اندام فوقانی آنها داشته است. با این حال، با وجود پیشرفت و کاربردهای امیدوارکننده هوش مصنوعی در پردازش سیگنال EMG و سایر زمینه‌ها، هنوز چالش‌ها و ملاحظاتی وجود دارد که باید مورد توجه قرار گیرد. در این راستا، این کار طراحی و ساخت یک پروتز دست قابل دسترسی را پیشنهاد می‌کند که توسط سیگنال‌های EMG تغذیه می‌شود و توسط یک شبکه عصبی آنلاین کنترل می‌شود. این سیستم دقت در طبقه بندی و ظرفیت بار را نشان می دهد.
مکانیسم های اصلی به سیستم های محرک مرکزی و فردی تقسیم می شوند. سیستم های مرکزی هر پنج انگشت را به طور همزمان با یک محرک به کار می اندازند، در حالی که سیستم های جداگانه یک محرک را به هر انگشت و در برخی موارد، دو محرک را برای چرخش انگشت شست و خمش-کشش اختصاص می دهند.
انگشتان معمولاً شامل یک مفصل پروگزیمال شبیه به مفصل متاکارپوفالانژیال و یک مفصل دیستال است که عملکرد مفاصل بین فالانژیال و پروگزیمال بین فالانژیال را در بر می گیرد. این نوع مکانیسم را می توان در پروتزهای Vincent، iLimb و Bebionic مشاهده کرد. انواع دیگر شامل یک قطعه منفرد به عنوان یک انگشت با مفصل متاکارپوفالانژیال است که در پروتز Michelangelo و در SensorHand مشاهده می شود.
ذکر این نکته ضروری است که با وجود چالش ها و تحقیقات مداوم در زمینه پیش پردازش سیگنال های EMG، پیشرفت قابل توجهی حاصل شده است. محققان توانسته‌اند تکنیک‌ها و روش‌هایی را برای کاهش اثرات نویز و بهبود کیفیت سیگنال‌های به‌دست‌آمده توسعه دهند.
شایان ذکر است که انتخاب و استفاده از تکنیک‌های استخراج و طبقه‌بندی ویژگی برای سیگنال‌های EMG به عوامل مختلفی از جمله کاربرد خاص، پیچیدگی کار و منابع محاسباتی موجود بستگی دارد.
در حالی که شبکه‌های عصبی مصنوعی نتایج امیدوارکننده‌ای را در طبقه‌بندی سیگنال EMG نشان داده‌اند , دیگر الگوریتم‌های یادگیری ماشین، مانند Support Vector Machine, K Nearest Neighbor و Perceptron چند لایه ، نیز با موفقیت در این حوزه به کار گرفته شده اند .انتخاب الگوریتم اغلب به الزامات و ویژگی های خاص کار طبقه بندی بستگی دارد.
علاوه بر این، ظهور رویکردهای یادگیری عمیق، تجزیه و تحلیل پیچیده تر و خودکار سیگنال های EMG را تسهیل کرده است .
این شبکه‌های عصبی عمیق می‌توانند از قابلیت‌های یادگیری نمایش سلسله مراتبی برای استخراج ویژگی‌های متمایز مستقیماً از داده‌های خام EMG استفاده کنند و در نتیجه مرحله پیش‌پردازش را ساده‌تر کنند.
با این حال، صرف نظر از تکنیک انتخاب شده، اطمینان از کیفیت سیگنال های EMG بسیار مهم است. این شامل استفاده از تکنیک‌های تمیز کردن و فیلتر کردن سیگنال مناسب برای حذف نویز و حذف هرگونه اختلال خارجی است که می‌تواند با طبقه‌بندی دقیق تداخل داشته باشد.
: Refrences
https://pmc.ncbi.nlm.nih.gov/articles/PMC10296662/#:~:text=Bionic%20hands%2C%20powered%20by%20electromyographic,experience%20when%20using%20the%20prosthesis.
https://www.mdpi.com/2072-666X/15/7/891
https://www.intechopen.com/chapters/59968
