چکیده

از دست دادن اندام فوقانی، تنها به معنای حذف یک عضو از بدن نیست؛ بلکه به معنای از دست رفتن بخشی از توانایی انسان برای تعامل دقیق، سریع و طبیعی با محیط پیرامون است. دست و بازوی انسان سامانه‌ای بسیار پیچیده متشکل از استخوان‌ها، مفاصل، عضلات و اعصاب متعدد هستند که به‌صورت هماهنگ عمل می‌کنند و امکان انجام طیف وسیعی از حرکات، از تولید نیروی زیاد تا دست‌کاری بسیار ظریف اشیا، را فراهم می‌سازند. این پیچیدگی زیستی، چالش اصلی در طراحی و کنترل پروتزهای اندام فوقانی را ایجاد کرده است. اگرچه فناوری رباتیک و ساخت پروتز در دهه‌های اخیر پیشرفت قابل‌توجهی داشته، سامانه‌های کنترلی موجود هنوز نتوانسته‌اند کنترل طبیعی، هم‌زمان، متناسب و شهودی بازوی انسان را به‌طور کامل بازآفرینی کنند. بر اساس مسئله مطرح‌شده در این پایان‌نامه، حتی پیشرفته‌ترین پروتزهای اندام فوقانی نیز در مقایسه با بازوی زیستی دارای درجات آزادی قابل‌کنترل کمتری هستند و بسیاری از پروتزهای تجاری تنها یک یا دو درجه آزادی را در اختیار کاربر قرار می‌دهند. پیامد این محدودیت‌ها، افزایش بار شناختی، کاهش راحتی و کارایی دستگاه و در نهایت کنار گذاشتن پروتز توسط بخشی از کاربران است؛ به‌گونه‌ای که در منابع مورد استفاده در این پژوهش، نرخ عدم استفاده منظم از پروتز بسته به سطح قطع عضو، حدود ۳۰ تا ۵۰ درصد گزارش شده است.

ریشه این مسئله را می‌توان در فاصله میان سازوکارهای کنترل طبیعی بدن و روش‌های متداول کنترل پروتز جست‌وجو کرد. بدن انسان حرکت را از طریق یک سامانه عصبی‌عضلانی پیچیده کنترل می‌کند که در آن فرمان‌های عصبی موجب فعال‌سازی عضلات شده و نیروهای تولیدشده توسط عضلات، حرکت مفاصل را ایجاد می‌کنند. در مقابل، بسیاری از پروتزهای الکتریکی متداول برای تشخیص حرکت مورد نظر کاربر به روش‌های پردازش سیگنال و تشخیص الگو متکی هستند. در این روش‌ها، کاربر باید در بسیاری از موارد الگوهای انقباضی خاصی را یاد بگیرد تا یک حرکت مشخص از پروتز فعال شود. چنین رویکردی لزوماً با الگوی طبیعی کنترل حرکتی بدن منطبق نیست و می‌تواند به دوره‌های آموزشی طولانی، وابستگی به کالیبراسیون و کاهش پایداری عملکرد در شرایط مختلف منجر شود. تغییر محل قرارگیری الکترودها، خستگی عضلات و تغییر شرایط محیطی نیز می‌توانند بر ثبات سیگنال‌های الکترومایوگرافی و عملکرد سامانه‌های تشخیص الگو اثر بگذارند. ازاین‌رو، این پایان‌نامه به دنبال یافتن رویکردی است که به‌جای وادار کردن انسان به یادگیری زبان جدیدی برای کنترل یک ماشین، از اصول و دینامیک‌های طبیعی موجود در دستگاه عصبی‌عضلانی انسان برای کنترل پروتز استفاده کند.

پیشینه مسئله به خود فرآیند قطع عضو و محدودیت‌های روش‌های سنتی آن بازمی‌گردد. در قطع عضوهای متداول اندام فوقانی، بخش‌هایی از عضلات و اعصاب از ساختار طبیعی خود جدا شده و عضلات باقی‌مانده معمولاً به‌گونه‌ای تثبیت می‌شوند که دیگر قادر به ایجاد تغییر طول و تعامل دینامیکی طبیعی با عضلات مقابل نیستند. این وضعیت نه‌تنها استفاده از عضلات باقی‌مانده برای کنترل پروتز را دشوارتر می‌کند، بلکه بخشی از اطلاعات حسی و مکانیکی مورد نیاز برای کنترل طبیعی حرکت را نیز از بین می‌برد. یکی از پیامدهای مهم این وضعیت، اختلال در حس عمقی یا پروپریوسپشن (Proprioception) است؛ یعنی توانایی بدن برای درک موقعیت و وضعیت اجزای خود بدون نیاز به مشاهده مستقیم آن‌ها. در یک اندام سالم، گیرنده‌های حسی موجود در عضلات و تاندون‌ها، اطلاعاتی درباره طول عضله، سرعت تغییر طول و نیروی تولیدشده فراهم می‌کنند. از دست رفتن این ارتباط طبیعی می‌تواند به مشکلاتی مانند احساس اندام خیالی، درد و دشواری در تنظیم حرکات ارادی منجر شود.

برای درک راه‌حل ارائه‌شده در این پژوهش، شناخت رفتار مکانیکی و فیزیولوژیکی عضلات ضروری است. عضلات اسکلتی محرک‌های اصلی بدن محسوب می‌شوند و نیروی آن‌ها تابعی از عوامل مختلفی از جمله میزان فعال‌سازی، طول عضله و سرعت انقباض یا کشش آن است. مطالعات و مدل‌های فیزیولوژیکی نشان داده‌اند که عضله دارای روابط مشخص نیرو–طول و نیرو–سرعت است و اجزای الاستیک عضله و تاندون نیز در تولید رفتار دینامیکی آن نقش دارند. یکی از چارچوب‌های مهم برای مدل‌سازی این رفتار، مدل عضله–تاندون از نوع هیل (Hill-Type Muscle-Tendon Model) است که با استفاده از عناصر انقباضی و الاستیک، رفتار عضله را به‌صورت ریاضی بازنمایی می‌کند. این نوع مدل‌ها امکان شبیه‌سازی پاسخ عضله به یک ورودی فعال‌سازی متغیر در زمان را فراهم می‌سازند و پایه‌ای برای ساخت مدل‌های عصبی‌عضلانی مورد استفاده در این پایان‌نامه هستند.

یکی دیگر از مفاهیم بنیادین پژوهش حاضر، سازمان‌دهی عضلات به‌صورت جفت‌های آگونیست–آنتاگونیست (Agonist–Antagonist) است. از آنجا که عضلات اساساً تنها قادر به اعمال نیروی کششی هستند، حرکت در دو جهت مخالف یک مفصل معمولاً از طریق همکاری عضلاتی با عملکرد متقابل ایجاد می‌شود. هنگامی که یک عضله برای ایجاد حرکت فعال می‌شود، عضله مقابل می‌تواند کشیده شده و در پویایی حرکت و دریافت اطلاعات حسی نقش داشته باشد. نیروهای عضلانی از طریق بازوی گشتاور به گشتاور مفصل تبدیل می‌شوند و در ترکیب با ویژگی‌هایی مانند اینرسی، سختی و میرایی، حرکت مفصل را شکل می‌دهند. این رابطه میان فعال‌سازی عضلات، تولید نیرو و حرکت مفصل، مبنای ایجاد مدل‌های دینامیکی است که می‌توانند از سیگنال‌های عضلانی برای پیش‌بینی حرکت مورد نظر استفاده کنند.

در همین چارچوب، یکی از مهم‌ترین زمینه‌های علمی که این پایان‌نامه بر آن تکیه دارد، رابط میونورال آگونیست–آنتاگونیست (Agonist-Antagonist Myoneural Interface یا AMI) است. این روش یک رویکرد نوین جراحی و عصبی‌عضلانی برای حفظ یا بازسازی تعامل طبیعی میان عضلات متقابل در اندام باقی‌مانده افراد دچار قطع عضو به شمار می‌رود. در ساختار AMI، دو عضله‌ای که به‌طور طبیعی عملکرد متقابل دارند، به‌صورت مکانیکی به یکدیگر متصل می‌شوند؛ به‌گونه‌ای که انقباض یکی از عضلات باعث کشیده شدن عضله مقابل شود. این آرایش، بخشی از دینامیک طبیعی آگونیست–آنتاگونیست را بازسازی کرده و می‌تواند موجب فعال شدن گیرنده‌های حسی عضلات و تاندون‌ها شود. علاوه بر این، سیگنال‌های الکترومایوگرافی (EMG) حاصل از این عضلات می‌توانند به‌عنوان ورودی برای کنترل پروتز مورد استفاده قرار گیرند. بنابراین، AMI امکان ایجاد یک مسیر ارتباطی نزدیک‌تر به سازوکار طبیعی بدن میان قصد حرکتی کاربر، فعالیت عضلات باقی‌مانده و حرکت پروتز را فراهم می‌کند.

هدف اصلی این پایان‌نامه، توسعه روشی برای ایجاد مدل مجازی عضلانی بازو است که بتواند با استفاده از تعداد کاهش‌یافته‌ای از «عضلات مجازی»، حرکات مورد نظر کاربر را از روی سیگنال‌های الکترومایوگرافی ثبت‌شده از اندام باقی‌مانده تخمین بزند و از این اطلاعات برای کنترل پروتز استفاده کند. ایده اصلی آن است که به‌جای مدل‌سازی کامل همه عضلات، استخوان‌ها و جزئیات پیچیده بازوی انسان، یک مدل ساده‌شده اما دارای بنیان زیست‌فیزیکی ساخته شود. هر درجه آزادی مدل با یک جفت عضله مجازی آگونیست–آنتاگونیست فعال می‌شود و پارامترهای این عضلات به‌گونه‌ای بهینه‌سازی می‌شوند که خروجی حرکتی مدل با حرکات واقعی فرد تطابق داشته باشد. این رویکرد تلاش می‌کند میان دقت مدل و امکان استفاده عملی از آن تعادل برقرار کند و امکان شخصی‌سازی مدل برای ویژگی‌های مورفولوژیکی افراد مختلف، به‌ویژه افراد دارای ساختارهای AMI، را با حداقل تنظیم دستی فراهم سازد.

برای دستیابی به این هدف، پژوهش از ترکیب مدل‌سازی عصبی‌عضلانی، بهینه‌سازی و شبیه‌سازی دینامیک مستقیم (Forward Dynamics Simulation) استفاده می‌کند. سیگنال‌های EMG به‌عنوان نمایش‌دهنده فعالیت عضلانی، ورودی مدل را تشکیل می‌دهند. سپس پارامترهای فیزیولوژیکی و دینامیکی عضلات مجازی و همچنین نحوه ارتباط سیگنال‌های عضلانی با فعال‌سازی آن‌ها، به‌وسیله یک فرآیند بهینه‌سازی تعیین می‌شود. هدف از این بهینه‌سازی، یافتن مجموعه‌ای از پارامترهاست که بتوانند رفتار حرکتی اندازه‌گیری‌شده را با بیشترین تطابق ممکن بازتولید کنند. پس از مشخص شدن پارامترها، مدل با استفاده از دینامیک رو به جلو، از فعالیت عضلات به سمت پیش‌بینی نیرو، گشتاور و در نهایت حرکت مفصل پیش می‌رود. این موضوع از نظر کنترل پروتز اهمیت زیادی دارد، زیرا جهت تبدیل طبیعی قصد حرکتی انسان به حرکت مکانیکی دستگاه را دنبال می‌کند.

مطالعه موردی پایان‌نامه بر روی یک فرد دارای قطع عضو یک‌طرفه در سطح بازو، یعنی قطع عضو ترانس‌هومرال (Transhumeral Amputation)، انجام شده است که دارای دو ساختار AMI بوده است. برای این فرد، یک مدل بازو با چهار درجه آزادی ایجاد و بهینه‌سازی شده است. این درجات آزادی شامل خم‌شدن آرنج، خم‌شدن انگشت اشاره، خم‌شدن انگشتان سوم تا پنجم و دورکردن شست هستند. انتخاب این حرکات نشان می‌دهد که پژوهش تنها به کنترل یک مفصل ساده محدود نشده و تلاش کرده است کنترل هم‌زمان مجموعه‌ای از حرکات مرتبط با بازو و دست را بررسی کند. داده‌های کینماتیکی مرجع و سیگنال‌های الکترومایوگرافی برای انجام وظایف حرکتی جمع‌آوری شده و سپس مدل عصبی‌عضلانی برای بازتولید این حرکات بهینه‌سازی شده است.

ارزیابی عملکرد مدل نشان داد که خروجی کینماتیکی آن در چندین درجه آزادی با حرکات اندازه‌گیری‌شده تطابق قابل‌توجهی دارد. پیش‌بینی زاویه آرنج، حرکت انگشتان و حرکت انگشت اشاره به‌ترتیب ضرایب همبستگی بالایی در حدود ۰٫۹۲، ۰٫۹۱ و ۰٫۸۷ با مسیرهای مرجع نشان دادند، در حالی که پیش‌بینی حرکت شست با ضریب همبستگی حدود ۰٫۵۵ عملکرد متوسط‌تری داشت. این تفاوت در عملکرد نشان می‌دهد که اگرچه مدل ساده‌شده قادر است بخش مهمی از حرکات مورد نظر را بازتولید کند، تمام درجات آزادی با یک میزان دقت قابل پیش‌بینی نیستند و پیچیدگی یا محدودیت‌های مربوط به برخی حرکات می‌تواند نیازمند توسعه بیشتر مدل باشد. با این حال، نتایج کلی نشان می‌دهند که استفاده از تعداد محدودی عضله مجازی، لزوماً مانع از دستیابی به بازنمایی مفید و نسبتاً دقیق حرکت اندام نمی‌شود.

این پژوهش همچنین تنها به بررسی شباهت هندسی مسیر حرکت اکتفا نکرده است، بلکه تلاش کرده است ویژگی‌های مهم کنترل حرکتی انسان را نیز در خروجی مدل بررسی کند. یکی از این ویژگی‌ها، رابطه میان سرعت و دقت است که در قالب قانون فیتس (Fitts’ Law) مطالعه شده است. قانون فیتس، که در سال ۱۹۵۴ توسط پل فیتس معرفی شد، بیان می‌کند که با افزایش دشواری یک وظیفه حرکتی، زمان مورد نیاز برای انجام آن نیز افزایش می‌یابد و از این رابطه می‌توان برای ارزیابی ویژگی‌های عملکردی یک سامانه کنترل استفاده کرد. بررسی این ویژگی در مدل اهمیت دارد، زیرا هدف صرفاً رسیدن به یک موقعیت نهایی نیست؛ بلکه حرکت باید ویژگی‌هایی مشابه کنترل ارادی انسان نیز داشته باشد. نتایج پایان‌نامه نشان می‌دهند که مدل بهینه‌شده توانسته است نوعی مبادله سرعت–دقت مشابه آنچه در کنترل حرکتی انسان مشاهده می‌شود، نشان دهد.

ویژگی دیگری که در این پژوهش مورد بررسی قرار گرفته، کنترل تدریجی یا درجه‌بندی‌شده (Graded Control) است. در یک سامانه کنترل مناسب، کاربر نباید تنها میان چند حالت کاملاً روشن و خاموش انتخاب کند؛ بلکه باید بتواند شدت یا دامنه حرکت را به‌صورت پیوسته و متناسب با قصد خود تغییر دهد. نتایج این پایان‌نامه نشان می‌دهند که مدل بهینه‌شده تا حدی قادر به ایجاد چنین کنترل درجه‌بندی‌شده‌ای بوده است. این موضوع برای کاربردهای واقعی پروتز اهمیت زیادی دارد، زیرا تعامل روزمره با اشیا نیازمند کنترل پیوسته و تنظیم‌شده است و کنترل صرفاً گسسته، توانایی کاربر را برای انجام وظایف ظریف محدود می‌کند. بنابراین، نمایش کنترل تدریجی در کنار بازتولید ویژگی سرعت–دقت، نشانه‌ای از نزدیک شدن رفتار مدل به برخی ویژگی‌های کنترل حرکتی طبیعی محسوب می‌شود.

در مجموع، این پایان‌نامه یک گام در جهت توسعه کنترل‌کننده‌های زیست‌فیزیکی (Biophysical Controllers) و شخصی‌سازی‌شده برای پروتزهای اندام فوقانی محسوب می‌شود. نوآوری اصلی آن در استفاده از یک مدل عصبی‌عضلانی ساده‌شده، شامل جفت‌های عضلانی مجازی آگونیست–آنتاگونیست، برای تبدیل سیگنال‌های الکترومایوگرافی فرد به پیش‌بینی حرکت است. این مدل به‌گونه‌ای طراحی شده که بتواند با پارامترهای بهینه‌شده، ویژگی‌های فردی کاربر و ساختار عضلات باقی‌مانده او را در نظر بگیرد و در عین حال نیاز به تنظیم دستی گسترده را کاهش دهد. مطالعه موردی ارائه‌شده نشان می‌دهد که چنین مدلی می‌تواند برای چند درجه آزادی، پیش‌بینی‌هایی با همبستگی بالا با حرکات واقعی ایجاد کند و برخی خصوصیات مهم کنترل ارادی، از جمله مبادله سرعت–دقت و کنترل درجه‌بندی‌شده، را نیز بازنمایی کند.

اهمیت گسترده‌تر این پژوهش در تغییر نگاه به مسئله کنترل پروتز است. به‌جای آنکه پروتز صرفاً به‌عنوان یک دستگاه رباتیکی مستقل در نظر گرفته شود که کاربر باید یاد بگیرد چگونه آن را کنترل کند، این پایان‌نامه از دیدگاه ادغام پروتز با سامانه عصبی‌عضلانی باقی‌مانده بدن به مسئله نگاه می‌کند. در این دیدگاه، ساختارهای زیستی، سیگنال‌های عضلانی و قوانین مکانیکی طبیعی بدن بخشی از کنترل‌کننده محسوب می‌شوند. چنین رویکردی می‌تواند کنترل پروتز را شهودی‌تر کند، بار شناختی کاربر را کاهش دهد و از ظرفیت‌های زیستی موجود پس از قطع عضو بهره ببرد. همچنین، امکان تطبیق مدل با ویژگی‌های هر فرد می‌تواند مسیر توسعه پروتزهای شخصی‌سازی‌شده را هموار سازد.

در نهایت، پژوهش حاضر نشان می‌دهد که بازگرداندن عملکرد طبیعی اندام فوقانی تنها با افزایش تعداد موتورهای یک پروتز یا افزودن درجات آزادی بیشتر محقق نمی‌شود؛ بلکه مسئله اساسی‌تر، ایجاد ارتباطی طبیعی و قابل درک میان قصد حرکتی انسان و رفتار مکانیکی دستگاه است. مدل‌سازی عصبی‌عضلانی و استفاده از ساختارهای آگونیست–آنتاگونیست، به‌ویژه در ترکیب با رابط میونورال AMI، رویکردی برای نزدیک کردن این دو جهان ارائه می‌دهد. نتایج به‌دست‌آمده نشان می‌دهند که یک مدل ساده‌شده و بهینه‌شده می‌تواند بخش قابل‌توجهی از دینامیک حرکتی مورد نظر کاربر را بازسازی کند و زمینه‌ای برای کنترل شهودی‌تر پروتز فراهم آورد. از این منظر، دستاورد اصلی پایان‌نامه نه صرفاً ارائه یک مدل برای شبیه‌سازی بازو، بلکه پیشنهاد چارچوبی برای حرکت از کنترل‌های مبتنی بر فرمان‌های مصنوعی به سوی کنترل‌هایی است که بیش از پیش از منطق، دینامیک و سازوکارهای طبیعی بدن الهام می‌گیرند؛ مسیری که می‌تواند در آینده به افزایش استقلال و بهبود کیفیت زندگی افراد دارای قطع عضو منجر شود.

:contentReference[oaicite:0]{index=0} :contentReference[oaicite:1]{index=1}

پروتزهایی که «قصد حرکت» را می‌فهمند؛ چگونه مدل‌سازی عصبی‌عضلانی می‌تواند کنترل اندام مصنوعی را متحول کند؟

تصور کنید برای برداشتن یک لیوان، مجبور باشید ابتدا به یک دستگاه دستور بدهید که آرنجش را خم کند، بعد حالت دستش را تغییر دهد و سپس با دقت انگشتانش را ببندد. این دقیقاً بخشی از مشکلی است که کاربران بسیاری از پروتزهای اندام فوقانی با آن روبه‌رو هستند.

پایان‌نامه حاضر سراغ یک ایده جذاب می‌رود: به‌جای اینکه انسان یاد بگیرد چگونه مثل یک ماشین به پروتز فرمان بدهد، شاید بتوان پروتز را طوری طراحی کرد که منطق حرکت بدن انسان را تقلید کند.

در ادامه، مهم‌ترین و جالب‌ترین نکات این پژوهش را مرور می‌کنیم.

۱. مشکل اصلی فقط ساخت یک بازوی رباتیک نیست؛ کنترل طبیعی آن است

پروتزهای پیشرفته می‌توانند موتورهای متعدد و درجات آزادی زیادی داشته باشند، اما این توانایی مکانیکی لزوماً به معنای کنترل آسان و طبیعی نیست.

یکی از مشکلات اساسی این است که کاربر باید یاد بگیرد چگونه سیگنال‌های عضلانی خود را به فرمان‌هایی برای یک دستگاه تبدیل کند. این فرایند می‌تواند نیازمند آموزش، کالیبراسیون و تمرکز ذهنی باشد.

نتیجه؟ یک پروتز ممکن است از نظر فناوری بسیار پیشرفته باشد، اما اگر کنترل آن برای کاربر شهودی نباشد، در استفاده روزمره چندان کاربردی نخواهد بود.

این پژوهش دقیقاً همین نقطه را هدف گرفته است: ایجاد مسیری نزدیک‌تر میان قصد حرکتی انسان و حرکت واقعی پروتز.

۲. بدن انسان از یک سیستم کنترل فوق‌العاده پیچیده استفاده می‌کند

حرکت ساده‌ای مثل خم کردن آرنج، در واقع حاصل یک زنجیره پیچیده از رویدادهاست: فرمان عصبی صادر می‌شود، عضلات فعال می‌شوند، نیرو تولید می‌کنند و این نیرو به گشتاور و در نهایت حرکت مفصل تبدیل می‌شود.

اما نکته مهم‌تر این است که بدن فقط «فرمان» صادر نمی‌کند؛ دائماً از وضعیت خود نیز اطلاعات دریافت می‌کند.

این همان چیزی است که به آن حس عمقی (Proprioception) گفته می‌شود؛ توانایی درک موقعیت و حرکت اندام بدون نگاه کردن به آن.

شما می‌توانید با چشم بسته دستتان را بالا ببرید و تقریباً بدانید کجاست. این توانایی طبیعی، یکی از ویژگی‌هایی است که بازسازی آن در یک پروتز بسیار دشوار است.

۳. قطع عضو می‌تواند یک حلقه مهم از کنترل طبیعی بدن را از بین ببرد

در یک اندام سالم، عضلات، تاندون‌ها و گیرنده‌های حسی دائماً با سیستم عصبی در ارتباط هستند.

اما پس از قطع عضو، بخشی از این ساختار طبیعی از بین می‌رود. عضلات باقی‌مانده ممکن است دیگر مانند گذشته با عضلات مقابل خود تعامل نداشته باشند و اطلاعات مکانیکی و حسی طبیعی نیز کاهش پیدا کند.

این مسئله فقط یک چالش مکانیکی نیست؛ بلکه یک چالش در ارتباط میان مغز، عضله و دستگاه مصنوعی است.

بنابراین، سؤال بزرگ این پژوهش چنین است:

آیا می‌توان بخشی از این ارتباط طبیعی را بازسازی کرد و از آن برای کنترل بهتر پروتز استفاده کرد؟

۴. ایده AMI؛ بازگرداندن رابطه طبیعی میان عضلات مخالف

یکی از جذاب‌ترین بخش‌های این پژوهش، استفاده از مفهوم رابط میونورال آگونیست–آنتاگونیست (Agonist-Antagonist Myoneural Interface یا AMI) است.

در بدن، بسیاری از حرکات توسط جفت‌هایی از عضلات مخالف کنترل می‌شوند. یک عضله در یک جهت نیرو ایجاد می‌کند و عضله مقابل در جهت مخالف عمل می‌کند.

برای مثال، در یک حرکت مفصلی، فعال شدن یک عضله می‌تواند باعث کوتاه شدن آن و کشیده شدن عضله مقابل شود.

در ساختار AMI تلاش می‌شود این رابطه متقابل پس از قطع عضو نیز حفظ یا بازسازی شود.

چرا این موضوع مهم است؟

چون هدف فقط گرفتن یک سیگنال الکتریکی از عضله نیست. ایده اصلی این است که دینامیک طبیعی عضلات و بخشی از اطلاعات حسی مرتبط با حرکت نیز حفظ شود.

این رویکرد می‌تواند حلقه‌ای را که در قطع عضو سنتی تا حد زیادی مختل شده، دوباره به سیستم کنترل نزدیک کند.

۵. سیگنال EMG به‌تنهایی کافی نیست

سیگنال‌های الکترومایوگرافی یا EMG اطلاعات ارزشمندی درباره فعالیت عضلات ارائه می‌دهند. اما تبدیل مستقیم این سیگنال‌ها به حرکت مورد نظر کاربر، کار ساده‌ای نیست.

یک حرکت مشابه می‌تواند با الگوهای متفاوتی از فعالیت عضلانی ایجاد شود و سیگنال‌های EMG نیز تحت تأثیر عوامل مختلف قرار می‌گیرند.

بنابراین، این پایان‌نامه به یک راه‌حل ترکیبی روی آورده است: استفاده از سیگنال‌های عضلانی در کنار یک مدل زیست‌فیزیکی از رفتار عضلات.

به عبارت دیگر، به‌جای اینکه سیستم صرفاً بپرسد:

«این الگوی EMG شبیه کدام حرکت است؟»

مدل تلاش می‌کند بپرسد:

«اگر این عضلات با این میزان فعال‌سازی کار کنند، از نظر فیزیکی چه حرکتی باید ایجاد شود؟»

این تفاوت، اساس تغییر نگاه پژوهش است.

۶. یک مدل ساده‌شده می‌تواند جایگزین شبیه‌سازی کامل بدن شود

مدل‌سازی تمام عضلات، تاندون‌ها، استخوان‌ها و مفاصل بدن انسان بسیار پیچیده و از نظر محاسباتی سنگین است.

راه‌حل این پایان‌نامه، ساخت یک مدل ساده‌شده از بازو است.

به‌جای بازنمایی تک‌تک عضلات واقعی، از عضلات مجازی استفاده شده که در قالب جفت‌های آگونیست–آنتاگونیست حول مفاصل مجازی قرار گرفته‌اند.

این یک ایده مهم در مهندسی است: گاهی برای رسیدن به عملکرد مناسب، لازم نیست تمام جزئیات سیستم واقعی را بازسازی کنیم.

پژوهش نشان می‌دهد که یک مدل ساده‌تر، اگر ویژگی‌های کلیدی سیستم زیستی را حفظ کند، می‌تواند اطلاعات ارزشمندی درباره حرکت مورد نظر کاربر ارائه دهد.

۷. چهار درجه آزادی با استفاده از دو ساختار AMI؛ یک نکته بسیار جالب

مدل توسعه‌یافته در این پژوهش برای یک فرد دارای قطع عضو در سطح بازو طراحی شده و چهار درجه آزادی را بررسی می‌کند:

• حرکت آرنج
• حرکت انگشت اشاره
• حرکت مجموعه‌ای از انگشتان
• حرکت شست

این در حالی است که فرد مورد مطالعه دارای دو ساختار AMI بوده است.

نکته جالب اینجاست که پژوهش از الگوهای فعالیت عضلانی و یک لایه تشخیص الگو استفاده کرده تا تعداد محدودی ورودی عضلانی بتواند مجموعه گسترده‌تری از حرکات را در مدل کنترل کند.

این نتیجه، یک پیام مهم دارد: تعداد سیگنال‌های عضلانی لزوماً برابر با تعداد حرکات قابل‌کنترل نیست.

اگر بتوان روابط میان فعالیت‌های عضلانی را به‌درستی مدل کرد، اطلاعات موجود در ترکیب این سیگنال‌ها می‌تواند بسیار بیشتر از چیزی باشد که در نگاه اول تصور می‌کنیم.

۸. مدل فقط حرکت را تقلید نکرد؛ ویژگی‌های کنترل انسانی را هم آزمایش کرد

یکی از نقاط جالب پژوهش، استفاده از قانون فیتس (Fitts’ Law) برای بررسی رفتار مدل است.

قانون فیتس به رابطه میان سرعت و دقت حرکت می‌پردازد. به‌طور کلی، هرچه یک وظیفه حرکتی دشوارتر و نیازمند دقت بیشتری باشد، زمان بیشتری برای انجام آن لازم است.

این یک ویژگی شناخته‌شده در کنترل حرکتی انسان است.

بنابراین، پژوهش فقط بررسی نکرد که آیا مدل می‌تواند به یک موقعیت مشخص برسد یا نه؛ بلکه بررسی کرد که آیا رفتار حرکتی مدل می‌تواند ویژگی‌هایی شبیه حرکت ارادی انسان داشته باشد.

این تفاوت مهم است.

رسیدن به نقطه مقصد کافی نیست؛ نحوه رسیدن به آن نیز اهمیت دارد.

نتایج نشان دادند که مدل توانسته است الگوهایی از مبادله سرعت–دقت را بازتولید کند؛ ویژگی‌ای که می‌تواند نشان دهد مدل فراتر از یک سیستم ساده روشن/خاموش عمل می‌کند.

۹. کنترل واقعی باید تدریجی باشد، نه فقط «روشن یا خاموش»

یکی از آزمون‌های مهم پژوهش، بررسی کنترل تدریجی (Graded Control) بود.

یک پروتز کاربردی نباید فقط بتواند مفصل را کاملاً باز یا کاملاً بسته کند. کاربر باید بتواند حرکت را در موقعیت‌های میانی نیز کنترل کند.

برای مثال، گرفتن یک لیوان کاغذی و گرفتن یک جسم سنگین به نیروی یکسان نیاز ندارند.

مدل باید بتواند تفاوت میان این سطوح مختلف قصد حرکتی را تشخیص دهد.

بررسی‌های پایان‌نامه نشان می‌دهد که مدل بهینه‌شده توانایی ایجاد کنترل تدریجی را تا حد قابل‌قبولی نشان داده است. این موضوع اهمیت زیادی دارد، زیرا زندگی روزمره مجموعه‌ای از حرکات دقیق و پیوسته است، نه مجموعه‌ای از فرمان‌های صفر و یک.

۱۰. بهینه‌سازی، نقش مهمی در تبدیل مدل به یک سیستم شخصی‌سازی‌شده دارد

هیچ دو انسان کاملاً یکسان نیستند. ویژگی‌های عضلانی، ساختار باقی‌مانده اندام و الگوهای فعال‌سازی عضلات از فردی به فرد دیگر تفاوت دارند.

به همین دلیل، یک مدل ثابت و یکسان احتمالاً برای همه کاربران بهترین عملکرد را نخواهد داشت.

در این پژوهش، پارامترهای مدل با استفاده از فرآیند بهینه‌سازی تعیین شده‌اند تا رفتار مدل با داده‌های واقعی فرد مورد مطالعه هماهنگ شود.

این یعنی مدل صرفاً یک بازوی عمومی نیست؛ بلکه تلاش می‌کند به یک بازنمایی شخصی‌سازی‌شده از سیستم عصبی‌عضلانی کاربر تبدیل شود.

و شاید آینده پروتزهای پیشرفته دقیقاً همین باشد: دستگاه‌هایی که خود را با بدن انسان تطبیق می‌دهند، نه انسان‌هایی که مجبورند خود را با دستگاه تطبیق دهند.

۱۱. نتیجه مهم: ساده‌سازی همیشه به معنای کاهش ارزش مدل نیست

در بسیاری از پروژه‌های مهندسی، وسوسه می‌شویم که مدل را هرچه بیشتر پیچیده کنیم.

عضلات بیشتر، پارامترهای بیشتر، داده‌های بیشتر و الگوریتم‌های پیچیده‌تر.

اما این پژوهش یک نکته مهم را یادآوری می‌کند: مدل خوب لزوماً مدلی نیست که بیشترین جزئیات را داشته باشد؛ بلکه مدلی است که ویژگی‌های مهم مسئله را به‌درستی حفظ کند.

مدل ساده‌شده این پژوهش توانسته است در چند درجه آزادی، مسیرهای حرکتی را با تطابق قابل‌توجهی بازتولید کند و برخی ویژگی‌های کلیدی کنترل حرکتی انسان را نیز نشان دهد.

این همان نقطه‌ای است که مدل‌سازی هوشمندانه از شبیه‌سازی صرف جدا می‌شود.

آینده‌ای که در آن پروتز بخشی از بدن احساس می‌شود

پیام بزرگ این پایان‌نامه شاید این باشد که آینده پروتزهای اندام فوقانی فقط به موتورهای قوی‌تر یا دست‌های رباتیکی با انگشتان بیشتر وابسته نیست.

مسئله اصلی این است که چقدر خوب می‌توان میان قصد انسان، فعالیت عصبی‌عضلانی، حرکت مکانیکی و بازخورد حسی ارتباط برقرار کرد.

ترکیب رابط‌های عصبی‌عضلانی مانند AMI، سیگنال‌های EMG، مدل‌سازی زیست‌فیزیکی و کنترل شخصی‌سازی‌شده می‌تواند مسیر متفاوتی برای طراحی پروتزها ایجاد کند.

در چنین آینده‌ای، کاربر شاید مجبور نباشد هر لحظه به پروتز نگاه کند یا درباره نحوه فرمان دادن به آن فکر کند.

حرکت می‌تواند به چیزی نزدیک‌تر شود که همیشه در بدن طبیعی بوده است: فکر کردن به انجام یک حرکت و اجازه دادن به سیستم عصبی‌عضلانی برای انجام بقیه کار.

سؤال نهایی اینجاست: اگر یک اندام مصنوعی بتواند نه‌تنها حرکت ما، بلکه منطق زیستی پشت حرکت ما را درک کند، مرز میان بدن و ماشین دقیقاً کجا خواهد بود؟