Моделирование процесса обучения движениям в сложных биомеханических системах на основе нейро-нечетких комплексов
Разработка нейро-нечеткой системы для изучения функций управления движениями человека, позволяющей обосновать теоретические предположения о механизмах обучения управлению на примере следящих движений. Схема устройства адаптивной нейро-нечеткой системы.
Рубрика | Программирование, компьютеры и кибернетика |
Вид | статья |
Язык | русский |
Дата добавления | 18.01.2018 |
Размер файла | 498,2 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
МОДЕЛИРОВАНИЕ ПРОЦЕССА ОБУЧЕНИЯ ДВИЖЕНИЯМ В СЛОЖНЫХ БИОМЕХАНИЧЕСКИХ СИСТЕМАХ НА ОСНОВЕ НЕЙРОНЕЧЕТКИХ КОМПЛЕКСОВ
А.А. Кащеев
М.П. Шестаков
Введение
Обучение движениям человека можно рассматривать как целенаправленный и систематически осуществляемый процесс создания, совершенствования и реализации моторных программ определенного класса двигательных действий на основе целостных образов, хранимых в памяти. Моторные программы являются информационными системами сигналов, свидетельствующих о динамике объекта управления, условиях внешней среды и состоянии самой системы управления.
Создание моторных программ - это создание моделей, описывающих внутренний и внешний мир относительно системы управления, а также модель «потребного будущего» [Бернштейн, 1990].
Противоречие в обучении движениям состоит в том, что моторная программа не может быть создана без самого движения, движения не существует без наличия этой программы. При этом программа должна быть по возможности «правильной», соответствовать желаемому.
Решением противоречия является изменение элементарной моторной программы с последующим ее развитием в сторону усложнения.
Элементарная программа должна изначально иметь составляющие, близкие к тем, которые будут определять правильность выполнения этого движения в будущем.
Наибольшие теоретические трудности возникают здесь при попытке объяснения психической причинности управления (каким образом психическое явление, которому нельзя приписывать физические свойства: массу, энергию и т.п. - способно служить причиной телесных изменений?) [Дубровский, 2007].
Субъективный образ является топологическим, не имеющий размерности, но привязанный памятью к ситуации и решению поставленной задачи. Субъективный образ опирается на объективную информацию, получаемую по афферентным путям. Формирование субъективного образа удобно рассматривать как моделирование объективной реальности. Совокупность субъективных образов образует субъективную реальность - модель объективной реальности, выстроенную в доступном субъекту аспекте.
Решение двигательной задачи осуществляется по эфферентным путям и является абсолютно метрическим. Что и является на сегодняшний день сложной проблемой для организации экспериментальных работ.
Двигательное действие в нашей работе рассматривается как информационный процесс. Информация является связующим элементом между физиологическим и психологическим аспектами при выполнении произвольного движения.
На входе - информация о текущем состоянии объекта, на выходе - модельное представление в виде графического представления целесообразного преобразующего воздействия субъекта действия на объект.
Началом действия следует считать момент встречи субъективных и объективных векторов, замыкания оперативной связи между ними.
Действие начинается не тем, что его объект оказывается в некотором текущем состоянии, а тем, что его субъект приступает для достижения цели к приему информации о состоянии, в каком находится подлежащий преобразованию объект. Соответственно, действие завершается не тем, что его объект преобразован, а тем, что субъект получает ожидаемую информацию о результате оказанного им преобразующего воздействия на объект.
Двигательное действие как информационный процесс представляет собой некоторую упорядоченную последовательность операций над «входной» информацией, в результате которой информация, переходя из одного вида в другой, в конце концов принимает форму целесообразного воздействия на объект. Эта совокупность операций может рассматриваться как информационный алгоритм предметного действия и может быть соответственно формализована.
Целью настоящего исследования состояла в разработке нейро-нечеткой системы для изучения функций управления движениями человека.
1. Методика исследования
При апробации разрабатываемого подхода проведены экспериментальные работы. В качестве двигательного задания нами было выбрано выполнение движения на месте при стоянии на стабилометрической платформе, заключающееся в синхронном отслеживании перемещении маркера общего центра давления испытуемого относительно задающего круговую траекторию маркера на экране компьютера. Работа по тестированию состояния системы управления движениями включает в себя проведение оценки системы управления движениями с использованием биомеханического стенда на основе инструментальной методики - стабилоанализатор компьютерный “Стабилан-01» с биологической обратной связью (ОКБ «Ритм», г. Таганрог). Модуль пробы с эвольвентой предназначен для проведения стабилографической пробы, в процессе записи которой пациент должен двигаться по кривой, называемой "эвольвента". Траектория эвольвенты представляет собой раскручивающуюся кривую из центра до определенной амплитуды, несколько кругов по амплитуде, а затем сворачивание в центр (рис. 1).
Размещено на http://www.allbest.ru/
Рис. 1. Пример записи развертки во фронтальной плоскости круга. А - движение ОЦД испытуемого, В - заданная траектория
нечеткий управление движения адаптивный
Испытуемый должен удерживать маркер А общего центра давления на маркере В задающего круговую траекторию. Маркер В двигается сначала по раскручивающейся эвольвенте в выбранном направлении, затем двигается заданное количество кругов без изменения амплитуды и в конце двигается по сворачивающейся эвольвенте в центр. Анализируется суммарная и средняя ошибки слежения испытуемого по каждому направлению (во фронтальной и сагиттальной плоскости).
2. Описание программы
Программа состоит из четырех логических блоков:
- основной блок программ - реализует функционал программы и связывает остальные блоки программы;
- графический интерфейс - реализует возможность удобной настройки различных параметров программы пользователю;
- блок для обработки данных с СОМ-Порта - обрабатывает данные с внешнего устройства, подключенного через СОМ-порт, позволяющие проводить тестирование на платформе;
- блок адаптивной нейро-нечеткой системы - реализует полный функционал для обработки данных в программе с помощью гибридной сети.
Все, кроме основного блока, реализовано в.dll (Dynamic link library) - динамически подключаемые библиотеки. Это осуществляет гибкое связывание компонентов программы на этапе выполнения, что в свою очередь оптимизирует используемые ресурсы системы, необходимые для работы программы.
Основной блок реализован как исполняемый файл.
Все слои системы инициализируются в определенном порядке. В некоторых функциях используются их перегруженные варианты. Это обеспечивает возможность обработки различных типов входных данных.
Один тип входных данных реализует возможность обработки ошибок, которые делает испытуемый, ошибаясь по амплитуде, другой тип данных используется, когда обрабатываются данные с ошибкой по времени.
Таким образом, при обработке ошибок по амплитуде в систему необходимо вводить данные о радиусе траектории, по которой движется эталонный маркер.
При инициализации системы основные параметры загружаются из файла настроек.
Данные, записываемые программой, хранятся в определенных папках (индивидуальных для каждого испытуемого) в текстовых файлах в заданном формате, что позволяет сохранять все необходимые для дальнейшей обработки параметры и дает возможность также просматривать эти данные без дополнительного программного обеспечения.
Рис 2. Принципиальная схема нейро-нечеткой системы
На рис. 2 изображена принципиальная схема устройства адаптивной нейро-нечеткой системы. Система состоит из 4-х вычислительных слоев и 3-х слоев связей. В каждом слое нейронов находится переменное (в зависимости от количества входов и выходов) число элементов.
Для обучения используется алгоритм обратного распространения ошибки (Back-Propagation Algorithm), который позволяет достигать заданного качества обучения многослойных сетей.
Функции каждого слоя:
Слой 1 - представляет функции принадлежности, реализованные как радиально базисные нейроны.
Слой 2 - моделирует И-условия правил, в нем содержится полный набор правил, которые в дальнейшем редактируются и выводятся.
Слой 3 - представляет собой ИЛИ - комбинацию. В режиме обучения слой настраивает параметры функций принадлежности в третьем слое. В рабочем режиме формирует значения выхода, объединяя правила.
Слой 4 - в рабочем режиме осуществляет дефаззификацию, нормализацию и вывод системы; а в режиме обучения - это дополнительный вход, позволяющий настроить функцию принадлежности выходной переменной.
В связи с недостатками существующих реализаций была написана своя реализация адаптивной нейро-нечеткой системы.
Реализации программы для проведения тестирования и модуля адаптивной нейро-нечеткой системы написаны под операционную систему Microsoft Windows XP SP2 или выше, с установленными пакетами Microsoft.Net Framework 3.5 или выше, и Microsoft DirectX 9.0 или выше.
Для написания программы была выбрана технология.Net и язык программирования C#, который позволяет на высоком программном уровне строить как пользовательские приложения, так и технические библиотеки.
Общий ход работы программы:
Испытуемый встает на платформу и делает пробное количество кругов. После прохождения определенного количества кругов происходит запись координат стабилограммы.
В программе определяется сектор, в котором испытуемый совершил набольшее количество ошибок при движении. И дальше будет происходить обработка данных этого сектора.
По полученной выборке нейро-нечеткая система начинает генерацию своей структуры, т.е. генерирует полный набор правил и выбирает используемые, затем дообучается по этой же выборке, в которой несколько точек упорядоченного набора координат - это входной параметр, а следующие за ними соответствующие точки стабилограммы выходной.
Если обучаемость не достигает нужного, заданного априори, качества, то повторяется цикл приема, обработки данных и дообучения системы.
На выходе получается набор «правил», описывающий характерные ошибки пациента в данном тестовом упражнении.
После окончания тестирования у оператора есть возможность просмотреть график траектории движения испытуемого в конкретном тесте.
Окно просмотра графического отображения траектории выглядит следующим образом (рис. 3):
Рис 3. Окно для отображения графиков программы
Заключение
В работе экспериментально показана связь между биомеханическими показателями и формированием субъективного образа планируемого результата движения.
В эксперименте использовался стабилометрический комплекс с биологической обратной связью, который позволил выявить группы испытуемых с характерными закономерностями в ошибках движения, а также набора правил, позволяющим проводить по ним обучение испытуемых.
Анализ результатов показывает, что предлагаемый подход позволяет определять характерные особенности выполнения конкретных движений, так называемый «почерк». «Почерк» движения в нашем случае понимается как определение характерных для каждого испытуемого проявлений при выполнении стандартных произвольных движений, фиксируемых внешним наблюдателем с помощью объективных средств регистрации и позволяющих идентифицировать этого испытуемого.
Разработка модели, представленная в данной работе, позволяет обосновать теоретические предположения о механизмах обучения управлению целенаправленными движениями человека на примере следящих движений. Рассмотренный подход может быть реализован при подготовке спортсменов различных видов спорта, в особенности сложно-координационных, требующих повышенных требований к технике выполнения упражнений, а также в области восстановительной и спортивной медицины.
Список литературы
[Бернштейн Н.А., 1990] Бернштейн Н.А. Физиология движений и активность. - М.: Наука, 1990.
[Дубровский Д.И., 2007] Дубровский Д.И. Сознание, мозг, искусственный интеллект. - М.: ИД Стратегия-Центр, 2007.
Размещено на Allbest.ru
...Подобные документы
Методы, системы, типы и способы проводимых измерений в автоматизированных системах медицинского обеспечения безопасности на транспорте. Проектирования нечеткого алгоритма предрейсовых медицинских осмотров на основе адаптивной сети нейро-нечеткого вывода.
дипломная работа [6,5 M], добавлен 06.05.2011Искусственные нейросетевые системы как перспективное направление в области разработки искусственного интеллекта. Назначение нейро-нечётких сетей. Гибридная сеть ANFIS. Устройство и принцип работы нейро-нечётких сетей, применение в экономике и бизнесе.
контрольная работа [102,5 K], добавлен 21.06.2012Изучение нейро-компьютерных интерфейсов - физических интерфейсов приёма или передачи сигналов между живыми нейронами биологического организма (например, мозгом животного) с одной стороны, и электронным устройством (например, компьютером) с другой стороны.
контрольная работа [374,2 K], добавлен 25.11.2010Изучение методов разработки систем управления на основе аппарата нечеткой логики и нейронных сетей. Емкость с двумя клапанами с целью установки заданного уровня жидкости и построение нескольких типов регуляторов. Проведение сравнительного анализа.
курсовая работа [322,5 K], добавлен 14.03.2009Параметры автомобиля, используемые в экспертной системе. Задание нечетких и лингвистических переменных, виды термов. Список правил для функционирования системы, результаты анализа ее работы. Применение алгоритма Мамдани в системах нечеткой логики.
курсовая работа [1,5 M], добавлен 10.02.2013Разработка программного обеспечения автоматизированной системы безопасности. Задание лингвистических переменных в среде MatLAB. Развитие нечеткой логики. Характеристика нечетких систем; смещение центра их исследований в сторону практических применений.
курсовая работа [2,2 M], добавлен 10.02.2013Роль и возможности адаптивной модели в организации образовательного процесса. Структура и механизм навигации в адаптивной модели обучения АЯП Prolog. Программная реализация адаптивной модели обучения. Демонстрация созданного программного продукта.
курсовая работа [1,6 M], добавлен 19.06.2015Разработка информационной образовательной технологии на основе системы управления обучением Moodle. Теоретические основы электронного образования и программные платформы для организации электронного обучения, преимущества и недостатки такого обучения.
дипломная работа [1,7 M], добавлен 07.07.2012Интеллектуальная система как техническая или программная система, решающая задачи, которые считаются творческими и принадлежат конкретной предметной области. Анализ системы нечеткого логического вывода. Знакомство со средой программирования FuzzyTECH.
дипломная работа [2,6 M], добавлен 30.09.2016Исследование нечеткой модели управления. Создание нейронной сети, выполняющей различные функции. Исследование генетического алгоритма поиска экстремума целевой функции. Сравнительный анализ нечеткой логики и нейронной сети на примере печи кипящего слоя.
лабораторная работа [2,3 M], добавлен 25.03.2014Интернет-технологии как средство обучения. WEB-приложения для проведения процесса обучения. Школьная информационно-аналитическая система. Разработка школьной информационной системы на основе интернет-технологий. Использование инструментальной программы.
дипломная работа [165,3 K], добавлен 27.11.2010Использование нечеткой логики при управлении техническими объектами, основанными на имитации действия человека-оператора при помощи ЭВМ, в соединении с пропорционально-интегрально-дифференциальным регулированием и алгоритмах управления процессом флотации.
доклад [74,7 K], добавлен 21.12.2009Реализация системы визуального программирования. Выбор технических средств для нее. Варианты использования языка JavaScript. Создание приложения программы-редактора блок-схем и сайта удалённого обучения на основе интерактивной системы обучения Moodle.
дипломная работа [2,2 M], добавлен 07.07.2012Механизм работы нервной системы и мозга человека. Схема биологического нейрона и его математическая модель. Принцип работы искусственной нейронной сети, этапы ее построения и обучения. Применение нейронных сетей в интеллектуальных системах управления.
презентация [98,6 K], добавлен 16.10.2013Теоретические основы изучения темы "Компьютерное моделирование". Основные принципы преподавания информатики в общеобразовательной школе. Обзор изложения темы в учебниках разных авторов. Общие вопросы разработки дополнительных заданий к элективному курсу.
дипломная работа [5,8 M], добавлен 22.10.2012Понятие дистанционного обучения, его сущность и особенности, содержание и цели. Разновидности дистанционного обучения и их характерные черты. Эффективность дистанционного обучения на современном этапе. Основные требования к программному обеспечению.
научная работа [40,2 K], добавлен 29.01.2009Разработка системы снижения валового выброса, с применением технологии искусственного интеллекта для вычисления долей изменения нагрузки предприятий в соответствии с их долями в выбросах загрязнений в атмосферу в условиях неполной и нечеткой информации.
диссертация [1,9 M], добавлен 18.11.2017Теория автоматического управления. Передаточная функция системы по ее структурной схеме. Структурная схема и передаточная функция непрерывной САР. Устойчивость системы. Исследование переходного процесса. Расчет и построение частотных характеристик.
курсовая работа [732,4 K], добавлен 14.03.2009Разработка операторского интерфейса системы мониторинга и управления объекта, обладающего инерционными свойствами. Создание программного обеспечения для отображения данных системы в среде программирования ST. Моделирование имитаторов объекта управления.
курсовая работа [3,1 M], добавлен 14.02.2016Теоретические особенности проектирования процессов организации средствами BPwin и ERwin. Основы библиотечной деятельности. Моделирование информационной системы, позволяющей улучшить эффективность выполнения рабочих заданий, осуществляющихся в библиотеке.
курсовая работа [241,6 K], добавлен 03.05.2011