پیش‌بینی نمای قوس ساجیتال کفش‌های غلتکی بر اساس کینماتیک مچ پا حین راه رفتن: رویکرد شبکه عصبی مصنوعی

نوع مقاله : مقاله پژوهشی اصیل

نویسندگان
مینا علیخانی درآبی 1
مریم ذکری 2
مهسا کاویانی بروجنی 3
سعید فرقانی 4
1 کارشناس برق، مرکز تحقیقات اسکلتی- عضلانی، دانشکده توان‌بخشی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
2 دانشیار، مرکز تحقیقات پردازش تصویر و سیگنال پزشکی، دانشگاه علوم پزشکی اصفهان و گروه کنترل، دانشکده برق و کامپیوتر، دانشگاه صنعتی اصفهان، اصفهان، ایران
3 مربی، مرکز تحقیقات اسکلتی- عضلانی، دانشکده علوم توان‌بخشی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
4 دانشیار، مرکز تحقیقات پردازش تصویر و سیگنال پزشکی و مرکز تحقیقات اسکلتی- عضلانی، دانشکده علوم توان‌بخشی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
10.22122/jrrs.v12i4.2734
چکیده
مقدمه: زیره‌های غلتکی به صورت نمای قوس‌دار در صفحه ساجیتال، یکی از رایج‌ترین اصلاحات درمانی در کفش‌های غلتکی به منظور تغییر یا تطابق با کینماتیک و کینتیک مفاصل اندام تحتانی می‌باشد. هرچند معیار تجویز این قوس‌ها بر اساس ملاحظات تئوری صورت می‌گیرد، انجام مطالعات تجربی و آزمون و خطا می‌تواند به تجویز مناسب‌تر و استفاده بهتر از آن‌ها کمک کند. رویکرد مکمل، استفاده از تکنولوژی‌های هوشمند به منظور پیش‌بینی نمای قوس جهت تطابق یافتن با وضعیت هر مفصل است. هدف از انجام مطالعه حاضر، پیش‌بینی نمای قوس کفش‌های غلتکی در صفحه ساجیتال بر اساس کینماتیک مچ پا طی راه رفتن با استفاده از تکنولوژی شبکه عصبی مصنوعی بود.مواد و روش‌ها: در این مطالعه، 20 فرد سالم (با میانگین سنی 1/33 سال) در دو وضعیت استفاده از دو نوع کفش مختلف با دو نوع نمای قوس متفاوت در یک مسیر مستقیم 10 متری راه رفتند و کینماتیک مچ پای آنان با استفاده از نشانگرهای انعکاسی ثبت گردید. به شبکه عصبی مصنوعی آموزش داده شد تا حرکات مچ پا در صفحه ساجیتال در فاز استانس راه رفتن را با نمای قوس زیره‌ غلتکی مورد استفاده تطبیق دهد و سپس بتواند نوع قوس بعدی را بر اساس اطلاعات قبلی داده شده به آن پیش‌بینی کند. به منظور آموزش شبکه عصبی، داده‌های حاصل از آنالیز حرکات مچ پای 13 نفر از شرکت کنندگان و نمای قوس زیره‌ غلتکی کفش آن‌ها استفاده گردید (گروه شاهد) و از داده‌های دیگر شرکت کنندگان به منظور اعتباربخشی به اهداف مطالعه استفاده شد (گروه مورد).یافته‌ها: دقت به دست آمده از آنالیز داده‌ها بسیار رضایت‌بخش بود؛ چرا که ضریب همبستگی بین یافته‌های پیش‌بینی شده و نمای واقعی قوس در داده‌های حاصل از گروه مورد برای هر دو نوع کفش غلتکی مورد استفاده در مطالعه، بیشتر از 95/0 حاصل شد.نتیجه‎گیری: در مطالعه حاضر یک الگوریتم جدید جهت مشخص کردن ویژگی‌های کفش غلتکی با استفاده از مدل شبکه عصبی به دست آمد. نتایج حاصل شده برای طراحان کفش، ارتوزها و پروتزهای اندام تحتانی و گچ/ چکمه‌های پیاده‌روی قابلیت استفاده دارد.

کلیدواژه‌ها

  1. Forghany S, Nester CJ, Richards B, Hatton AL, Liu A. Rollover footwear affects lower limb biomechanics during walking. Gait Posture 2014; 39(1): 205-12.
  2. Pol F, Forghany S, Nester C, Rahimi A. The effect of rollover footwear on head and trunk posture during standing. J Foot Ankle Res 2014; 7(Suppl 1): A21.
  3. Hutchins S, Bowker P, Geary N, Richards J. The biomechanics and clinical efficacy of footwear adapted with rocker profiles--evidence in the literature. Foot (Edinb) 2009; 19(3): 165-70.
  4. Forghany S, Nester CJ, Richards B. The effect of rollover footwear on the rollover function of walking. J Foot Ankle Res 2013; 6(1): 24.
  5. Findlow A, Goulermas JY, Nester C, Howard D, Kenney LP. Predicting lower limb joint kinematics using wearable motion sensors. Gait Posture 2008; 28(1): 120-6.
  6. Chapman JD. Improving the design of the curved rocker shoe for people with diabetes [PhD Thesis]. Salford, UK: University of Salford; 2014.
  7. Germani M, Mandolini M, Mengoni M, Nester C, Raffaeli R. Tools for design and validation of shoe lasts for diabetic patients. Footwear Science 2012; 4(3): 221-41.
  8. Winter DA. Biomechanics and motor control of human movement. 4th ed. Hoboken, NJ: Wiley; 2009.
  9. Levenberg K. A method for the solution of certain non-linear problems in least squares. Quart Appl Math 1944; 2(2): 164-8.
  10. Marquardt DW. An algorithm for least-squares estimation of nonlinear parameters. SIAM J Appl Math 1963; 11(2): 431-41.
  11. Hahn ME, Chou LS. A model for detecting balance impairment and estimating falls risk in the elderly. Ann Biomed Eng 2005; 33(6): 811-20.
  12. Oh SE, Choi A, Mun JH. Prediction of ground reaction forces during gait based on kinematics and a neural network model. J Biomech 2013; 46(14): 2372-80.
  13. Chan CW, Wang N, Cha KC. A parametric study of artificial neural network as a surrogate model for heel-toe running computation. J Biomech 2007; 40: S565.
  14. Lugade V, Lin V, Farley A, Chou LS. An artificial neural network estimation of gait balance control in the elderly using clinical evaluations. PLoS One 2014; 9(5): e97595.
  15. Mostafavizadeh M, Sadri AR, Zekri M. Walking pattern classification in children with cerebral palsy: A wavelet network approach. Proceedings of the 16th CSI International Symposium on Artificial Intelligence and Signal Processing (AISP 2012); 2012 May 2-3; Shiraz, Iran. p. 243-9.
  16. Barton JG, Lees A. Comparison of shoe insole materials by neural network analysis. Med Biol Eng Comput 1996; 34(6): 453-9.
  17. Rupereza MJ, Martin-Guerrerob JD, Monserrat C, Alcaniza M. Artificial neural networks for predicting dorsal pressures on the foot surface while walking. Expert Syst Appl 2012; 39(5): 5349-57.
  18. McKee PR, Rivard A. Biopsychosocial approach to orthotic intervention. Hand Ther 2011; 24(2): 155-63.