طراحی و پیاده‌سازی کنترلر نروفازی تطبیقی برای بازی‌های حرکتی

نوع مقاله : مقاله پژوهشی اصیل

نویسندگان
کیاوش فتحی 1
افروز لقایی 2
جواد راستی 3
مریم ذکری 4
1 دانشجو، گروه مهندسی برق (کنترل)، دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی اصفهان، اصفهان، ایران
2 دانشجو، گروه مهندسی برق (الکترونیک)، دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی اصفهان، اصفهان، ایران
3 استادیار، گروه مهندسی پزشکی، دانشکده فنی، دانشگاه اصفهان، اصفهان، ایران
4 دانشیار، گروه مهندسی برق (کنترل)، دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی اصفهان، اصفهان، ایران
10.22122/jrrs.v15i4.3448
چکیده
مقدمه: در اثر کم‌تحرکی ناشی از عدم فعالیت در بازی‌های ویدئویی، مشکلات جسمانی بسیاری در بین طرفداران این بازی‌ها به وجود آمده ‌است. یک راهکار عملی برای مقابله با این معضل، ارایه یک کنترلر بازی به منظور افزایش فعالیت فیزیکی می‌باشد. در پژوهش حاضر، کنترلر نروفازی تطبیقی برای بازی‌های حرکتی معرفی شد.مواد و روش‌ها: کنترلر از چهار پد الاستیک متشکل از مقاومت و کلید فشاری متصل به یک میکروکنترلر و نرم‌افزار کنترلی تشکیل می‌شود. به منظور بهبود تجربه کاربر، از منطق فازی تطبیق‌پذیر برای پردازش داده دریافتی از کنترلر استفاده شده است. در مرحله آموزش، پارامترهای توابع عضویت سیستم فازی تنظیم شده و به کمک بردار گرادیان محاسبه ‌شده، پارامترهای سیستم فازی با استفاده از روش پس‌انتشار و بر اساس خطای محاسبه شده به‌روزرسانی می‌گردد.یافته‌ها: در سیستم فازی تام، کاربران با سن و خصوصیات فیزیکی متفاوت، تجربه بازی مناسبی را از یک سیستم از پیش تنظیم شده کسب نمی‌کنند. در طرح این پژوهش، دستور انتقال یافته به کامپیوتر اصلی، در حقیقت خروجی سیستم فازی و یکی از دسته‌های از پیش تعریف ‌شده Ignore، Press و یا Hold است که باعث بهبود تجربه‌ی کاربر می‌شود.نتیجه‎گیری: در روش پیشنهادی با جمع‌آوری سیگنال از کاربر برای تنظیم سیستم‌ فازی، کنترلر عملکرد قابل قبولی دارد و رضایت کاربر تأمین می‌گردد؛ چرا که سیستم بر اساس خصوصیات فیزیکی کاربر آموزش داده‌ می‌شود. سپس داده‌های جمع‌آوری‌ شده جهت تغییر پارامتر‌های سیستم فازی طراحی شده مورد استفاده قرار می‌گیرد تا کنترلر تجربه بازی لذت‌بخشی را برای کاربر فراهم نماید.

کلیدواژه‌ها

  1. Calvert SL, Staiano AE, Bond BJ. Electronic gaming and the obesity crisis. New Dir Child Adolesc Dev 2013; 2013(139): 51-7.
  2. Oh Y, Yang S. Defining exergames and exergaming. Proceddings of the Meaningful Play 2010; 2010 Oct 21-23; East Lansing, MI, USA.
  3. Peng W, Lin JH, Crouse J. Is playing exergames really exercising? A meta-analysis of energy expenditure in active video games. Cyberpsychol Behav Soc Netw 2011; 14(11): 681-8.
  4. Ameryoun A, Sanaeinasab H, Saffari M, Koenig HG. Impact of game-based health promotion programs on body mass index in overweight/obese children and adolescents: A systematic review and meta-analysis of randomized controlled Trials. Child Obes 2018; 14(2): 67-80.
  5. Parry I, Carbullido C, Kawada J, Bagley A, Sen S, Greenhalgh D, et al. Keeping up with video game technology: Objective analysis of Xbox Kinect and PlayStation 3 Move for use in burn rehabilitation. Burns 2014; 40(5): 852-9.
  6. Levenberg G, Levenberg G, Klitsner D. Interactive video game controller adapter [Patent]. (Publication of US6811491B1). 2004.
  7. Sinclair J, Hingston PF, Masek M. Considerations for the design of exergames. Proceedings of the 5th International Conference on Computer Graphics and Interactive Techniques in Australia and Southeast Asia; 2007 Dec 1-4; Perth, Australia. p. 289–95.
  8. Trout J, Zamora K. Using dance dance revolution in physical education. Teaching Elementary Physical Education 2005; 16(5): 22-5.
  9. Zhang Z. Microsoft kinect sensor and its effect. IEEE Multimedia 2012; 19(2): 4-10.
  10. Microsoft. PrimeSense Supplies 3-D-Sensing Technology to "Project Natal" for Xbox 360. 2010.
  11. Benzing V, Schmidt M. Exergaming for children and adolescents: Strengths, weaknesses, opportunities and threats. J Clin Med 2018; 7(11): E422.
  12. Wang LX. A course in fuzzy systems and control. Upper Saddle River, NJ: Prentice Hall PTR; 1997.
  13. Roychowdhury S, Pedrycz W. A survey of defuzzification strategies. Int J Intell Syst 2001; 16(6): 679-95.
  14. Zadeh LA. Fuzzy logic. Computer 1988; 21(4): 83-93.
  15. Hellendoorn H. The generalized modus ponens considered as a fuzzy relation. Fuzzy Set Syst 1992; 46(1): 29-48.
  16. Terano T, Asai K, Sugeno M. Fuzzy Systems Theory and Its Applications. San Diego, CA: Academic Press; 1992.
  17. Mathworks. Mamdani and Sugeno Fuzzy Inference Systems [Online]. [cited 2019 Nov]; Available from: URL: https://www.mathworks.com/help/fuzzy/types-of-fuzzy-inference-systems.html
  18. Ram M. Advanced fuzzy logic approaches in engineering science. Hershey, PA: IGI Global Publisher; 2018.
  19. Mathworks. Neuro-Adaptive Learning and ANFIS [Online]. [cited 2019]; Available from: URL: https://www.mathworks.com/help/fuzzy/neuro-adaptive-learning-and-anfis.html
  20. Hastie T, Tibshirani R, Friedman JH. The elements of statistical learning: Data mining, inference, and prediction. New York, NY: Springer; 2009.
  21. Bishop CM. Pattern recognition and machine learning. New York, NY: Springer; 2016.
  22. Guo R, Quarles J. Converting sedentary games to exergames: A case study with a car racing game. Proceedings of the 5th International Conference on Games and Virtual Worlds for Serious Applications (VS-GAMES); 2013 Sep 11-13; Poole, UK. p. 1-8.
  23. Maillot P, Perrot A, Hartley A, Do MC. The braking force in walking: age-related differences and improvement in older adults with exergame training. J Aging Phys Act 2014; 22(4): 518-26.