مقدمه و اهداف: در دهههای گذشته کنترل لرزش دست در بیماریهای اختلالات عصبی مانند پارکینسون توجه زیادی را به خود جلب کرده است. تئوریهای روش تحریک عمیق مغزی بهصورت حلقه بسته بهطور قابلتوجهی در حال افزایش است. هدف از این مقاله، ارائه یک روش حلقه بسته خودکار برای توانبخشی بیماران پارکینسونی دارای علائم لرزش دست با استفاده از یادگیری ماشین است.
مواد و روش: در مقاله حاضر از مدل ریاضی که شامل مدل عضله، عقدههای قاعدهای (Basal ganglia)، قشر مغز و ناحیه حرکتی (Supplementary Motor Area) برای شبیهسازی لرزش استفادهشده است؛ و همچنین برای کنترل لرزش دست از کنترلکننده تناسبی-مشتقگیر-انتگرالگیر غیر صحیح (non-integer PID) و همچنین با استفاده از الگوریتم هوشمند Proximal Policy Optimization (PPO) بهعنوان زیرمجموعه یادگیری تقویتی برای تنظیم ضرایب استفادهشده است.
یافتهها: از مزایای روش پیشنهادی علاوه بر کاهش لرزش دست و یادگیری خودکار برای استفاده در سطحهای مختلف بیماری که نتایج قابل قبولی نسبت به سایر روشهای کنترلی داده است، پیادهسازی این روش بهصورت عملی در دنیای واقعی به دلیل سادگی کنترلکننده و همچنین پیادهسازی آسان الگوریتم هوشمند به دلیل تنظیم خودکار ضرایب شبکههای هوش مصنوعی است.
نتیجهگیری: سیستم هوشمند پیشنهادی علاوه بر بهینهسازی علائم خروجی مانند لرزش دست در مقایسه با سایر کنترلکنندهها و همچنین قابلاستفاده برای تمام سطوح بیماری به دلیل تطبیقی بودن آن، باعث کاهش چشمگیر اثرات جانبی ناشی از تحریک مداوم مغز در روش تحریک مغز بهصورت حلقه باز میشود.
