Neuroprosthetic Anyar minangka Terobosan Robotika AI

Ilmuwan ing EPFL (École polytechnique fédérale de Lausanne) ing Swiss ngumumake nggawe pertama kaline kanggo kontrol tangan robot - jinis neuroprostetik anyar sing nyawijikake kontrol manungsa kanthi otomatisasi intelijen (AI) kanggo ketrampilan robot sing luwih gedhe lan nerbitake riset ing September 2019 ing Intelijen Mesin Alam .

Neuroprosthetics (prostetik saraf) minangka piranti gawean sing ngrangsang utawa ningkatake sistem saraf liwat stimulasi listrik kanggo menehi ganti rugi kanggo cacat motor sing nyebabake ketrampilan motorik, kognisi, sesanti, pangrungon, komunikasi, utawa katrampilan sensorik. Conto neuroprosthetics kalebu antarmuka komputer otak (BCI), stimulasi otak jero, stimulator sumsum tulang belakang (SCS), implan kontrol kandung kemih, implan koklea, lan alat pacu jantung.

Nilai prostitusi anggota badan ndhuwur ing saindenging jagad dijangka luwih saka 2.3 milyar USD ing taun 2025, miturut angka saka laporan Agustus 2019 dening Global Market Insight. Ing taun 2018, rega pasar ing saindenging jagad nggayuh siji milyar USD adhedhasar laporan sing padha. Kira-kira rong yuta wong Amerika minangka amputee, lan ana luwih saka 185.000 amputasi sing ditindakake saben taun, miturut Pusat Informasi Kerugian Limb National. Penyakit pembuluh darah nyuda 82 persen amputasi A.S. miturut laporan kasebut.

Prostesis myoelektrik digunakake kanggo ngganti bagean awak sing diamputasi nganggo tungkai buatan eksternal sing diaktifake dening otot pangguna sing wis ana. Miturut tim panalitiyan EPFL, piranti komersial sing kasedhiya saiki bisa menehi otonomi sing luwih dhuwur tumrap para pangguna, nanging ketangkasan kasebut bisa lincah kaya tangan manungsa sing utuh.

"Piranti komersial biasane nggunakake sistem rong-rekaman-saluran kanggo ngontrol tingkat kebebasan siji; yaiku, siji saluran sEMG kanggo fleksion lan siji kanggo ekstensi, "tulis peneliti EPFL ing panelitiane. "Nalika intuisi, sistem kasebut ora menehi ketrampilan. Wong-wong ninggali prostesis myoelektrik kanthi rega sing akeh, amarga amarga rumangsa level kontrol ora cukup kanggo entuk rega lan kerumitan piranti kasebut. "

Kanggo ngatasi masalah dexterity karo prostesis mioelektrik, peneliti EPFL njupuk pendekatan interdisipliner kanggo panelitian konsep-konsep iki kanthi nggabungake bidang ilmiah neuroengineering, robotika, lan intelijen buatan kanggo nggawe semi-otomasi bagean saka prentah motor kanggo "sambungan kontrol. "

Silvestro Micera, Ketua Yayasan Bertarelli Foundation EPFL ing Neuroengineering Translational, lan Profesor Bioelectronics ing Scuola Superiore Sant'Anna ing Italia, ndeleng pendekatan bebarengan iki kanggo ngontrol tangan robot bisa nambah pengaruh klinis lan kegunaan kanggo macem-macem tujuan neuroprostetik kayata otak. antarmuka antar mesin (BMI) lan tangan bionik.

"Salah sawijining sebab kenapa prostesis komersial luwih nggunakake decoder adhedhasar klasifikasi tinimbang proporsional amarga klasifikasi luwih kuat ing sikep tartamtu," tulis peneliti. "Kanggo nangkep, jinis kontrol iki becik kanggo nyegah ora sengaja nyuda nanging ngorbanake agensi pangguna kanthi matesi jumlah postur tangan sing bisa ditindakake. Implementasi kontrol bareng kanggo ngidini agensi pangguna lan kekuwatan sing kuat. Ing ruang bebas, pangguna duwe kontrol lengkap babagan gerakan tangan, sing uga ngidini nggawe pra-volional kanggo nyekel. "

Ing panliten iki, peneliti EPFL fokus ing desain algoritma piranti lunak — hardware robot sing diwenehake dening pihak eksternal kalebu Allegro Hand sing dipasang ing robot KUKA IIWA 7, sistem kamera OptiTrack lan sensor tekanan TEKSCAN.

Para ilmuwan EPFL nggawe dekoder proporsional kinematik kanthi nggawe multilayer perceptron (MLP) kanggo sinau babagan cara narjamahake kekarepane pangguna supaya bisa nerjemahake menyang gerakan driji ing tangan gawean. Perceptron multilayer minangka jaringan saraf buatan palsu sing nggunakake backpropagation. MLP minangka metode pembelajaran sing jero supaya informasi maju ing sawijining arah, lawan siklus utawa loop liwat jaringan saraf buatan.

Algoritma dilatih dening data input saka pangguna sing nindakake serangkaian gerakan tangan. Kanggo wektu konvergensi sing luwih cepet, metode Levenberg – Marquardt digunakake kanggo masang bobot jaringan tinimbang keturunan gradien. Proses pelatihan model lengkap cepet lan butuh wektu kurang saka 10 menit kanggo saben subjek, nggawe algoritma praktis saka perspektif panggunaan klinis.

"Kanggo amputee, pancen angel banget kontrak otot kanggo macem-macem cara kanggo ngontrol kabeh cara gerakan driji," ujare Katie Zhuang ing Laboratorium Teknik Neural Translasional EPFL, sing dadi panulis panelitian pertama. . "Apa sing kita tindakake yaiku nyelehake sensor kasebut ing tunggul sing isih ana, banjur rekam lan coba nafsirake apa sinyal gerakane. Amarga sinyal kasebut bisa uga rame, sing dibutuhake yaiku algoritma pembelajaran mesin iki sing ngekstrak kegiatan sing penting saka otot kasebut lan napsirake gerakan. Lan gerakan kasebut minangka kontrol ing saben driji tangan robot. "

Amarga prediksi mesin gerakan driji bisa uga ora akurat 100 persen, peneliti EPFL nggabungake otomatisasi robot supaya bisa nggawe tangan buatan lan kanthi otomatis miwiti nutup obyek nalika kontak awal digawe. Yen pangguna pengin ngeculake obyek, sing kudu ditindakake yaiku nyoba mbukak tangan supaya bisa mateni kontroler robot, lan sijine maneh pangguna ing kontrol tangan.

Miturut Aude Billard sing nuntun Algoritma Pembelajaran lan Laboratorium Sistem EPFL, tangan robot bisa menehi reaksi sajrone 400 milidetik. "Dilengkapi karo sensor tekanan ing kabeh driji, bisa menehi reaksi lan nyetabilake obyek sadurunge otak bisa ngerteni yen obyek kasebut mudhun," ujare Billard.

Kanthi ngetrapake intelijen buatan menyang neuroengineering lan robotika, para ilmuwan EPFL wis nuduhake pendekatan anyar kontrol bareng antarane mesin lan niat pangguna - kemajuan teknologi neuroprostetik.

Hak cipta © 2019 Cami Rosso Kabeh hak dilindhungi undhang-undhang.