Naujas neuroprotezas yra intelektinės robotikos proveržis

Šveicarijos EPFL (École polytechnique fédérale de Lausanne) mokslininkai paskelbė sukūrę pirmąjį pasaulyje robotizuotą rankų valdymą - naujo tipo neuroprotezus, kurie sujungia žmogaus valdymą su dirbtinio intelekto (AI) automatizavimu, siekiant didesnio robotų miklumo, ir paskelbė savo tyrimus 2019 m. Rugsėjo mėn Gamtos mašinų intelektas .

Neuroprotezai (neuroniniai protezai) yra dirbtiniai prietaisai, stimuliuojantys ar stiprinantys nervų sistemą per elektrinę stimuliaciją, siekiant kompensuoti trūkumus, darančius įtaką motoriniams įgūdžiams, pažinimo, regos, klausos, bendravimo ar jutimo įgūdžiams. Neuroprotezavimo pavyzdžiai yra smegenų ir kompiuterio sąsajos (BCI), gilus smegenų stimuliavimas, nugaros smegenų stimuliatoriai (SCS), šlapimo pūslės valdymo implantai, kochleariniai implantai ir širdies stimuliatoriai.

Tikimasi, kad 2025 m. Viršutinė galūnių protezavimo vertė pasaulyje viršys 2,3 mlrd. USD, rodo 2019 m. Rugpjūčio mėn. „Global Market Insight“ ataskaitos duomenys. Remiantis ta pačia ataskaita, 2018 m. Pasaulinė rinkos vertė pasiekė milijardą JAV dolerių. Apskaičiuota, kad du milijonai amerikiečių yra ampute, o Nacionalinio galūnių nuostolių informacijos centro duomenimis, kasmet atliekama daugiau nei 185 000 amputacijų. Pasak pranešimo, kraujagyslių ligos lemia 82 procentus JAV amputacijų.

Mioelektrinis protezas naudojamas amputuotoms kūno dalims pakeisti išorine galia dirbtine galūne, kurią aktyvuoja esami vartotojo raumenys. Pasak EPFL tyrimų grupės, šiandien turimi komerciniai prietaisai gali suteikti vartotojams aukšto lygio autonomiją, tačiau vikrumas nė iš tolo nėra toks judrus kaip nepažeista žmogaus ranka.

„Komerciniai prietaisai paprastai naudoja dviejų įrašų kanalų sistemą, kad valdytų vieną laisvės laipsnį; tai yra vienas sEMG kanalas lenkimui ir vienas pratęsimui “, - savo tyrime rašė EPFL tyrėjai. „Nors intuityvi, sistema suteikia mažai vikrumo. Žmonės atsisako mioelektrinių protezų dideliu greičiu, iš dalies dėl to, kad mano, jog kontrolės lygis yra nepakankamas, kad nusipelnytų šių prietaisų kainos ir sudėtingumo “.

Norėdami išspręsti miklumo problemą naudodami mioelektrinius protezus, EPFL tyrėjai pasirinko tarpdisciplininį požiūrį į šį koncepcijos įrodymo tyrimą, sujungdami neuroinžinerijos, robotikos ir dirbtinio intelekto mokslo sritis, kad pusiau automatizuotų variklio komandos dalį „dalijamasi“ kontrolė."

Silvestro Micera, EPFL „Bertarelli“ fondo pirmininkas vertimo neuroinžinerijos srityje ir bioelektronikos profesorius iš Scuola Superiore Sant'Anna Italijoje, mano, kad šis bendras požiūris valdant robotus gali pagerinti klinikinį poveikį ir naudojimą įvairiausiais neuroprotezavimo tikslais, tokiais kaip smegenys. - mašinos sąsajos (KMI) ir bioninės rankos.

"Viena iš priežasčių, kodėl komerciniai protezai dažniau naudoja klasifikatoriais pagrįstus dekoderius, o ne proporcingus, yra tai, kad klasifikatoriai tvirtiau išlieka tam tikroje pozoje", - rašė tyrėjai. „Norint suvokti, tokio tipo valdymas yra idealus, kad būtų išvengta atsitiktinio numetimo, tačiau aukojama vartotojų agentūra, ribojant galimų rankų pozų skaičių. Įgyvendindami bendrą kontrolę, galite pasiekti tiek vartotojų agentūras, tiek suvokti tvirtumą. Laisvoje erdvėje vartotojas gali visiškai valdyti rankų judesius, o tai taip pat leidžia iš anksto suformuoti norą, kad būtų galima užčiuopti “.

Šiame tyrime EPFL tyrėjai daugiausia dėmesio skyrė programinės įrangos algoritmų projektavimui - robotų aparatinę įrangą, kurią pateikė išorės šalys, sudaro „Allegro Hand“, sumontuota ant roboto KUKA IIWA 7, „OptiTrack“ kamerų sistema ir TEKSCAN slėgio jutikliai.

EPFL mokslininkai sukūrė kinematinį proporcingą dekoderį sukurdami daugiasluoksnį perceptroną (MLP), kad išmoktų interpretuoti vartotojo ketinimus, kad tai paverstų pirštų judesiu dirbtine ranka. Daugiasluoksnis perceptronas yra grįžtamasis dirbtinis neuroninis tinklas, kuris naudoja atgalinį dauginimą. MLP yra giluminis mokymosi metodas, kai informacija juda pirmyn viena kryptimi, palyginti su ciklu ar kilpa per dirbtinį neuroninį tinklą.

Algoritmą moko įvesties duomenys iš vartotojo, atliekančio rankos judesius. Kad konvergencijos laikas būtų greitesnis, tinklo svoriams pritaikyti vietoj gradiento nusileidimo buvo naudojamas Levenberg – Marquardt metodas. Viso modelio mokymo procesas buvo greitas ir truko mažiau nei 10 minučių kiekvienam tiriamajam, todėl algoritmas buvo praktiškas klinikinio požiūrio požiūriu.

„Amputuotojui iš tikrųjų labai sunku sutraukti raumenis daugeliu skirtingų būdų, kaip valdyti visus mūsų pirštų judėjimo būdus“, - sakė Katie Zhuang iš EPFL Translational Neural Engineering Lab, kuri buvo pirmoji tyrimo tyrimo autorė. . „Mes darome tai, kad mes uždedame šiuos jutiklius ant likusio jų kelmo, tada juos užfiksuojame ir bandome interpretuoti, kokie yra judėjimo signalai. Kadangi šie signalai gali būti šiek tiek triukšmingi, mums reikia šio mašininio mokymosi algoritmo, kuris išskiria prasmingą tų raumenų veiklą ir interpretuoja juos į judesius. Ir šie judesiai valdo kiekvieną robotų rankų pirštą “.

Kadangi mašinos pirštų judesių prognozės gali būti netikslios 100 proc., EPFL tyrėjai įtraukė robotizuotą automatiką, kad dirbtinė ranka įsijungtų ir automatiškai pradėtų užsidaryti aplink objektą, kai tik užmegztas pirmasis kontaktas. Jei vartotojas nori paleisti daiktą, jam tereikia pabandyti atidaryti ranką, kad būtų išjungtas robotų valdiklis, ir grąžinti vartotojui ranką.

Pasak EPFL mokymosi algoritmų ir sistemų laboratorijai vadovaujančio Aude'o Billardo, robotas gali reaguoti per 400 milisekundžių. "Įrengtas slėgio jutikliais išilgai pirštų, jis gali reaguoti ir stabilizuoti objektą, kol smegenys iš tikrųjų negali suvokti, kad objektas slysta", - sakė Billardas.

Taikydami dirbtinį intelektą neuroinžinerijai ir robotikai, EPFL mokslininkai pademonstravo naują bendros mašinos ir vartotojo ketinimų valdymo metodą - pažangą neuroprotezavimo technologijose.

Copyright © 2019 „Cami Rosso“. Visos teisės saugomos.