Ny neuroprotetik är ett genombrott i AI-robotik

Forskare vid EPFL (École polytechnique fédérale de Lausanne) i Schweiz har tillkännagett skapandet av världens första för robothandkontroll - en ny typ av neuroprotetik som förenar mänsklig kontroll med artificiell intelligens (AI) för större robotfickhet och publicerade sin forskning inom September 2019 i Nature Machine Intelligence .

Neuroprotetik (neurala proteser) är konstgjorda apparater som stimulerar eller förstärker nervsystemet via elektrisk stimulering för att kompensera för brister som påverkar motoriska färdigheter, kognition, syn, hörsel, kommunikation eller sensoriska färdigheter. Exempel på neuroprotetik inkluderar hjärn-dator-gränssnitt (BCI), djup hjärnstimulering, ryggmärgsstimulatorer (SCS), implantat för blåskontroll, cochleaimplantat och hjärtstimulatorer.

Det globala protesvärdet för övre extremiteter förväntas överstiga 2,3 miljarder USD år 2025, enligt siffror från en rapport från Global Market Insight från augusti 2019. År 2018 nådde det globala marknadsvärdet en miljard USD baserat på samma rapport. Uppskattningsvis två miljoner amerikaner är amputerade och det görs över 185 000 amputationer årligen, enligt National Limb Loss Information Center. Kärlsjukdom står för 82 procent av amerikanska amputationer enligt rapporten.

En myoelektrisk protes används för att ersätta amputerade kroppsdelar med en externt driven konstgjord lem som aktiveras av användarens befintliga muskler. Enligt EPFL-forskargruppen kan de kommersiella apparater som finns idag ge användarna en hög nivå av autonomi, men skickligheten är ingenstans nästan lika smidig som den intakta mänskliga handen.

”Kommersiella enheter använder vanligtvis ett system med två inspelningskanaler för att styra en enda grad av frihet; det vill säga en sEMG-kanal för flexion och en för förlängning ”, skrev EPFL-forskarna i sin studie. ”Systemet är intuitivt men ger lite skicklighet. Människor överger myoelektriska proteser i höga hastigheter, delvis för att de känner att kontrollnivån är otillräcklig för att förtjäna priset och komplexiteten för dessa enheter. ”

För att ta itu med problemet med skicklighet med myoelektriska proteser tog EPFL-forskare ett tvärvetenskapligt tillvägagångssätt för denna proof-of-concept-studie genom att kombinera de vetenskapliga områdena neuroteknik, robotik och artificiell intelligens för att halvautomatisera en del av motorkommandot för "delad kontrollera."

Silvestro Micera, ordförande för EPFL: s Bertarelli Foundation i translationell neuroteknik, och professor i bioelektronik vid Scuola Superiore Sant'Anna i Italien, anser att detta delade tillvägagångssätt för att kontrollera robothänder kan förbättra den kliniska påverkan och användbarheten för ett brett spektrum av neuroprotetiska ändamål som hjärnan - till maskingränssnitt (BMI) och bioniska händer.

"En anledning till att kommersiella proteser vanligtvis använder klassificeringsbaserade avkodare istället för proportionella är att klassificeringsapparater är mer stabila kvar i en viss hållning", skrev forskarna. ”För att förstå är denna typ av kontroll idealisk för att förhindra oavsiktlig tappning men offrar användarbyrån genom att begränsa antalet möjliga handställningar. Vårt genomförande av delad kontroll möjliggör både användarbyrå och grepp om robusthet. I det fria utrymmet har användaren full kontroll över handrörelser, vilket också möjliggör frivillig förformning för grepp. ”

I denna studie fokuserade EPFL-forskarna på utformningen av programvarealgoritmerna - robotmaskinvaran som tillhandahölls av externa parter består av en Allegro Hand monterad på KUKA IIWA 7-roboten, ett OptiTrack-kamerasystem och TEKSCAN-tryckgivare.

EPFL-forskarna skapade en kinematisk proportionell avkodare genom att skapa en multilayer perceptron (MLP) för att lära sig att tolka användarens avsikt för att översätta den till rörelser av fingrar på en konstgjord hand. En flerskiktsperceptron är ett framåtgående artificiellt neuralt nätverk som använder backpropagation. MLP är en djup inlärningsmetod där information går framåt i en riktning, kontra i en cykel eller slinga genom det artificiella neurala nätverket.

Algoritmen tränas genom inmatningsdata från användaren som utför en serie handrörelser. För snabbare konvergenstid användes metoden Levenberg – Marquardt för att montera nätverksvikterna istället för gradientnedstigning. Utbildningen i full modell var snabb och tog mindre än 10 minuter för var och en av ämnena, vilket gjorde algoritmen praktisk ur ett kliniskt användningsperspektiv.

"För en amputerad är det faktiskt väldigt svårt att dra ihop musklerna många, många olika sätt att kontrollera alla sätt som våra fingrar rör sig", säger Katie Zhuang vid EPFL Translational Neural Engineering Lab, som var den första författaren till forskningsstudien. . ”Vad vi gör är att vi lägger dessa sensorer på deras återstående stubbe och sedan spelar in dem och försöker tolka vad rörelsesignalerna är. Eftersom dessa signaler kan vara lite bullriga, vad vi behöver är denna maskininlärningsalgoritm som extraherar meningsfull aktivitet från dessa muskler och tolkar dem i rörelser. Och dessa rörelser är det som styr varje finger från robothänderna. ”

Eftersom maskinförutsägelserna av fingerrörelserna kanske inte är 100 procent korrekta införlivade EPFL-forskarna robotautomation för att möjliggöra den konstgjorda handen och för att automatiskt börja stänga runt ett objekt när den första kontakten har gjorts. Om användaren vill släppa ett föremål är allt han eller hon behöver göra att försöka öppna handen för att stänga av robotkontrollen och sätta användaren tillbaka i handen.

Enligt Aude Billard som leder EPFL: s Learning Algorithms and Systems Laboratory kan robothanden reagera inom 400 millisekunder. "Utrustad med trycksensorer längs fingrarna kan den reagera och stabilisera objektet innan hjärnan faktiskt kan uppfatta att objektet glider", säger Billard.

Genom att tillämpa artificiell intelligens på neuroteknik och robotik har EPFL-forskarna visat det nya tillvägagångssättet för delad kontroll mellan maskinens och användarens avsikt - ett framsteg inom neuroprotetisk teknik.

Copyright © 2019 Cami Rosso Med ensamrätt.