Ny neuroprotetik er et gennembrud inden for AI-robotteknologi

Forskere ved EPFL (École polytechnique fédérale de Lausanne) i Schweiz har annonceret oprettelsen af ​​en verdens første til håndkontrol af robotter - en ny type neuroprotetik, der forener menneskelig kontrol med kunstig intelligens (AI) -automatisering for større robotfleksion og offentliggjorde deres forskning i September 2019 i Nature Machine Intelligence .

Neuroprotetik (neurale proteser) er kunstige enheder, der stimulerer eller forbedrer nervesystemet via elektrisk stimulering for at kompensere for mangler, der påvirker motoriske færdigheder, kognition, syn, hørelse, kommunikation eller sensoriske færdigheder. Eksempler på neuroprotetik omfatter hjerne-computer-grænseflader (BCI'er), dyb hjernestimulering, rygmarvsstimulatorer (SCS), blærekontrolimplantater, cochleaimplantater og hjertepacemakere.

Den verdensomspændende proteseværdi for øvre lemmer forventes at overstige 2,3 mia. USD inden 2025, ifølge tal fra en rapport fra august 2019 fra Global Market Insight. I 2018 nåede den verdensomspændende markedsværdi en milliard USD baseret på den samme rapport. Anslået to millioner amerikanere er amputerede, og der foretages over 185.000 amputationer årligt ifølge National Limb Loss Information Center. Vaskulær sygdom tegner sig for 82 procent af amerikanske amputationer ifølge rapporten.

En myoelektrisk protese bruges til at erstatte amputerede kropsdele med et eksternt drevet kunstigt lem, der aktiveres af brugerens eksisterende muskler. Ifølge EPFL-forskerteamet kan de kommercielle enheder, der er tilgængelige i dag, give brugerne et højt niveau af autonomi, men fingerfærdigheden er ikke så nær som den intakte menneskelige hånd.

”Kommercielle enheder bruger normalt et to-optagekanalsystem til at kontrollere en enkelt grad af frihed; det vil sige en sEMG-kanal til bøjning og en til forlængelse, ”skrev EPFL-forskerne i deres undersøgelse. ”Selvom systemet er intuitivt, giver det kun lidt fingerfærdighed. Folk forlader høje hastigheder myoelektriske proteser, dels fordi de føler, at kontrolniveauet ikke er tilstrækkeligt til at fortjene prisen og kompleksiteten af ​​disse enheder. ”

For at løse problemet med fingerfærdighed med myoelektriske proteser tog EPFL-forskere en tværfaglig tilgang til denne proof-of-concept-undersøgelse ved at kombinere de videnskabelige områder inden for neuroteknik, robotteknologi og kunstig intelligens for at halvautomatisere en del af motorkommandoen til "delt styring."

Silvestro Micera, formand for EPFL's Bertarelli Foundation i Translational Neuroengineering, og professor i bioelektronik ved Scuola Superiore Sant'Anna i Italien, ser denne fælles tilgang til styring af robothænder kan forbedre den kliniske effekt og anvendelighed til en bred vifte af neuroprotetiske formål såsom hjerne -til maskine-grænseflader (BMI'er) og bioniske hænder.

”En af grundene til, at kommercielle proteser oftere bruger klassificeringsbaserede dekodere i stedet for proportionale, er fordi klassifikatorer mere robust forbliver i en bestemt kropsholdning,” skrev forskerne. ”Til forståelse er denne type kontrol ideel til at forhindre utilsigtet fald, men ofrer brugeragenturet ved at begrænse antallet af mulige håndstillinger. Vores implementering af delt kontrol muliggør både brugeragentur og forståelse af robusthed. I frit rum har brugeren fuld kontrol over håndbevægelser, hvilket også giver mulighed for frivillig forudformning til gribning. ”

I denne undersøgelse fokuserede EPFL-forskerne på designet af softwarealgoritmerne - robothardwaren, der blev leveret af eksterne parter, består af en Allegro-hånd monteret på KUKA IIWA 7-robotten, et OptiTrack-kamerasystem og TEKSCAN-trykfølere.

EPFL-forskerne oprettede en kinematisk proportional dekoder ved at oprette en multilayer perceptron (MLP) for at lære at fortolke brugerens intention for at oversætte den til bevægelse af fingre på en kunstig hånd. En flerlags perceptron er et fremadrettet kunstigt neuralt netværk, der bruger backpropagation. MLP er en dyb læringsmetode, hvor information bevæger sig fremad i en retning mod i en cyklus eller løkke gennem det kunstige neurale netværk.

Algoritmen trænes af inputdata fra brugeren, der udfører en række håndbevægelser. For hurtigere konvergenstid blev metoden Levenberg – Marquardt anvendt til montering af netvægte i stedet for gradientnedstigning. Fuldmodel-træningsprocessen var hurtig og tog mindre end 10 minutter for hvert af forsøgspersonerne, hvilket gjorde algoritmen praktisk set fra et klinisk brugsperspektiv.

”For en amputeret er det faktisk meget svært at samle musklerne på mange, mange forskellige måder at kontrollere alle de måder, som vores fingre bevæger sig på,” sagde Katie Zhuang ved EPFL Translational Neural Engineering Lab, som var den første forfatter til forskningsundersøgelsen. . ”Hvad vi gør er, at vi lægger disse sensorer på deres resterende stub, og derefter registrerer dem og prøver at fortolke, hvad bevægelsessignalerne er. Fordi disse signaler kan være lidt støjende, hvad vi har brug for er denne maskinlæringsalgoritme, der udtrækker meningsfuld aktivitet fra disse muskler og fortolker dem til bevægelser. Og disse bevægelser er det, der styrer hver finger af robothænderne. ”

Fordi maskinens forudsigelser af fingerbevægelserne muligvis ikke er 100 procent nøjagtige, inkorporerede EPFL-forskerne robotautomatisering for at muliggøre den kunstige hånd og automatisk begynde at lukke omkring et objekt, når den første kontakt er oprettet. Hvis brugeren ønsker at frigive et objekt, er alt, hvad han eller hun skal gøre, at forsøge at åbne hånden for at slukke robotkontrolleren og sætte brugeren tilbage i kontrol over hånden.

Ifølge Aude Billard, der leder EPFL's Learning Algorithms and Systems Laboratory, er robothånden i stand til at reagere inden for 400 millisekunder. ”Udstyret med trykfølere langs fingrene kan det reagere og stabilisere objektet, før hjernen faktisk kan opfatte, at objektet glider,” sagde Billard.

Ved at anvende kunstig intelligens på neuroteknik og robotik har EPFL-forskerne demonstreret den nye tilgang med delt kontrol mellem maskin- og brugerintention - et fremskridt inden for neuroprotetisk teknologi.

Ophavsret © 2019 Cami Rosso Alle rettigheder forbeholdes.