Новий нейропротез - це прорив робототехніки зі штучним інтелектом

Вчені з EPFL (École polytechnique fédérale de Lausanne) у Швейцарії оголосили про створення першого у світі робототехнічного управління руками - нового типу нейропротезів, що об'єднує людський контроль з автоматизацією штучного інтелекту (ШІ) для більшої спритності роботів і опублікували свої дослідження в Вересень 2019 р Інтелект машин природи .

Нейропротезування (нейронне протезування) - це штучні пристрої, які стимулюють або посилюють нервову систему за допомогою електростимуляції, щоб компенсувати недоліки, що впливають на моторику, пізнання, зір, слух, спілкування або сенсорні навички. Приклади нейропротезування включають інтерфейси мозок-комп'ютер (BCI), глибоку стимуляцію мозку, стимулятори спинного мозку (SCS), імплантати контролю сечового міхура, кохлеарні імплантати та кардіостимулятори.

Очікується, що до 2025 року світовий рівень протезування верхніх кінцівок перевищить 2,3 млрд. Доларів США, згідно з даними звіту Global Market Insight за серпень 2019 року. У 2018 році на основі того ж звіту вартість світового ринку досягла одного мільярда доларів США. За оцінками, два мільйони американців ампутуються, і щорічно проводиться понад 185 000 ампутацій, за даними Національного інформаційного центру з втрати кінцівок. Згідно з повідомленням, на судинну хворобу припадає 82 відсотки ампутацій США.

Міоелектричний протез використовується для заміни ампутованих частин тіла на штучну кінцівку із зовнішнім приводом, яка активується наявними у користувача м’язами. На думку дослідницької групи EPFL, наявні сьогодні комерційні пристрої можуть надати користувачам високий рівень автономності, але спритність ніде не така спритна, як ціла людська рука.

«Комерційні пристрої зазвичай використовують систему з двома записами каналів для управління єдиним ступенем свободи; тобто один канал sEMG для згинання та один для розширення », - написали дослідники EPFL у своєму дослідженні. “Хоча інтуїтивно зрозуміла, система забезпечує мало спритності. Люди відмовляються від міоелектричних протезів із високою швидкістю, зокрема через те, що вони відчувають, що рівень контролю недостатній, щоб відповідати ціні та складності цих пристроїв ".

Щоб вирішити проблему спритності з міоелектричними протезами, дослідники EPFL застосували міждисциплінарний підхід до цього дослідження, що підтверджує концепцію, поєднавши наукові галузі нейроінженерії, робототехніки та штучного інтелекту для напівавтоматизації частини моторної команди для «спільного використання контроль."

Сільвестро Міцера, голова Фонду Бертареллі Фонду Бертареллі з трансляційної нейроінженерії, і професор біоелектроніки в Scuola Superiore Sant'Anna, Італія, вважає, що цей спільний підхід до управління роботами-руками може поліпшити клінічний вплив та зручність використання для широкого спектра нейропротезних цілей, таких як мозок -інтерфейси до машини (ІМТ) та біонічні стрілки.

"Однією з причин, чому комерційні протези частіше використовують декодери на основі класифікатора замість пропорційних, є те, що класифікатори надійніше залишаються в певній позі", - написали дослідники. «Для захоплення цей тип контролю ідеально підходить для запобігання випадковому падінню, але жертвує агентством користувача, обмежуючи кількість можливих позицій рук. Наше впровадження спільного контролю дозволяє як користувацькому агентству, так і зрозуміти надійність. У вільному просторі користувач має повний контроль над рухами рук, що також дозволяє здійснювати вольову попередню форму для захоплення ».

У цьому дослідженні дослідники EPFL зосередили увагу на розробці програмних алгоритмів - робототехнічне обладнання, яке забезпечується зовнішніми сторонами, складається з Allegro Hand, встановленого на роботі KUKA IIWA 7, системи камер OptiTrack та датчиків тиску TEKSCAN.

Вчені EPFL створили кінематичний пропорційний декодер, створивши багатошаровий персептрон (MLP), щоб навчитися інтерпретувати намір користувача, щоб перевести його в рух пальців на штучній руці. Багатошаровий персептрон - це штучна нейронна мережа, що використовує зворотне розповсюдження. MLP - це метод глибокого навчання, коли інформація рухається вперед в одному напрямку проти циклу або циклу через штучну нейронну мережу.

Алгоритм тренується на основі вхідних даних користувача, що виконують ряд рухів руками. Для більш швидкого часу збіжності застосовували метод Левенберга – Марквардта для підгонки ваг мережі замість градієнтного спуску. Повномодельний навчальний процес був швидким і займав менше 10 хвилин для кожного з випробовуваних, що робило алгоритм практичним з точки зору клінічного використання.

"Для ампутованого людини насправді дуже важко скоротити м'язи на багато-багато різних способів контролювати всі способи руху пальців", - сказала Кеті Чжуан з лабораторії трансляційної нейротехніки EPFL, яка була першим автором дослідження . «Що ми робимо, це ставимо ці датчики на залишок куксу, а потім записуємо їх і намагаємося інтерпретувати, що таке сигнали руху. Оскільки ці сигнали можуть бути трохи галасливими, нам потрібен цей алгоритм машинного навчання, який витягує значущу активність з цих м’язів і інтерпретує їх у рухи. І саме ці рухи контролюють кожен палець роботизованих рук ».

Оскільки машинні прогнози рухів пальців можуть бути не на 100 відсотків точними, дослідники EPFL включили роботизовану автоматизацію, щоб увімкнути штучну руку і автоматично почати замикатися навколо об’єкта після встановлення початкового контакту. Якщо користувач хоче звільнити об’єкт, все, що йому потрібно зробити, це спробувати відкрити руку, щоб вимкнути робототехнічний контролер, і повернути користувачеві контроль над рукою.

За словами Оуд Біллард, який керує лабораторією алгоритмів та систем навчання EPFL, робота-робот здатна реагувати протягом 400 мілісекунд. "Оснащений датчиками тиску вздовж пальців, він може реагувати та стабілізувати об'єкт, перш ніж мозок зможе фактично сприймати, що об'єкт ковзає", - сказав Біллард.

Застосовуючи штучний інтелект до нейроінженерії та робототехніки, вчені EPFL продемонстрували новий підхід спільного контролю між машиною та намірами користувача - прогрес у нейропротезуванні технологій.

Copyright © 2019 Cami Rosso Всі права захищені.