Nowe badania przeprowadzone na Uniwersytecie Technicznym w Monachium (TUM) pokazują, że lepsze zrozumienie wzorców aktywności mięśni przedramienia umożliwia bardziej intuicyjną i naturalną kontrolę nad sztucznymi kończynami. Wymaga to sieci 128 czujników i technik opartych na sztucznej inteligencji.
Różne rodzaje chwytów i konstrukcja bioniczna: rozwój technologiczny w ostatnich dziesięcioleciach doprowadził już do powstania zaawansowanych sztucznych dłoni. Dzięki nim osoby po amputacji, które straciły rękę w wyniku wypadku lub choroby, odzyskają część ruchów. Niektóre z tych nowoczesnych protez umożliwiają niezależne ruchy palców i obrót nadgarstka. Ruchy te można wybierać za pomocą aplikacji na smartfona lub za pomocą sygnałów mięśniowych z przedramienia, zwykle wykrywanych przez dwa czujniki. Na przykład aktywację mięśni zginaczy nadgarstka można wykorzystać do złączenia palców w celu chwycenia długopisu. Jeśli mięśnie prostowników nadgarstka są skurczone, palce ponownie się otwierają, a dłoń puszcza pióro. To samo podejście pozwala kontrolować różne ruchy palców, które są wybierane przy jednoczesnej aktywacji grup mięśni zginaczy i prostowników.
– Są to ruchy, których pacjent musi się nauczyć podczas rehabilitacji – mówi Cristina Piazza, profesor rehabilitacji i robotyki wspomagającej w TUM. Teraz zespół badawczy prof. Piazza wykazała, że sztuczna inteligencja może umożliwić pacjentom bardziej intuicyjne sterowanie zaawansowanymi protezami dłoni, wykorzystując „zasadę synergii” i za pomocą 128 czujników na przedramieniu.
Jaka jest zasada synergii? – Z badań neuronaukowych wiadomo, że podczas sesji eksperymentalnych obserwuje się powtarzalne wzorce, zarówno w zakresie kinematyki, jak i aktywacji mięśni – mówi prof. Piazza. Wzorce te można interpretować jako sposób, w jaki ludzki mózg radzi sobie ze złożonością układu biologicznego. Oznacza to, że mózg aktywuje pulę komórek mięśniowych, także w przedramieniu. Profesor dodaje: – Kiedy chwytamy jakimś przedmiotem, na przykład piłką, rękami, poruszamy palcami w sposób synchroniczny i w momencie kontaktu dopasowujemy się do kształtu przedmiotu.
Naukowcy wykorzystują obecnie tę zasadę do projektowania i kontrolowania sztucznych dłoni, tworząc nowe algorytmy uczenia się. Jest to konieczne, aby ruchy były intuicyjne. Sterowanie sztuczną ręką, na przykład w celu uchwycenia długopisu, wymaga wykonania wielu kroków. Najpierw pacjent ustawia sztuczną rękę zgodnie z miejscem chwytania, powoli zsuwa palce, a następnie chwyta pióro. Celem jest uczynienie tych ruchów coraz bardziej płynnymi, tak aby prawie nie było zauważalne, że wiele oddzielnych ruchów składa się na cały proces.
„Dzięki uczeniu maszynowemu możemy zrozumieć różnice między przedmiotami oraz poprawić zdolność kontroli do adaptacji w czasie i proces uczenia się”, podsumowuje Patricia Capsi Morales, starszy naukowiec w zespole prof. Piazza.
Eksperymenty z nowym podejściem wskazują już, że konwencjonalne metody kontroli mogą wkrótce zostać wzmocnione bardziej zaawansowanymi strategiami. Aby zbadać, co dzieje się na poziomie centralnego układu nerwowego, naukowcy pracują z dwoma filmami: jednym pokazującym wewnętrzną i zewnętrzną stronę przedramienia. Każdy zawiera do 64 czujników wykrywających aktywację mięśni. Metoda pozwala również oszacować, jakie sygnały elektryczne przekazały neurony ruchowe rdzenia kręgowego.
– Im więcej czujników używamy, tym lepiej możemy rejestrować informacje z różnych grup mięśni i dowiedzieć się, które aktywacje mięśni są odpowiedzialne za jakie ruchy dłoni – wyjaśnia prof. Piazza. W zależności od tego, czy dana osoba ma zamiar zacisnąć pięść, chwycić długopis czy otworzyć słoik z dżemem, według dr Capsi Moralesa powstają „charakterystyczne cechy sygnałów mięśniowych” – warunek wstępny intuicyjnych ruchów.
Aktualne badania skupiają się na ruchu nadgarstka i całej dłoni. Pokazuje, że większość osób (osiem na dziesięć) preferuje intuicyjny sposób poruszania nadgarstkiem i ręką. Jest to również bardziej skuteczny sposób. Ale dwóch na dziesięciu uczy się obsługiwać w mniej intuicyjny sposób, stając się w efekcie jeszcze bardziej precyzyjnym. „Naszym celem jest zbadanie efektu uczenia się i znalezienie odpowiedniego rozwiązania dla każdego pacjenta” – wyjaśnia dr Capsi Morales. „To krok we właściwym kierunku” – mówi prof. Piazza, który podkreśla, że na każdy system składa się indywidualna mechanika i właściwości ręki, specjalne szkolenie z pacjentami, interpretacja i analiza oraz uczenie maszynowe.
Nadal istnieją pewne wyzwania, którym należy sprostać: Algorytm uczenia się, który opiera się na informacjach z czujników, musi zostać przeszkolony za każdym razem, gdy film się zsunie lub zostanie usunięty. Ponadto czujniki muszą być przygotowane z żelem, aby zapewnić niezbędną przewodność do precyzyjnego rejestrowania sygnałów z mięśni. „Korzystamy z technik przetwarzania sygnałów, aby odfiltrować szum i uzyskać użyteczne sygnały” – wyjaśnia dr Capsi Morales. Za każdym razem, gdy nowy pacjent zakłada mankiet z wieloma czujnikami na przedramieniu, algorytm musi najpierw zidentyfikować wzorce aktywacji dla każdej sekwencji ruchu, aby później wykryć intencje użytkownika i przełożyć je na polecenia dla sztucznej dłoni.
Więcej na temat badań znajdziesz TU
Źródło: materiały Uniwersytetu Technicznego w Monachium (TUM), zdjęcia w tekście: Andreas Schmitz/TUM (2)
Zostaw komentarz
You must be logged in to post a comment.