Jauns neiroprotezējums ir AI robotikas sasniegums

Šveices EPFL (École polytechnique fédérale de Lausanne) zinātnieki ir paziņojuši par pasaules pirmās robotizētās rokas vadības izveidi - jauna veida neiroprotezēšanu, kas cilvēka vadību apvieno ar mākslīgā intelekta (AI) automatizāciju, lai panāktu lielāku robotu veiklību, un publicēja savus pētījumus 2019. gada septembris Dabas mašīnu inteliģence .

Neiroprotezēšana (nervu protezēšana) ir mākslīgas ierīces, kas stimulē vai uzlabo nervu sistēmu, izmantojot elektrisko stimulāciju, lai kompensētu trūkumus, kas ietekmē motoriku, izziņas, redzes, dzirdes, komunikācijas vai maņu prasmes. Neiroprotezēšanas piemēri ietver smadzeņu un datoru saskarnes (BCI), dziļu smadzeņu stimulāciju, muguras smadzeņu stimulatorus (SCS), urīnpūšļa kontroles implantus, kohleāros implantus un sirds elektrokardiostimulatorus.

Paredzams, ka visā pasaulē augšējo ekstremitāšu protezēšanas vērtība līdz 2025. gadam pārsniegs 2,3 miljardus USD, liecina dati no Global Market Insight 2019. gada augusta ziņojuma. 2018. gadā pasaules tirgus vērtība, pamatojoties uz to pašu ziņojumu, sasniedza vienu miljardu USD. Tiek lēsts, ka divi miljoni amerikāņu ir amputēti, un katru gadu tiek veiktas vairāk nekā 185 000 amputācijas, ziņo Nacionālais ekstremitāšu zaudējumu informācijas centrs. Saskaņā ar ziņojumu asinsvadu slimības veido 82 procentus no ASV amputācijām.

Mioelektrisko protēzi izmanto, lai amputētās ķermeņa daļas aizstātu ar ārēji darbināmu mākslīgo ekstremitāti, kuru aktivizē lietotāja esošie muskuļi. Pēc EPFL pētnieku grupas domām, šodien pieejamās komerciālās ierīces lietotājiem var nodrošināt augstu autonomijas līmeni, taču veiklība ne tuvu nav tik kustīga kā neskarta cilvēka roka.

“Komerciālajās ierīcēs parasti tiek izmantota divu ierakstu kanālu sistēma, lai kontrolētu vienu brīvības pakāpi; tas ir, viens sEMG kanāls fleksijai un viens pagarinājumam, ”savā pētījumā raksta EPFL pētnieki. Lai arī tā ir intuitīva, sistēma nodrošina nelielu veiklību. Cilvēki ar lielu ātrumu atsakās no mioelektriskajām protēzēm, daļēji tāpēc, ka uzskata, ka kontroles līmenis ir nepietiekams, lai nopelnītu šo ierīču cenu un sarežģītību. ”

Lai risinātu veiklības problēmu ar mioelektriskajām protēzēm, EPFL pētnieki šim koncepcijas apliecinošajam pētījumam izmantoja starpdisciplināru pieeju, apvienojot neiroinženierijas, robotikas un mākslīgā intelekta zinātniskās jomas, lai daļēji automatizētu motora komandas daļu “koplietošanai” kontrole. ”

Silvestro Micera, EPFL Bertarelli fonda priekšsēdētājs tulkošanas neiroinženierijas jomā un bioelektronikas profesors Scuola Superiore Sant'Anna Itālijā, uzskata, ka šī kopīgā pieeja robotizēto roku kontrolei var uzlabot klīnisko ietekmi un lietojamību plaša spektra neiroprotezēšanas nolūkos, piemēram, smadzenēs. - mašīnas saskarnes (ĶMI) un bioniskās rokas.

"Viens no iemesliem, kāpēc komerciālās protēzes proporcionālo vietā biežāk izmanto uz klasifikatoru balstītus dekoderus, ir tas, ka klasifikatori stingrāk paliek noteiktā pozā," raksta pētnieki. “Lai saprastu, šāda veida vadība ir ideāla, lai novērstu nejaušu nomešanu, bet upurē lietotāju aģentūru, ierobežojot iespējamo roku pozu skaitu. Mūsu kopīgās kontroles ieviešana ļauj gan lietotāju aģentūras, gan izprast robustumu. Brīvā telpā lietotājam ir pilnīga kontrole pār roku kustībām, kas ļauj arī satveršanai veikt vēlamu iepriekšēju veidošanu. ”

Šajā pētījumā EPFL pētnieki koncentrējās uz programmatūras algoritmu dizainu - robotu aparatūru, ko nodrošināja ārējās puses, veido Allegro Hand, kas uzstādīta uz robota KUKA IIWA 7, OptiTrack kameru sistēma un TEKSCAN spiediena sensori.

EPFL zinātnieki izveidoja kinemātisku proporcionālu dekodētāju, izveidojot daudzslāņu perceptronu (MLP), lai uzzinātu, kā interpretēt lietotāja nodomu, lai to pārveidotu pirkstu kustībā uz mākslīgas rokas. Daudzslāņu perceptrons ir mākslīgs neironu tīkls, kas izmanto pavairošanu. MLP ir dziļa mācību metode, kurā informācija virzās uz priekšu vienā virzienā, salīdzinot ar ciklu vai cilpu caur mākslīgo neironu tīklu.

Algoritms tiek apmācīts pēc ievades datiem no lietotāja, kurš veic virkni roku kustību. Lai ātrāk sasniegtu konverģences laiku, tīkla svaru uzstādīšanai tika izmantota Levenberga – Markardta metode, nevis gradienta nolaišanās. Pilna modeļa apmācības process bija ātrs un katram priekšmetam aizņēma mazāk nekā 10 minūtes, padarot algoritmu praktisku no klīniskās izmantošanas viedokļa.

"Amputētajam faktiski ir ļoti grūti savilkt muskuļus daudzos un dažādos veidos, kā kontrolēt visus mūsu pirkstu kustības veidus," sacīja Keitija Džuana no EPFL Translational Neural Engineering Lab, kas bija pirmā pētījuma autore. . “Ko mēs darām, mēs uzliekam šos sensorus uz to atlikušā celma, pēc tam tos reģistrējam un mēģinām interpretēt, kādi ir kustības signāli. Tā kā šie signāli var būt mazliet trokšņaini, mums ir vajadzīgs šis mašīnmācīšanās algoritms, kas no šiem muskuļiem iegūst nozīmīgu darbību un interpretē tos kustībās. Un šīs kustības ir tas, kas kontrolē katru robotizēto roku pirkstu. ”

Tā kā mašīnu prognozes par pirkstu kustībām var nebūt simtprocentīgas, EPFL pētnieki integrēja robotizētu automatizāciju, lai iespējotu mākslīgo roku un automātiski sāktu slēgt ap objektu, tiklīdz ir izveidots sākotnējais kontakts. Ja lietotājs vēlas atbrīvot objektu, viņam vai viņai ir tikai jāmēģina atvērt roku, lai izslēgtu robotizēto kontrolieri, un atkal lietotājam jāpārvalda roka.

Saskaņā ar Aude Billard, kurš vada EPFL Mācību algoritmu un sistēmu laboratoriju, robotizētā roka spēj reaģēt 400 milisekundēs. "Aprīkots ar spiediena sensoriem gar pirkstiem, tas var reaģēt un stabilizēt objektu, pirms smadzenes faktiski var saprast, ka objekts slīd," sacīja Bilards.

Pielietojot mākslīgo intelektu neiroinženierijai un robotikai, EPFL zinātnieki ir parādījuši jauno pieeju kopīgai kontrolei starp mašīnu un lietotāju nodomiem - neiroprotezēšanas tehnoloģiju attīstību.

Autortiesības © 2019 Cami Rosso Visas tiesības aizsargātas.