New Neuroprosthetic Is a AI Robotics Breakthrough

Forskere ved EPFL (École polytechnique fédérale de Lausanne) i Sveits har kunngjort etableringen av en verdens første for robothåndkontroll - en ny type nevroprotetikk som forener menneskelig kontroll med kunstig intelligens (AI) automatisering for større robotferdighet og publiserte sin forskning i September 2019 i Nature Machine Intelligence .

Nevroprotetikk (nevrale proteser) er kunstige enheter som stimulerer eller forbedrer nervesystemet via elektrisk stimulering for å kompensere for mangler som påvirker motoriske ferdigheter, kognisjon, syn, hørsel, kommunikasjon eller sensoriske ferdigheter. Eksempler på nevroproteser inkluderer hjerne-datamaskingrensesnitt (BCI), dyp hjernestimulering, ryggmargsstimulatorer (SCS), blærekontrollimplantater, cochleaimplantater og hjertepacemakere.

Den verdensomspennende proteseverdien for øvre lemmer forventes å overstige 2,3 milliarder dollar innen 2025, ifølge tall fra en rapport fra Global Market Insight fra august 2019. I 2018 nådde den verdensomspennende markedsverdien en milliard USD basert på den samme rapporten. Anslagsvis to millioner amerikanere er amputerte, og det utføres over 185.000 amputasjoner årlig, ifølge National Limb Loss Information Center. Vaskulær sykdom utgjør 82 prosent av amerikanske amputasjoner ifølge rapporten.

En myoelektrisk protese brukes til å erstatte amputerte kroppsdeler med et eksternt drevet kunstig lem som aktiveres av brukerens eksisterende muskler. Ifølge EPFL-forskerteamet kan de kommersielle enhetene som er tilgjengelige i dag gi brukerne et høyt nivå av autonomi, men fingerferdigheten er ikke på langt nær så smidig som den intakte menneskelige hånden.

“Kommersielle enheter bruker vanligvis et system med to opptakskanaler for å kontrollere en enkelt grad av frihet; det vil si en sEMG-kanal for fleksjon og en for utvidelse, ”skrev EPFL-forskerne i studien. “Selv om systemet er intuitivt, gir det lite fingerferdighet. Folk forlater myoelektriske proteser i høye hastigheter, delvis fordi de føler at kontrollnivået er utilstrekkelig til å fortjene prisen og kompleksiteten til disse enhetene. "

For å løse problemet med fingerferdighet med myoelektriske proteser, tok EPFL-forskere en tverrfaglig tilnærming for denne proof-of-concept-studien ved å kombinere de vitenskapelige feltene nevroingeniør, robotikk og kunstig intelligens for å halvautomatisere en del av motorkommandoen for "delt kontroll."

Silvestro Micera, EPFLs Bertarelli Foundation Chair in Translational Neuroengineering, og professor i bioelektronikk ved Scuola Superiore Sant'Anna i Italia, ser på denne delte tilnærmingen for å kontrollere robothender kan forbedre den kliniske effekten og brukervennligheten for et bredt spekter av nevropretiske formål som hjerne -til-maskin-grensesnitt (BMI) og bioniske hender.

"En grunn til at kommersielle proteser oftere bruker klassifiseringsbaserte dekodere i stedet for proporsjonale, er fordi klassifiserere mer robust forblir i en bestemt holdning," skrev forskerne. “For å forstå, er denne typen kontroll ideell for å forhindre utilsiktet fall, men ofrer brukerbyrået ved å begrense antall mulige håndstillinger. Vår implementering av delt kontroll tillater både brukerbyrå og forståelse av robusthet. På ledig plass har brukeren full kontroll over håndbevegelser, noe som også gir mulighet for forhåndsforming for å gripe. "

I denne studien fokuserte EPFL-forskerne på utformingen av programvarealgoritmene - robotmaskinvaren som ble levert av eksterne parter består av en Allegro Hand montert på KUKA IIWA 7-roboten, et OptiTrack-kamerasystem og TEKSCAN-trykksensorer.

EPFL-forskerne opprettet en kinematisk proporsjonal dekoder ved å lage en flerlags perceptron (MLP) for å lære å tolke brukerens intensjon for å oversette den til bevegelse av fingre på en kunstig hånd. En flerlags perceptron er et fremover kunstig nevralt nettverk som bruker backpropagation. MLP er en dyp læringsmetode der informasjon beveger seg fremover i en retning, mot en syklus eller løkke gjennom det kunstige nevrale nettverket.

Algoritmen er trent av inndata fra brukeren som utfører en serie håndbevegelser. For raskere konvergenstid ble metoden Levenberg – Marquardt brukt til å montere nettverksvektene i stedet for gradientnedstigning. Fullmodellopplæringsprosessen var rask og tok mindre enn 10 minutter for hvert av fagene, noe som gjorde algoritmen praktisk ut fra et klinisk bruksperspektiv.

"For en amputert er det faktisk veldig vanskelig å trekke sammen musklene mange, mange forskjellige måter å kontrollere alle måtene fingrene våre beveger seg på," sa Katie Zhuang ved EPFL Translational Neural Engineering Lab, som var den første forfatteren av forskningsstudien. . “Det vi gjør er at vi setter disse sensorene på deres gjenværende stubbe, og deretter registrerer dem og prøver å tolke hva bevegelsessignalene er. Fordi disse signalene kan være litt bråkete, trenger vi denne maskinlæringsalgoritmen som trekker ut meningsfull aktivitet fra disse musklene og tolker dem til bevegelser. Og disse bevegelsene er det som styrer hver finger på robothendene. ”

Fordi maskinforutsigelsene om fingerbevegelsene kanskje ikke er 100 prosent nøyaktige, innlemmet EPFL-forskerne robotautomatisering for å muliggjøre den kunstige hånden og automatisk begynne å lukke rundt et objekt når den første kontakten er gjort. Hvis brukeren ønsker å frigjøre et objekt, er alt han eller hun trenger å gjøre å prøve å åpne hånden for å slå av robotkontrolleren, og sette brukeren tilbake i kontroll over hånden.

Ifølge Aude Billard som leder EPFLs læringsalgoritmer og systemlaboratorium, er robothånden i stand til å reagere innen 400 millisekunder. "Utstyrt med trykksensorer langs fingrene, kan den reagere og stabilisere objektet før hjernen faktisk kan oppfatte at objektet glir," sa Billard.

Ved å bruke kunstig intelligens på nevroingeniør og robotikk, har EPFL-forskerne demonstrert den nye tilnærmingen med delt kontroll mellom maskin- og brukerintensjon - et fremskritt innen nevroprotetisk teknologi.

Copyright © 2019 Cami Rosso Med enerett.