Neuroprosthetic New دستیابی به موفقیت رباتیک است

دانشمندان در EPFL (École polytechnique fédérale de Lausanne) در سوئیس از ایجاد اولین بار در جهان برای کنترل دست رباتیک - نوع جدیدی از پروتزهای عصبی که کنترل انسان با اتوماسیون هوش مصنوعی (AI) را برای زبردستی بیشتر ربات متحد می کند ، خبر دادند و تحقیقات خود را در سپتامبر 2019 در هوش ماشین طبیعت .

پروتزهای عصبی (پروتزهای عصبی) دستگاه های مصنوعی هستند که سیستم عصبی را از طریق تحریک الکتریکی تحریک یا تقویت می کنند تا کمبودهایی را که بر مهارت های حرکتی ، شناخت ، بینایی ، شنوایی ، ارتباطات یا مهارت های حسی تأثیر می گذارد جبران کند. نمونه هایی از پروتزهای عصبی شامل رابط های مغز و رایانه (BCI) ، تحریک عمیق مغز ، محرک های نخاع (SCS) ، ایمپلنت های کنترل مثانه ، کاشت حلزون و ضربان سازهای قلبی است.

طبق ارقام گزارش آگوست 2019 توسط Global Market Insight ، انتظار می رود ارزش پروتز اندام فوقانی در سراسر جهان تا سال 2025 بیش از 2.3 میلیارد دلار باشد. در سال 2018 ، ارزش بازار جهانی بر اساس همین گزارش به یک میلیارد دلار رسید. طبق مرکز اطلاعات ملی از دست دادن اندام ، حدود دو میلیون آمریکایی قطع عضو هستند و سالانه بیش از 185000 قطع عضو انجام می شود. براساس این گزارش ، بیماری عروقی 82 درصد قطع عضوهای ایالات متحده را تشکیل می دهد.

از پروتز میوالکتریک برای جایگزینی اعضای بدن قطع شده با اندام مصنوعی با نیروی خارجی استفاده می شود که توسط عضلات موجود کاربر فعال می شود. طبق تیم تحقیقاتی EPFL ، دستگاه های تجاری موجود امروزه می توانند استقلال بالایی را در اختیار کاربران قرار دهند ، اما مهارت در هیچ کجا به اندازه دست سالم انسان نیست.

"دستگاه های تجاری معمولاً از یک سیستم دو کانال ضبط برای کنترل یک درجه آزادی استفاده می کنند. یعنی یک کانال sEMG برای خم شدن و دیگری برای گسترش »، محققان EPFL در مطالعه خود نوشتند. "در حالی که بصری است ، سیستم مهارت کمی ارائه می دهد. مردم پروتزهای مایوالکتریک را با سرعت بالا رها می کنند ، تا حدی به این دلیل که احساس می کنند سطح کنترل برای شایستگی قیمت و پیچیدگی این دستگاه ها کافی نیست. "

برای حل مشکل مهارت در پروتزهای مایوالکتریک ، محققان EPFL با استفاده از ترکیب رشته های علمی مهندسی عصبی ، رباتیک و هوش مصنوعی برای نیمه اتوماسیون کردن بخشی از دستور موتور برای "اشتراکی" ، یک روش بین رشته ای را برای این مطالعه اثبات مفهوم در نظر گرفتند. کنترل."

Silvestro Micera ، رئیس بنیاد Bertarelli بنیاد EPFL در مهندسی مغز و اعصاب ترجمه ، و استاد بیوالكترونیك در Scuola Superiore Sant'Anna در ایتالیا ، معتقد است كه این روش مشترک برای كنترل دستهای رباتیک می تواند تأثیر بالینی و قابلیت استفاده برای طیف وسیعی از اهداف نوروپروتزیك مانند مغز را بهبود بخشد. واسط های ماشین آلات (BMI) و عقاید بیونیک.

محققان نوشتند: "یك دلیل برای استفاده معمول پروتزهای تجاری از رمزگشاهای مبتنی بر طبقه بندی به جای انواع متناسب ، این است كه طبقه بندی كننده ها با مقاومت بیشتری در حالت خاصی قرار می گیرند." "برای درک ، این نوع کنترل برای جلوگیری از افت تصادفی ایده آل است ، اما با محدود کردن تعداد حالت های احتمالی دست ، عامل کاربر را فدا می کند. اجرای کنترل مشترک ما امکان آژانس کاربر و قدرت را درک می کند. در فضای آزاد ، کاربر کنترل کاملی بر حرکات دست دارد ، که همچنین اجازه می دهد تا قبل از شکل دهی ارادی برای گرفتن. "

در این مطالعه ، محققان EPFL بر طراحی الگوریتم های نرم افزار تمرکز کردند - سخت افزار رباتیک ارائه شده توسط اشخاص خارجی متشکل از یک دست Allegro است که بر روی ربات KUKA IIWA 7 نصب شده است ، یک سیستم دوربین OptiTrack و سنسورهای فشار TEKSCAN.

دانشمندان EPFL با ایجاد یک پرسپترون چند لایه (MLP) یک رمزگشای متناسب حرکتی ایجاد کردند تا یاد بگیرند چگونه قصد کاربر را ترجمه کنند تا آن را به حرکت انگشتان دست مصنوعی ترجمه کنند. پرسپترون چند لایه یک شبکه عصبی مصنوعی خوراکی است که از تکثیر عقب استفاده می کند. MLP یک روش یادگیری عمیق است که در آن اطلاعات در یک جهت به جلو حرکت می کنند ، در مقابل یک چرخه یا حلقه از طریق شبکه عصبی مصنوعی.

این الگوریتم با داده های ورودی کاربر انجام می شود که یک سری حرکات دست را انجام می دهد. برای زمان همگرایی سریعتر ، از روش Levenberg-Marquardt برای برازش وزن شبکه به جای نزول شیب دار استفاده شد. روند آموزش مدل کامل سریع بود و برای هر یک از افراد کمتر از 10 دقیقه به طول انجامید و این الگوریتم را از منظر استفاده بالینی عملی کرد.

کتی ژوانگ در آزمایشگاه مهندسی عصبی EPFL ترجمه ، که اولین نویسنده مطالعه تحقیقاتی است ، گفت: "برای یک قطع عضو ، در واقع انقباض عضلات بسیار زیاد است ، روشهای مختلف برای کنترل همه راههایی که انگشتان ما حرکت می کند." . "کاری که ما انجام می دهیم این است که این سنسورها را روی استامپ باقیمانده آنها قرار می دهیم ، سپس آنها را ضبط می کنیم و سعی می کنیم سیگنال های حرکت را تفسیر کنیم. از آنجا که این سیگنال ها می توانند کمی پر سر و صدا باشند ، آنچه ما نیاز داریم این الگوریتم یادگیری ماشین است که فعالیت معناداری را از آن عضلات استخراج کرده و آنها را به صورت حرکتی تفسیر می کند. و این حرکات همان چیزی است که هر انگشت دست رباتیک را کنترل می کند. "

از آنجا که پیش بینی های ماشینی حرکات انگشت ممکن است 100 درصد دقیق نباشد ، محققان EPFL اتوماسیون رباتیک را در اختیار گرفتند تا دست مصنوعی را فعال کرده و پس از برقراری تماس اولیه ، به طور خودکار بسته شدن اطراف یک شی را شروع کنند. اگر کاربر بخواهد جسمی را آزاد کند ، تنها کاری که باید انجام دهد این است که برای خاموش کردن کنترلر رباتیک ، دست را باز کند و کاربر را دوباره کنترل کند.

به گفته آوده بیلارد که رهبری آزمایشگاه الگوریتم ها و سیستم های یادگیری EPFL را بر عهده دارد ، دست رباتیک قادر است در طی 400 میلی ثانیه واکنش نشان دهد. بیلارد گفت: "مجهز به حسگرهای فشار در طول انگشتان ، می تواند جسم را واكنش داده و ثبات دهد قبل از آنكه مغز واقعاً در حال لغزش باشد."

با استفاده از هوش مصنوعی در مهندسی مغز و اعصاب و رباتیک ، دانشمندان EPFL رویکرد جدید کنترل مشترک بین ماشین و قصد کاربر را نشان داده اند - پیشرفت در فناوری نوروپروتستیک.

کپی رایت © 2019 Cami Rosso کلیه حقوق محفوظ است.