Nieuwe neuroprothese is een doorbraak op het gebied van AI-robotica

Wetenschappers van EPFL (École polytechnique fédérale de Lausanne) in Zwitserland hebben de creatie aangekondigd van 's werelds eerste robothandbediening - een nieuw type neuroprothese dat menselijke controle verenigt met kunstmatige intelligentie (AI) -automatisering voor grotere behendigheid van robots. September 2019 in Nature Machine Intelligence .

Neuroprothesen (neurale protheses) zijn kunstmatige apparaten die het zenuwstelsel stimuleren of versterken via elektrische stimulatie om tekorten te compenseren die invloed hebben op motorische vaardigheden, cognitie, visie, gehoor, communicatie of sensorische vaardigheden. Voorbeelden van neuroprotheses zijn onder meer brain-computer interfaces (BCI's), diepe hersenstimulatie, ruggenmergstimulatoren (SCS), blaascontrole-implantaten, cochleaire implantaten en pacemakers.

De wereldwijde waarde van protheses voor de bovenste ledematen zal naar verwachting in 2025 meer dan 2,3 miljard USD bedragen, volgens cijfers uit een rapport van augustus 2019 van Global Market Insight. In 2018 bereikte de wereldwijde marktwaarde op basis van hetzelfde rapport een miljard USD. Volgens het National Limb Loss Information Center zijn naar schatting twee miljoen Amerikanen geamputeerd en worden er jaarlijks meer dan 185.000 amputaties uitgevoerd. Volgens het rapport zijn vaatziekten goed voor 82 procent van de amputaties in de VS.

Een myo-elektrische prothese wordt gebruikt om geamputeerde lichaamsdelen te vervangen door een extern aangedreven kunstledemaat dat wordt geactiveerd door de bestaande spieren van de gebruiker. Volgens het EPFL-onderzoeksteam kunnen de commerciële apparaten die tegenwoordig beschikbaar zijn, gebruikers een hoge mate van autonomie geven, maar de behendigheid is lang niet zo behendig als de intacte menselijke hand.

“Commerciële apparaten gebruiken meestal een systeem met twee opnamekanalen om een ​​enkele vrijheidsgraad te besturen; dat wil zeggen, één sEMG-kanaal voor flexie en één voor extensie ”, schreven de EPFL-onderzoekers in hun studie. “Hoewel het systeem intuïtief is, biedt het weinig handigheid. Mensen verlaten myo-elektrische prothesen met hoge snelheid, deels omdat ze vinden dat het controleniveau onvoldoende is om de prijs en complexiteit van deze apparaten te verdienen. "

Om het probleem van behendigheid met myo-elektrische prothesen aan te pakken, kozen EPFL-onderzoekers een interdisciplinaire benadering voor deze proof-of-concept-studie door de wetenschappelijke velden van neuro-engineering, robotica en kunstmatige intelligentie te combineren om een ​​deel van de motorische commando's voor controle."

Silvestro Micera, EPFL's Bertarelli Foundation Chair in Translational Neuroengineering, en hoogleraar bio-elektronica bij Scuola Superiore Sant'Anna in Italië, is van mening dat deze gedeelde aanpak voor het besturen van robothanden de klinische impact en bruikbaarheid kan verbeteren voor een breed scala aan neuroprothetische doeleinden, zoals de hersenen -to-machine interfaces (BMI's) en bionische handen.

"Een reden waarom commerciële prothesen vaker classificator-gebaseerde decoders gebruiken in plaats van proportionele, is omdat classificatoren robuuster in een bepaalde houding blijven", schreven de onderzoekers. “Voor het grijpen is dit type bediening ideaal om per ongeluk laten vallen te voorkomen, maar het offert de gebruikersmacht op door het aantal mogelijke handhoudingen te beperken. Onze implementatie van gedeelde controle zorgt voor zowel gebruikersagentschap als robuustheid. In de vrije ruimte heeft de gebruiker volledige controle over de handbewegingen, waardoor hij ook opzettelijk kan voorvormen om vast te pakken. "

In deze studie concentreerden de EPFL-onderzoekers zich op het ontwerp van de software-algoritmen - de robothardware die door externe partijen werd geleverd, bestaat uit een Allegro Hand gemonteerd op de KUKA IIWA 7-robot, een OptiTrack-camerasysteem en TEKSCAN-druksensoren.

De EPFL-wetenschappers creëerden een kinematische proportionele decoder door een multilayer perceptron (MLP) te creëren om te leren hoe de intentie van de gebruiker te interpreteren om deze te vertalen in beweging van vingers op een kunstmatige hand. Een meerlagig perceptron is een feedforward kunstmatig neuraal netwerk dat gebruikmaakt van backpropagation. MLP is een diepgaande leermethode waarbij informatie in één richting vooruit gaat, versus in een cyclus of lus door het kunstmatige neurale netwerk.

Het algoritme wordt getraind door invoergegevens van de gebruiker die een reeks handbewegingen uitvoert. Voor een snellere convergentietijd werd de Levenberg-Marquardt-methode gebruikt om de netwerkgewichten aan te passen in plaats van de gradiëntafdaling. Het volledige trainingsproces was snel en duurde minder dan 10 minuten voor elk van de proefpersonen, waardoor het algoritme praktisch was vanuit het perspectief van klinisch gebruik.

"Voor een geamputeerde is het eigenlijk heel moeilijk om de spieren samen te trekken op veel, veel verschillende manieren om alle manieren waarop onze vingers bewegen te beheersen", zegt Katie Zhuang van het EPFL Translational Neural Engineering Lab, die de eerste auteur was van het onderzoek. . “Wat we doen is deze sensoren op hun resterende stronk plaatsen, ze dan opnemen en proberen te interpreteren wat de bewegingssignalen zijn. Omdat deze signalen een beetje luidruchtig kunnen zijn, hebben we dit machine learning-algoritme nodig dat zinvolle activiteit uit die spieren haalt en deze in bewegingen vertaalt. En deze bewegingen besturen elke vinger van de robothanden. "

Omdat de machinevoorspellingen van de vingerbewegingen mogelijk niet 100 procent nauwkeurig zijn, hebben de EPFL-onderzoekers robotautomatisering ingebouwd om de kunstmatige hand in staat te stellen en automatisch rond een object te sluiten zodra het eerste contact is gemaakt. Als de gebruiker een object wil loslaten, hoeft hij of zij alleen maar te proberen de hand te openen om de robotbesturing uit te schakelen en de gebruiker weer de controle over de hand te geven.

Volgens Aude Billard, die het Learning Algorithms and Systems Laboratory van EPFL leidt, kan de robothand binnen 400 milliseconden reageren. "Uitgerust met druksensoren langs de vingers, kan het reageren en het object stabiliseren voordat de hersenen daadwerkelijk kunnen waarnemen dat het object wegglijdt," zei Billard.

Door kunstmatige intelligentie toe te passen op neuro-engineering en robotica, hebben de EPFL-wetenschappers de nieuwe benadering van gedeelde controle tussen machine- en gebruikersintentie aangetoond - een vooruitgang in neuroprothetische technologie.

Copyright © 2019 Cami Rosso Alle rechten voorbehouden.