새로운 Neuroprosthetic는 AI 로봇 공학의 혁신입니다

스위스 EPFL (École polytechnique fédérale de Lausanne)의 과학자들은 로봇 손 제어를위한 세계 최초의 로봇 손 제어 (인간 제어와 인공 지능 (AI) 자동화를 통합하여 로봇 손재주를 향상시키는 새로운 유형의 신경 보철물)의 개발을 발표하고 연구 결과를 발표했습니다. 2019 년 9 월 자연 기계 지능 .

신경 보철 (신경 보철)은 운동 기술,인지, 시각, 청각, 의사 소통 또는 감각 기술에 영향을 미치는 결함을 보완하기 위해 전기 자극을 통해 신경계를 자극하거나 강화하는 인공 장치입니다. 신경 보철물의 예로는 뇌-컴퓨터 인터페이스 (BCI), 심부 뇌 자극, 척수 자극기 (SCS), 방광 조절 임플란트, 인공 와우 임플란트 및 심장 박동기 등이 있습니다.

Global Market Insight의 2019 년 8 월 보고서에 따르면 전 세계 상지 보철물 가치는 2025 년까지 미화 23 억 달러를 초과 할 것으로 예상됩니다. 2018 년 전 세계 시장 가치는 같은 보고서에 따르면 10 억 달러에 달했습니다. National Limb Loss Information Center에 따르면 약 200 만 명의 미국인이 절단 수술을 받고 있으며 매년 185,000 건 이상의 절단이 이루어집니다. 보고서에 따르면 혈관 질환은 미국 절단의 82 %를 차지합니다.

근 전기 보철물은 절단 된 신체 부위를 사용자의 기존 근육에 의해 활성화되는 외부 동력 인공 사지로 대체하는 데 사용됩니다. EPFL 연구팀에 따르면 오늘날 사용 가능한 상용 장치는 사용자에게 높은 수준의 자율성을 제공 할 수 있지만 손재주가 온전한 인간의 손만큼 민첩하지는 않습니다.

“상용 장치는 일반적으로 단일 자유도를 제어하기 위해 2 개의 기록 채널 시스템을 사용합니다. 즉, 하나는 굴곡을위한 sEMG 채널이고 다른 하나는 확장을위한 것입니다.”라고 EPFL 연구자들은 그들의 연구에서 썼습니다. “이 시스템은 직관적이기는하지만 손재주가 거의 없습니다. 사람들은 부분적으로 이러한 장치의 가격과 복잡성을 감당하기에는 제어 수준이 충분하지 않다고 느끼기 때문에 높은 비율로 근전 보철물을 포기합니다.”

근 전기 보철물의 손재주 문제를 해결하기 위해 EPFL 연구원은 신경 공학, 로봇 공학 및 인공 지능의 과학 분야를 결합하여이 개념 증명 연구를위한 학제 ​​간 접근 방식을 취하여 "공유를위한 운동 명령의 일부를 반 자동화"했습니다. 제어."

EPFL의 중개 신경 공학 분야의 Bertarelli 재단 회장이자 이탈리아의 Scuola Superiore Sant'Anna의 바이오 전자 공학 교수 인 Silvestro Micera는 로봇 손을 제어하기위한 이러한 공유 접근 방식이 뇌와 같은 광범위한 신경 보철 목적에 대한 임상 적 영향과 유용성을 향상시킬 수 있다고보고 있습니다. 기계 간 인터페이스 (BMI) 및 생체 공학 손.

“상업적 보철물이 비례식 대신 분류기 기반 디코더를 더 일반적으로 사용하는 한 가지 이유는 분류 기가 특정 자세에 더 견고하게 남아 있기 때문입니다.”라고 연구원들은 썼습니다. “잡을 때 이러한 유형의 제어는 우발적 인 낙하를 방지하는 데 이상적이지만 가능한 손 자세의 수를 제한하여 사용자 에이전시를 희생합니다. 공유 제어를 구현하면 사용자 대행사와 견고 함을 모두 파악할 수 있습니다. 여유 공간에서 사용자는 손의 움직임을 완전히 제어 할 수 있으며,이를 통해 파악을위한 자발적인 사전 성형도 가능합니다. "

이 연구에서 EPFL 연구원들은 소프트웨어 알고리즘의 설계에 중점을 두었습니다. 외부 업체에서 제공 한 로봇 하드웨어는 KUKA IIWA 7 로봇에 장착 된 Allegro Hand, OptiTrack 카메라 시스템 및 TEKSCAN 압력 센서로 구성됩니다.

EPFL 과학자들은 다층 퍼셉트론 (MLP)을 만들어 사용자의 의도를 인공 손의 손가락 움직임으로 변환하는 방법을 학습함으로써 운동 학적 비례 ​​디코더를 만들었습니다. 다층 퍼셉트론은 역 전파를 사용하는 피드 포워드 인공 신경망입니다. MLP는 정보가 인공 신경망을 통한주기 또는 루프가 아닌 한 방향으로 전진하는 딥 러닝 방법입니다.

알고리즘은 일련의 손 동작을 수행하는 사용자의 입력 데이터로 훈련됩니다. 더 빠른 수렴 시간을 위해 Levenberg-Marquardt 방법은 경사 하강 법 대신 네트워크 가중치를 맞추는 데 사용되었습니다. 전체 모델 교육 과정은 빠르고 각 과목에 대해 10 분도 채 걸리지 않아 임상 사용 관점에서 알고리즘을 실용적으로 만들었습니다.

이 연구의 첫 번째 저자 인 EPFL 중개 신경 공학 연구소의 Katie Zhuang은“수족 환자의 경우 손가락이 움직이는 모든 방식을 제어하기 위해 여러 가지 방법으로 근육을 수축하는 것이 실제로 매우 어렵습니다. . “우리가하는 일은이 센서를 나머지 그루터기에 놓고 기록하고 움직임 신호가 무엇인지 해석하는 것입니다. 이러한 신호는 약간 시끄러울 수 있기 때문에 우리에게 필요한 것은 근육에서 의미있는 활동을 추출하고이를 움직임으로 해석하는 기계 학습 알고리즘입니다. 그리고 이러한 움직임은 로봇 손의 각 손가락을 제어합니다.”

손가락 움직임에 대한 기계 예측이 100 % 정확하지 않을 수 있기 때문에 EPFL 연구원은 로봇 자동화를 통합하여 인공 손을 활성화하고 최초 접촉이 이루어지면 자동으로 물체 주변을 닫습니다. 사용자가 물체를 놓으려면 로봇 컨트롤러를 끄고 사용자가 다시 손을 제어하도록하기 위해 손을 벌려야합니다.

EPFL의 학습 알고리즘 및 시스템 연구소를 이끌고있는 Aude Billard에 따르면 로봇 손은 400 밀리 초 이내에 반응 할 수 있습니다. Billard는“손가락에 압력 센서가 모두 장착되어있어 물체가 미끄러지는 것을 뇌가 실제로 인식하기 전에 물체를 반응하고 안정화시킬 수 있습니다.

인공 지능을 신경 공학 및 로봇 공학에 적용함으로써 EPFL 과학자들은 기계와 사용자 의도 간의 공유 제어에 대한 새로운 접근 방식, 즉 신경 보철 기술의 발전을 보여주었습니다.

저작권 © 2019 Cami Rosso 판권 소유.