La nueva neuroprótesis es un gran avance en robótica de inteligencia artificial

Los científicos de la EPFL (École polytechnique fédérale de Lausanne) en Suiza han anunciado la creación de una primicia mundial para el control manual robótico, un nuevo tipo de neuroprótesis que unifica el control humano con la automatización de la inteligencia artificial (IA) para una mayor destreza del robot y publicaron su investigación en Septiembre 2019 en Inteligencia de la máquina de la naturaleza .

Las neuroprótesis (prótesis neurales) son dispositivos artificiales que estimulan o mejoran el sistema nervioso mediante estimulación eléctrica para compensar las deficiencias que afectan las habilidades motoras, cognitivas, visuales, auditivas, comunicativas o sensoriales. Ejemplos de neuroprótesis incluyen interfaces cerebro-computadora (BCI), estimulación cerebral profunda, estimuladores de la médula espinal (SCS), implantes de control de la vejiga, implantes cocleares y marcapasos cardíacos.

Se espera que el valor mundial de las prótesis de miembros superiores supere los 2.300 millones de dólares para 2025, según las cifras de un informe de agosto de 2019 de Global Market Insight. En 2018, el valor de mercado mundial alcanzó los mil millones de dólares según el mismo informe. Se estima que dos millones de estadounidenses son amputados, y se realizan más de 185.000 amputaciones al año, según el Centro Nacional de Información sobre Pérdida de Miembros. La enfermedad vascular representa el 82 por ciento de las amputaciones en EE. UU. Según el informe.

Se utiliza una prótesis mioeléctrica para reemplazar partes del cuerpo amputadas con una extremidad artificial alimentada externamente que es activada por los músculos existentes del usuario. Según el equipo de investigación de EPFL, los dispositivos comerciales disponibles en la actualidad pueden brindar a los usuarios un alto nivel de autonomía, pero la destreza no es tan ágil como la mano humana intacta.

“Los dispositivos comerciales suelen utilizar un sistema de dos canales de grabación para controlar un solo grado de libertad; es decir, un canal sEMG para flexión y otro para extensión ”, escribieron los investigadores de EPFL en su estudio. “Si bien es intuitivo, el sistema proporciona poca destreza. Las personas abandonan las prótesis mioeléctricas a tasas elevadas, en parte porque sienten que el nivel de control es insuficiente para merecer el precio y la complejidad de estos dispositivos ".

Para abordar el problema de la destreza con las prótesis mioeléctricas, los investigadores de la EPFL adoptaron un enfoque interdisciplinario para este estudio de prueba de concepto al combinar los campos científicos de la neuroingeniería, la robótica y la inteligencia artificial para semi-automatizar una parte del comando motor para "compartidos". control."

Silvestro Micera, presidente de la Fundación Bertarelli de EPFL en Neuroingeniería Traslacional y profesor de Bioelectrónica en la Scuola Superiore Sant'Anna en Italia, considera que este enfoque compartido para controlar las manos robóticas puede mejorar el impacto clínico y la usabilidad para una amplia gama de propósitos neuroprotésicos como el cerebro. Interfaces de máquina a máquina (IMC) y manos biónicas.

"Una de las razones por las que las prótesis comerciales utilizan con mayor frecuencia decodificadores basados ​​en clasificadores en lugar de proporcionales es porque los clasificadores permanecen de manera más robusta en una postura particular", escribieron los investigadores. “Para agarrar, este tipo de control es ideal para evitar caídas accidentales, pero sacrifica la capacidad del usuario al restringir el número de posibles posturas de las manos. Nuestra implementación de control compartido permite tanto la agencia del usuario como la robustez de la comprensión. En el espacio libre, el usuario tiene control total sobre los movimientos de la mano, lo que también permite una preformación voluntaria para agarrar ".

En este estudio, los investigadores de EPFL se centraron en el diseño de los algoritmos de software: el hardware robótico proporcionado por partes externas consiste en una mano Allegro montada en el robot KUKA IIWA 7, un sistema de cámara OptiTrack y sensores de presión TEKSCAN.

Los científicos de la EPFL crearon un decodificador cinemático proporcional mediante la creación de un perceptrón multicapa (MLP) para aprender a interpretar la intención del usuario y traducirla en el movimiento de los dedos en una mano artificial. Un perceptrón multicapa es una red neuronal artificial de retroalimentación que utiliza propagación hacia atrás. MLP es un método de aprendizaje profundo en el que la información avanza en una dirección, en lugar de en un ciclo o bucle a través de la red neuronal artificial.

El algoritmo se entrena mediante datos de entrada del usuario que realiza una serie de movimientos de la mano. Para un tiempo de convergencia más rápido, se utilizó el método de Levenberg-Marquardt para ajustar los pesos de la red en lugar del descenso de gradiente. El proceso de entrenamiento del modelo completo fue rápido y tomó menos de 10 minutos para cada uno de los sujetos, lo que hizo que el algoritmo fuera práctico desde una perspectiva de uso clínico.

"Para un amputado, en realidad es muy difícil contraer los músculos de muchas, muchas formas diferentes de controlar todas las formas en que se mueven los dedos", dijo Katie Zhuang del Laboratorio de Ingeniería Neural Traslacional de la EPFL, quien fue la primera autora del estudio de investigación. . “Lo que hacemos es colocar estos sensores en el muñón que les queda, y luego los registramos e intentamos interpretar cuáles son las señales de movimiento. Debido a que estas señales pueden ser un poco ruidosas, lo que necesitamos es este algoritmo de aprendizaje automático que extrae actividad significativa de esos músculos y los interpreta en movimientos. Y estos movimientos son los que controlan cada dedo de las manos robóticas ".

Debido a que las predicciones de la máquina de los movimientos de los dedos pueden no ser 100 por ciento precisas, los investigadores de la EPFL incorporaron la automatización robótica para habilitar la mano artificial y comenzar a cerrarse automáticamente alrededor de un objeto una vez que se realiza el contacto inicial. Si el usuario quiere soltar un objeto, todo lo que tiene que hacer es intentar abrir la mano para apagar el controlador robótico y devolver al usuario el control de la mano.

Según Aude Billard, quien dirige el Laboratorio de Sistemas y Algoritmos de Aprendizaje de la EPFL, la mano robótica es capaz de reaccionar en 400 milisegundos. "Equipado con sensores de presión a lo largo de los dedos, puede reaccionar y estabilizar el objeto antes de que el cerebro pueda realmente percibir que el objeto se está deslizando", dijo Billard.

Al aplicar la inteligencia artificial a la neuroingeniería y la robótica, los científicos de EPFL han demostrado el nuevo enfoque de control compartido entre la máquina y la intención del usuario: un avance en la tecnología neuroprotésica.

Copyright © 2019 Cami Rosso Todos los derechos reservados.