Жидкометаллические датчики и ИИ возвращают осязание протезным рукам

У каждого кончика пальца человека более 3000 тактильных рецепторов, которые в основном реагируют на давление. Люди сильно полагаются на ощущения в кончиках пальцев при манипулировании объектом, поэтому отсутствие этого ощущения представляет уникальный вызов для лиц с ампутациями верхних конечностей. Хотя существует несколько декситных протезов сегодня, все они лишены ощущения "прикосновения". Отсутствие этой сенсорной обратной связи приводит к тому, что объекты нечаянно 떨어뜨ряются или раздавливаются протезной рукой.

Для обеспечения более естественного интерфейса протезной руки исследователи включили растяжимые тактильные датчики с использованием жидкого металла на кончиках пальцев протезной руки. Инкапсулированные в силикон-базированные эластомеры, эта технология обеспечивает ключевые преимущества перед традиционными датчиками, включая высокую проводимость, соответствие, гибкость и растяжимость. Эта иерархическая много-пальцевая тактильная интеграция может обеспечить более высокий уровень интеллекта для искусственных рук.

Исследователи использовали отдельные кончики пальцев на протезе для различия между разными скоростями скользящего движения по разным текстурным поверхностям. У четырех разных текстур был один переменный параметр: расстояние между гребнями. Для обнаружения текстур и скоростей исследователи обучили четыре алгоритма машинного обучения. Для каждой из десяти поверхностей было собрано 20 испытаний для тестирования способности алгоритмов машинного обучения отличать среди десяти разных сложных поверхностей, состоящих из случайно сгенерированных перестановок четырех разных текстур.

Результаты показали, что интеграция тактильной информации от жидкометаллических датчиков на четырех кончиках пальцев протезной руки одновременно отличала среди сложных, многотекстурных поверхностей, демонстрируя новую форму иерархического интеллекта. Алгоритмы машинного обучения могли отличать среди всех скоростей с каждым пальцем с высокой точностью.

Команда сравнила четыре разных алгоритма машинного обучения для их успешных классификационных способностей: K-ближайшие соседи (KNN), машина опорных векторов (SVM), случайный лес (RF) и нейронная сеть (NN). Временно-частотные признаки жидкометаллических датчиков были извлечены для обучения и тестирования алгоритмов машинного обучения. NN в целом выполняла наилучшее при обнаружении скорости и текстуры с одним пальцем и имела 99,2% точность для различия среди десяти разных многотекстурных поверхностей с использованием четырех жидкометаллических датчиков с четырех пальцев одновременно.

Хотя достижения в протезных конечностях были полезны и позволяют ампутированным лучше выполнять их повседневные обязанности, они не предоставляют им сенсорную информацию, такую как прикосновение. Они также не позволяют им контролировать протезную конечность естественным образом своим разумом. Новая технология может помочь предоставить ампутированным более естественное протезное устройство, которое может "чувствовать" и реагировать на свою среду.