Новая технология может упростить использование протезов рук
Москва, 10:32, 23 Май 2018, редакция FTimes.ru, автор Евгения Ковалева.
Исследователи из университетов Северной Каролины разработали новую технологию декодирования нейромышечных сигналов для управления механизированными протезами рук. Работа основана на компьютерных моделях, воссоздающих поведение природных структур в предплечье, запястье и руке.
Технология также может использоваться для создания нового компьютерного интерфейса в играх или САПР, сообщает sciencedaily.com.
Система хорошо показала себя в ранних опытах, но клинические испытания пока не начаты. То есть, до выхода технологии на рынок могут пройти годы. Выводы проекта представлены в IEEE Transactions on Neural Systems and Rehabilitation Engineering.
Существующие технологичные протезы полагаются на машинное обучение в создании «распознавания шаблонов» для управления устройством. Этот подход заставляет пользователей «учить» приборы определять специфическую мышечную активность и переводить ее в команды.
«Пациентам приходится проходить через длительный процесс тренировки, — сказала профессор Хи (Хелен) Хуанг, старший автор работы. – Это утомительно и отнимает много времени. Мы решили сосредоточиться на уже известных фактах о человеческом теле. Такой подход может быть более надежным, практичным и интуитивным для пользователей».
Каждый раз при смене позы меняются и нейромышечные сигналы для одного движения рукой (запястьем). Машинное обучение требует прохода каждой такой ситуации и тренировок в разных условиях. Новая технология избавляет от этой необходимости.
Исследователи разработали пользователь-характерную мышечно-скелетную модель. Для этого на предплечья 6 здоровых добровольцев поместили электромиографические датчики. Они определяли, какие конкретно нейромышечные сигналы посылаются при различных действиях запястий и рук. Данные использовались для создания модели, которая переводила их в команды для манипулирования механизированным протезом.
Сейчас специалисты ищут добровольцев, потерявших верхние конечности, для дальнейших экспериментов. Они также рассматривают возможность внедрения в модель машинного обучения.
«Система делает использование протезов более интуитивным и надежным. Но машинное обучение может обеспечить более гибкий контроль. Например, запомнив бытовые привычки и определенные потребности пациента с их последующим отражением в работе протеза», — сказала Хуанг.
