Nova Neuroprostética é uma Revolução na Robótica de IA

Cientistas da EPFL (École polytechnique fédérale de Lausanne) na Suíça anunciaram a criação de um primeiro mundo para controle de mão robótica - um novo tipo de neuroprostética que unifica o controle humano com automação de inteligência artificial (IA) para maior destreza do robô e publicou suas pesquisas em Setembro de 2019 em Nature Machine Intelligence .

Neuroprosthetics (próteses neurais) são dispositivos artificiais que estimulam ou melhoram o sistema nervoso por meio de estimulação elétrica para compensar as deficiências que afetam as habilidades motoras, cognição, visão, audição, comunicação ou habilidades sensoriais. Exemplos de neuroprostéticos incluem interfaces cérebro-computador (BCIs), estimulação cerebral profunda, estimuladores da medula espinhal (SCS), implantes de controle da bexiga, implantes cocleares e marca-passos cardíacos.

O valor mundial das próteses de membro superior deve ultrapassar 2,3 bilhões de dólares em 2025, de acordo com dados de um relatório de agosto de 2019 da Global Market Insight. Em 2018, o valor de mercado mundial atingiu um bilhão de dólares com base no mesmo relatório. Estima-se que dois milhões de americanos sejam amputados e haja mais de 185.000 amputações feitas anualmente, de acordo com o National Limb Loss Information Center. A doença vascular é responsável por 82 por cento das amputações nos EUA, de acordo com o relatório.

Uma prótese mioelétrica é usada para substituir partes do corpo amputadas por um membro artificial alimentado externamente que é ativado pelos músculos existentes do usuário. De acordo com a equipe de pesquisa da EPFL, os dispositivos comerciais disponíveis hoje podem dar aos usuários um alto nível de autonomia, mas a destreza em nenhum lugar é tão ágil quanto a mão humana intacta.

“Dispositivos comerciais geralmente usam um sistema de dois canais de gravação para controlar um único grau de liberdade; ou seja, um canal sEMG para flexão e outro para extensão ”, escreveram os pesquisadores da EPFL em seu estudo. “Embora intuitivo, o sistema oferece pouca destreza. As pessoas abandonam as próteses mioelétricas em altas taxas, em parte porque sentem que o nível de controle é insuficiente para merecer o preço e a complexidade desses dispositivos. ”

Para resolver o problema de destreza com próteses mioelétricas, os pesquisadores da EPFL adotaram uma abordagem interdisciplinar para este estudo de prova de conceito, combinando os campos científicos da neuroengenharia, robótica e inteligência artificial para semi-automatizar uma parte do comando motor para "compartilhado ao controle."

Silvestro Micera, Presidente da Fundação Bertarelli da EPFL em Neuroengenharia Translacional e Professor de Bioeletrônica na Scuola Superiore Sant'Anna na Itália, considera que essa abordagem compartilhada para controlar mãos robóticas pode melhorar o impacto clínico e a usabilidade para uma ampla gama de finalidades neuroprotéticas, como o cérebro interfaces para máquina (IMC) e mãos biônicas.

“Uma razão pela qual as próteses comerciais mais comumente usam decodificadores baseados em classificadores em vez de proporcionais é porque os classificadores permanecem mais robustos em uma determinada postura”, escreveram os pesquisadores. “Para agarrar, esse tipo de controle é ideal para evitar quedas acidentais, mas sacrifica a agência do usuário ao restringir o número de posturas possíveis para as mãos. Nossa implementação de controle compartilhado permite a agência do usuário e maior robustez. No espaço livre, o usuário tem controle total sobre os movimentos das mãos, o que também permite a pré-moldagem voluntária para agarrar. ”

Neste estudo, os pesquisadores do EPFL se concentraram no projeto dos algoritmos de software - o hardware robótico fornecido por terceiros consiste em um Allegro Hand montado no robô KUKA IIWA 7, um sistema de câmera OptiTrack e sensores de pressão TEKSCAN.

Os cientistas da EPFL criaram um decodificador proporcional cinemático criando um perceptron multicamadas (MLP) para aprender como interpretar a intenção do usuário a fim de traduzi-la em movimento de dedos em uma mão artificial. Um perceptron multicamadas é uma rede neural artificial de feedforward que usa retropropagação. MLP é um método de aprendizado profundo em que as informações avançam em uma direção, em vez de em um ciclo ou loop pela rede neural artificial.

O algoritmo é treinado por dados de entrada do usuário realizando uma série de movimentos de mão. Para um tempo de convergência mais rápido, o método Levenberg-Marquardt foi usado para ajustar os pesos da rede em vez da descida do gradiente. O processo de treinamento do modelo completo foi rápido e levou menos de 10 minutos para cada um dos assuntos, tornando o algoritmo prático de uma perspectiva de uso clínico.

“Para um amputado, é realmente muito difícil contrair os músculos de muitas maneiras diferentes de controlar todas as formas como nossos dedos se movem”, disse Katie Zhuang do Laboratório de Engenharia Neural Translacional da EPFL, que foi a primeira autora do estudo de pesquisa . “O que fazemos é colocar esses sensores em seu coto restante, gravá-los e tentar interpretar quais são os sinais de movimento. Como esses sinais podem ser um pouco barulhentos, o que precisamos é deste algoritmo de aprendizado de máquina que extraia atividades significativas desses músculos e os interprete em movimentos. E são esses movimentos que controlam cada dedo das mãos robóticas. ”

Como as previsões da máquina sobre os movimentos dos dedos podem não ser 100 por cento precisas, os pesquisadores da EPFL incorporaram a automação robótica para habilitar a mão artificial e começar a se fechar automaticamente em torno de um objeto assim que o contato inicial for feito. Se o usuário quiser soltar um objeto, tudo o que ele precisa fazer é tentar abrir a mão para desligar o controlador robótico e colocar o usuário de volta no controle da mão.

De acordo com Aude Billard, que lidera o Laboratório de Sistemas e Algoritmos de Aprendizagem da EPFL, a mão robótica é capaz de reagir em 400 milissegundos. “Equipado com sensores de pressão ao longo de todos os dedos, ele pode reagir e estabilizar o objeto antes que o cérebro possa realmente perceber que o objeto está escorregando”, disse Billard.

Ao aplicar a inteligência artificial à neuroengenharia e à robótica, os cientistas da EPFL demonstraram a nova abordagem de controle compartilhado entre a máquina e a intenção do usuário - um avanço na tecnologia neuroprotética.

Copyright © 2019 Cami Rosso Todos os direitos reservados.