Cientistas da EPFL (École polytechnique fédérale de Lausanne), na Suíça, anunciaram a criação do primeiro mundo para o controle robótico das mãos – um novo tipo de neuroprosthetic que unifica controle humano com automação de inteligência artificial (IA) para maior destreza do robô e publicou sua pesquisa em Setembro de 2019 em Nature Machine Intelligence.

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

Prevê-se que o valor mundial de próteses para membros superiores exceda 2,3 bilhões de dólares até 2025, segundo 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 há mais de 185.000 amputações feitas anualmente, de acordo com o Centro Nacional de Informações sobre Perdas de Membros. A doença vascular é responsável por 82% das amputações nos EUA, de acordo com o relatório.

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

“Os dispositivos comerciais geralmente usam um sistema de dois canais de gravação para controlar um único grau de liberdade; isto é, 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 a taxas elevadas, em parte porque sentem que o nível de controle é insuficiente para merecer o preço e a complexidade desses dispositivos. ”

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

Silvestro Micera, presidente da Fundação Bertarelli de EPFL em Neuroengenharia Translacional e professor de Bioeletrônica na Scuola Superiore Sant’Anna, na Itália, vê essa abordagem compartilhada para controlar mãos robóticas que podem melhorar o impacto clínico e a usabilidade de uma ampla variedade de propósitos neuroproséticos, como o cérebro interfaces to-machine (IMCs) e mãos biônicas.

“Uma das razões pelas quais 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, restringindo o número de possíveis posturas das mãos. Nossa implementação de controle compartilhado permite a robustez da agência do usuário e da compreensão. No espaço livre, o usuário tem controle total sobre os movimentos das mãos, o que também permite a pré-modelagem volitiva para agarrar. ”

Neste estudo, os pesquisadores da EPFL se concentraram no design 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 de multicamadas (MLP) para aprender a interpretar a intenção do usuário para traduzi-lo em movimento de dedos em uma mão artificial. Um perceptron de multicamadas é uma rede neural artificial avançada que usa retropropagação. O MLP é um método de aprendizado profundo, no qual as informações avançam em uma direção, versus em um ciclo ou loop através da rede neural artificial.

O algoritmo é treinado por dados de entrada do usuário executando uma série de movimentos das mãos. 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 sujeitos, tornando o algoritmo prático da perspectiva do uso clínico.

“Na verdade, para um amputado, é muito difícil contrair os músculos de várias maneiras diferentes para controlar todos os movimentos dos dedos”, disse Katie Zhuang, no Laboratório de Engenharia Neural da EPFL Translational Neural, que foi o primeiro autor do estudo. . “O que fazemos é colocar esses sensores no coto restante e depois gravá-los e tentar interpretar quais são os sinais de movimento. Como esses sinais podem ser um pouco barulhentos, o que precisamos é desse algoritmo de aprendizado de máquina que extrai atividade significativa desses músculos e os interpreta 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% precisas, os pesquisadores da EPFL incorporaram a automação robótica para ativar a mão artificial e iniciar automaticamente o fechamento de um objeto após o contato inicial. Se o usuário quiser liberar 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 dos dedos, ele pode reagir e estabilizar o objeto antes que o cérebro perceba 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 neuroprosthetic.

 

Psychologytoday