Postęp w inżynierii biomedycznej coraz wyraźniej zmierza w stronę protez, które nie tylko reagują na intencję użytkownika, ale także rozumieją kontekst wykonywanej czynności. Najnowsze badania pokazują, że integracja uczenia maszynowego z systemem wizyjnym może znacząco poprawić precyzję chwytu w protezach dłoni, ograniczając konieczność świadomej kontroli siły nacisku przez użytkownika.
Z tego artykułu dowiesz się…
- Jak działa nowy system protez dłoni, który łączy uczenie maszynowe, widzenie komputerowe i sygnały EMG,
- Dlaczego tradycyjne protezy mają problem z doborem siły chwytu i jak nowe rozwiązanie eliminuje ten ograniczający etap „zgadywania”,
- W jaki sposób kamera i algorytmy AI przewidują potrzebną siłę nacisku w czasie rzeczywistym,
- Jakie znaczenie ta technologia ma dla codziennego funkcjonowania osób po amputacjach, zwłaszcza w zadaniach wymagających precyzji.
Ograniczenia tradycyjnych protez dłoni
Współczesne protezy dłoni najczęściej wykorzystują sygnały elektromiografii (EMG), które pozwalają wykryć zamiar wykonania ruchu. Choć technologia ta skutecznie rozpoznaje moment chwytu, ma istotne ograniczenia w określaniu właściwej siły nacisku.
W praktyce oznacza to, że użytkownicy muszą stale analizować, jak mocno ścisnąć dany przedmiot – inaczej trzyma się jajko, a inaczej butelkę z wodą. Ten poznawczy wysiłek znacząco obniża naturalność ruchów i komfort codziennego funkcjonowania.
Nowy system: uczenie maszynowe i widzenie komputerowe
Zespół naukowców z Uniwersytet Technologii Elektronicznych w Guilin zaproponował nowe podejście, które eliminuje konieczność „zgadywania” siły chwytu. Opracowany system łączy:
- algorytmy uczenia maszynowego,
- kamerę umieszczoną bezpośrednio na dłoni protezy,
- klasyczne czujniki EMG z przedramienia użytkownika.
Celem rozwiązania jest automatyczna modulacja siły chwytu w czasie rzeczywistym, zależnie od identyfikowanego obiektu.
Jak działa automatyczna kontrola siły chwytu?
Gdy użytkownik sięga po przedmiot, kamera wbudowana w protezę rozpoznaje jego kształt i typ. Następnie algorytm uczenia maszynowego porównuje ten obraz z wcześniej przygotowaną bazą danych, w której zapisano wymagania dotyczące siły chwytu dla typowych obiektów codziennego użytku – takich jak klucze, długopisy czy jajka.
Sygnały EMG nadal informują system o intencji wykonania chwytu, natomiast odpowiedź na pytanie „jak mocno?” przejmuje system wizyjny. Jak podkreśla autorka badania, Hua Li:
Chcemy, aby użytkownik nie musiał zastanawiać się nad tym, jak sterować [obiektem], i mogliśmy pozwolić mu skupić się na tym, co chce zrobić, zapewniając w ten sposób w pełni naturalną i intuicyjną interakcję.
Redukcja obciążenia poznawczego użytkownika
Dzięki nowemu podejściu użytkownik może skoncentrować się na samej czynności – na przykład podnoszeniu szklanki – zamiast na ciągłym szacowaniu odpowiedniej siły nacisku. To istotny krok w stronę bardziej naturalnej integracji protezy z ciałem, zbliżonej do funkcjonowania biologicznej dłoni.
Sprzężenie zwrotne dotykowe
Naukowcy planują dalszy rozwój systemu poprzez dodanie sprzężenia zwrotnego dotykowego. Ma ono stworzyć „dwukierunkowy most” między protezą a układem nerwowym użytkownika, umożliwiając odczuwanie nacisku i kontaktu z obiektem.
Dzięki dodatkowemu wykorzystaniu sygnałów EMG proteza mogłaby nie tylko wykonywać ruchy, ale także przekazywać wrażenia dotykowe, co znacząco zwiększyłoby realizm i precyzję czynności wymagających małej motoryki.
Znaczenie dla codziennego funkcjonowania
Końcowym celem projektu jest przywrócenie zdolności wykonywania złożonych, precyzyjnych zadań – takich jak zapinanie guzików, wiązanie sznurowadeł czy obieranie owoców. Jak podkreśla Hua Li:
Na co najbardziej czekamy i na czym obecnie się skupiamy, to umożliwienie użytkownikom protez dłoni bezproblemowego i niezawodnego wykonywania codziennych czynności wymagających małej motoryki.
Znaczenie dla przyszłości protetyki
Wyniki badań, opublikowane 20 stycznia w czasopiśmie Nanotechnology and Precision Engineering, pokazują, że połączenie widzenia komputerowego, uczenia maszynowego i sygnałów biologicznych może zasadniczo zmienić sposób projektowania protez kończyn górnych.
Główne wnioski
- Nowy system protetyczny automatyzuje dobór siły chwytu, łącząc sygnały EMG z rozpoznawaniem obiektów przez kamerę i algorytmy uczenia maszynowego.
- Rozpoznanie przedmiotu pozwala przewidzieć wymaganą siłę nacisku, co znacząco zmniejsza obciążenie poznawcze użytkownika protezy.
- Technologia umożliwia bardziej naturalną i intuicyjną interakcję, zbliżając funkcjonowanie protezy do biologicznej dłoni.
- Planowane wdrożenie sprzężenia zwrotnego dotykowego może w przyszłości umożliwić wykonywanie złożonych czynności wymagających małej motoryki, takich jak zapinanie guzików czy wiązanie sznurowadeł.
Źródło:
- Nanotechnology and Precision Engineering
- Guilin University of Electronic Technology in China
