Sensoren van vloeibaar metaal en AI helpen prothesehanden te "voelen"

Elke menselijke vingertop heeft meer dan 3.000 aanraakreceptoren die grotendeels reageren op druk. Mensen zijn sterk afhankelijk van sensatie in hun vingertoppen bij het manipuleren van een object, dus het ontbreken van deze sensatie vormt een unieke uitdaging voor personen met amputaties van de bovenste ledematen. Hoewel er tegenwoordig verschillende handige protheses beschikbaar zijn, missen ze allemaal het gevoel van 'aanraken'. De afwezigheid van deze sensorische feedback leidt ertoe dat objecten per ongeluk vallen of verpletterd worden door een prothesehand.

Om een ​​natuurlijker aanvoelende prothetische handinterface mogelijk te maken, gebruikten onderzoekers rekbare tactiele sensoren met behulp van vloeibaar metaal op de vingertoppen van een prothetische hand. Deze technologie is ingekapseld in op siliconen gebaseerde elastomeren en biedt belangrijke voordelen ten opzichte van traditionele sensoren, waaronder een hoge geleidbaarheid, compliantie, flexibiliteit en rekbaarheid. Deze hiërarchische integratie van tactiele sensaties met meerdere vingers zou een hoger niveau van intelligentie kunnen bieden voor kunstmatige handen.

De onderzoekers gebruikten individuele vingertoppen op de prothese om onderscheid te maken tussen verschillende snelheden van een glijdende beweging langs verschillende gestructureerde oppervlakken. De vier verschillende texturen hadden één variabele parameter:de afstand tussen de ribbels. Om de texturen en snelheden te detecteren, hebben onderzoekers vier machine learning-algoritmen getraind. Voor elk van de tien oppervlakken werden 20 proeven verzameld om het vermogen van de machine learning-algoritmen te testen om onderscheid te maken tussen de tien verschillende complexe oppervlakken die bestaan ​​uit willekeurig gegenereerde permutaties van vier verschillende texturen.

De resultaten toonden aan dat de integratie van tactiele informatie van sensoren van vloeibaar metaal op vier prothetische vingertoppen tegelijkertijd onderscheid maakte tussen complexe oppervlakken met meerdere texturen, wat een nieuwe vorm van hiërarchische intelligentie aantoont. De machine learning-algoritmen waren in staat om met hoge nauwkeurigheid onderscheid te maken tussen alle snelheden met elke vinger.

Het team vergeleek vier verschillende machine learning-algoritmen voor hun succesvolle classificatiemogelijkheden:K-nearest buur (KNN), ondersteuningsvectormachine (SVM), willekeurig bos (RF) en neuraal netwerk (NN). De tijdfrequentiekenmerken van de vloeibare metaalsensoren werden geëxtraheerd om de machine learning-algoritmen te trainen en te testen. De NN presteerde over het algemeen het beste op het gebied van snelheid en textuurdetectie met een enkele vinger en had een nauwkeurigheid van 99,2 procent om onderscheid te maken tussen tien verschillende oppervlakken met meerdere texturen met behulp van vier vloeibaar-metaalsensoren van vier vingers tegelijk.

Hoewel de vooruitgang in prothetische ledematen gunstig is geweest en geamputeerden in staat heeft gesteld hun dagelijkse taken beter uit te voeren, verschaffen ze hen geen zintuiglijke informatie zoals aanraking. Ze stellen hen ook niet in staat om de prothetische ledemaat op natuurlijke wijze met hun geest te besturen. De nieuwe technologie zou kunnen helpen om geamputeerden een natuurlijker prothetisch apparaat te bieden dat kan "voelen" en reageren op zijn omgeving.