Vloeibare metaalsensoren en AI herstellen tastgevoel aan prosthetische handen

Elke menselijke vingertop heeft meer dan 3.000 tastreceptoren die grotendeels reageren op druk. Mensen vertrouwen zwaar op sensatie in hun vingertoppen bij het manipuleren van een object, dus het ontbreken van deze sensatie presenteert een unieke uitdaging voor individuen met bovenste ledematenamputaties. Hoewel er verschillende dextre prostheses beschikbaar zijn vandaag, missen ze allemaal de sensatie van "tasten". De afwezigheid van deze sensorische feedback resulteert in objecten ongewild vallen laten of verpletteren door een prosthetische hand.

Om een meer natuurlijke gevoelende prosthetische handinterface te maken, integreerden onderzoekers uitrekbare tactiele sensoren met vloeibaar metaal op de vingertoppen van een prosthetische hand. Ingesloten in silicium-gebaseerde elastomeren, biedt deze technologie cruciale voordelen ten opzichte van traditionele sensoren, inclusief hoge geleiding, compliance, flexibiliteit en uitrekbaarheid. Deze hiërarchische multi-vinger tactiele sensatie-integratie kan een hoger niveau van intelligentie voor kunstmatige handen bieden.

De onderzoekers gebruikten individuele vingertoppen op de prothese om te onderscheiden tussen verschillende snelheden van een glijbeweging langs verschillende getekstureerde oppervlakken. De vier verschillende texturen hadden één variabele parameter: de afstand tussen de ridges. Om de texturen en snelheden te detecteren, traindeen de onderzoekers vier machine learning algoritmes. Voor elk van de tien oppervlakken werden 20 proeven verzameld om de capaciteit van de machine learning algoritmes te testen om te onderscheiden tussen de tien verschillende complexe oppervlakken bestaande uit willekeurig gegenereerde permutaties van vier verschillende texturen.

Resultaten toonden aan dat de integratie van tactiele informatie van vloeibare metaalsensoren op vier prosthetische hand vingertoppen gelijktijdig onderscheidde tussen complexe, multi-getekstureerde oppervlakken, wat een nieuwe vorm van hiërarchische intelligentie demonstreert. De machine learning algoritmes waren in staat om alle snelheden met elke vinger met hoge nauwkeurigheid te onderscheiden.

Het team vergelijk vier verschillende machine learning algoritmes voor hun succesvolle classificatie-mogelijkheden: K-nearest neighbor (KNN), support vector machine (SVM), random forest (RF), en neural network (NN). De tijd-frequentie kenmerken van de vloeibare metaalsensoren werden geëxtraheerd om de machine learning algoritmes te trainen en te testen. De NN presteerde over het algemeen het beste bij de snelheids- en textuurt detectie met een enkele vinger en had een 99,2 procent nauwkeurigheid om te onderscheiden tussen tien verschillende multi-getekstureerde oppervlakken met vier vloeibare metaalsensoren van vier vingers gelijktijdig.

Hoewel vooruitgang in prosthetische ledematen nuttig zijn en amputees in staat stellen hun dagelijkse taken beter uit te voeren, bieden ze hen geen sensorische informatie zoals tasten. Ze stellen ze ook niet in staat om de prosthetische ledemaat natuurlijk met hun gedachten te controleren. De nieuwe technologie kan helpen amputees een meer natuurlijk prosthetisch apparaat te bieden dat kan "voelen" en reageren op zijn omgeving.