AI-aangedreven zachte robotische handschoon verbetert handgeschikheid bij CVA-overlevenden

Onderzoekers van Florida Atlantic University hebben een eerste van zijn soort robotische handschoon ontwikkeld die een "handje helpt" en hoop geeft aan pianospelers die een doodelijke CVA hebben geleden. De zachte robotische hand-exoskelet gebruikt kunstmatige intelligentie om handgeschikheid te verbeteren.

Unieke combinatie van sensoren, actuatoren en AI

Door flexibele tactiele sensoren, zachte actuatoren en AI te combineren, is deze robotische handschoon de eerste die het "verschil voelt" tussen correcte en incorrecte versies van hetzelfde lied en deze functies combineert in een enkele hand-exoskelet.

"Piano spelen vereist complexe en hooggeschoolde bewegingen, en het herleren van taken omvat de herstel en heropleiding van specifieke bewegingen of vaardigheden," aldus Erik Engeberg, Ph.D., senior auteur, professor in FAU's Department of Ocean and Mechanical Engineering. "Onze robotische handschoon bestaat uit zachte, flexibele materialen en sensoren die zachte steun en assistentie bieden aan individuen om hun motorische vaardheden te herleren en terug te winnen."

Sensorarrays in elke vingertop

Onderzoekers integreerden speciale sensorarrays in elke vingertop van de robotische handschoon. In tegenstelling tot eerdere exoskeletten, biedt deze nieuwe technologie precieze kracht en begeleiding bij het herstellen van de fijne vingermovements die voor piano spelen vereist zijn. Door de bewegingen van gebruikers te monitoren en te reageren, biedt de robotische handschoon real-time feedback en aanpassingen, wat het voor hen makkelijker maakt de correcte bewegings 기술을 te begrijpen.

Demonstratie met "Mary Had a Little Lamb"

Om de mogelijkheden van de robotische handschoon te demonstreren, programmeerden onderzoekers het om het verschil te voelen tussen correcte en incorrecte versies van de bekende melodie "Mary Had a Little Lamb", gespeeld op de piano. Om variaties in de uitvoering te introduceren, creëerden ze een pool van 12 verschillende fouttypen die aan het begin of einde van een noot konden optreden, of door timingfouten die te vroeg of te laat waren, en die 0,1, 0,2 of 0,3 seconden duurden. Tien verschillende liedvariaties bestonden uit drie groepen van drie variaties elk, plus het correcte lied zonder fouten.

Classificatie met machine learning algoritmes

Om de liedvariaties te classificeren, werden Random Forest (RF), K-Nearest Neighbor (KNN) en Artificial Neural Network (ANN) algoritmes getraind met data van de tactiele sensoren in de vingertoppen. Het voelen van de verschillen tussen correcte en incorrecte liedvariaties werd gedaan met de robotische handschoon onafhankelijk en terwijl deze door een persoon gedragen werd. De nauwkeurigheid van deze algoritmes werd vergeleken om de correcte en incorrecte liedvariaties te classificeren met en zonder de menselijke proefpersoon.

Resultaten

Resultaten van de studie, gepubliceerd in Frontiers in Robotics and AI, toonden aan dat het ANN-algoritme de hoogste classificatienauwkeurigheid had van 97,13 procent met de menselijke proefpersoon en 94,60 procent zonder. Het algoritme bepaalde met succes het foutpercentage van een bepaald lied alsook identificeren van toetsaanslagen die out of time waren.

Ontwerp en fabricage

De handschoon werd ontworpen met 3D-geprinte polyvinylzuur-stents en hydrogel-gieten om vijf actuatoren te integreren in een enkele draagbare apparatuur die zich aan de hand van de gebruiker aanpast. Het fabricageproces is nieuw, en de vormfactor kan aangepast worden aan de unieke anatomie van individuele patiënten met behulp van 3D-scan technologie of CT-scans.

"Ons ontwerp is significant simpeler dan de meeste ontwerpen omdat alle actuatoren en sensoren gecombineerd zijn in een enkel gietproces," aldus Engeberg. "Belangrijk, hoewel deze studie's toepassing was voor het spelen van een lied, kan de benadering toegepast worden op talloze taken van het dagelijks leven en het apparaat kan ingewikkelde revalidatieprogramma's faciliteren die op maat gemaakt zijn voor elke patiënt."

Klinische toepassing

Klinici kunnen de data gebruiken om gepersonaliseerde actieplannen te ontwikkelen om patiëntzwaktes te pinpointen, die zich kunnen voordoen als secties van het lied die consistent foutief gespeeld worden en gebruikt kunnen worden om te bepalen welke motorische functies verbetering vereisen.

Voor meer informatie, neem contact op met Gisele Galoustian via ggaloustian@fau.edu.