नयाँ Neuroprosthetic एक एआई रोबोटिक्स सफलता हो

स्विट्जरल्याण्ड मा EPFL (olecole polytechnique fédérale de Lausanne) मा वैज्ञानिकहरु रोबोट हात नियन्त्रण को लागी संसारको पहिलो सृजन को घोषणा गरेका छन् - न्यूरोप्रोस्थेटिक को एक नयाँ कि रोबोट निपुणता को लागी कृत्रिम बुद्धिमत्ता (एआई) स्वचालन संग मानव नियन्त्रण को एकीकृत र आफ्नो अनुसन्धान प्रकाशित सेप्टेम्बर २०१ मा प्रकृति मेशिन खुफिया .

न्यूरोप्रोस्थेटिक्स (न्यूरल प्रोस्थेटिक्स) कृत्रिम यन्त्र हो कि उत्तेजित वा बिजुली उत्तेजना को माध्यम बाट तंत्रिका तंत्र को वृद्धि मोटर कौशल, अनुभूति, दृष्टि, सुन्ने, संचार, वा संवेदी कौशल लाई असर गर्ने कमीहरु को लागी क्षतिपूर्ति गर्न को लागी। Neuroprosthetics को उदाहरण मस्तिष्क कम्प्यूटर इन्टरफेस (BCIs), गहिरो मस्तिष्क उत्तेजना, रीढ़ की हड्डी उत्तेजक (SCS), मूत्राशय नियन्त्रण प्रत्यारोपण, cochlear प्रत्यारोपण, र कार्डियक पेसमेकर शामिल छन्।

ग्लोबल मार्केट इनसाइटको अगस्त २०१ report को रिपोर्ट अनुसार विश्वव्यापी माथिल्लो अंग प्रोस्थेटिक्सको मूल्य २०२५ सम्म २.३ बिलियन अमेरिकी डलर भन्दा बढ्ने अनुमान गरिएको छ। २०१ 2018 मा, विश्वव्यापी बजार मूल्य एक रिपोर्ट को आधारमा एक अरब अमरीकी डालर पुग्यो। अनुमानित दुई मिलियन अमेरिकनहरु amputees छन्, र त्यहाँ १,५५,००० भन्दा बढी विच्छेदन वार्षिक रूपमा गरिन्छ, राष्ट्रिय अंग हानि सूचना केन्द्र को अनुसार। रिपोर्ट अनुसार संयुक्त राज्य अमेरिका को ut२ प्रतिशत को लागी भास्कुलर रोग खाता छ।

एक myoelectric प्रोस्थेसिस एक बाह्य संचालित कृत्रिम अंग संग प्रयोगकर्ता शरीर को मांसपेशिहरु द्वारा सक्रिय छ कि संग काटिएको शरीर को अंगहरु लाई प्रतिस्थापन गर्न को लागी प्रयोग गरीन्छ। EPFL अनुसन्धान टोली को अनुसार, आज उपलब्ध वाणिज्यिक उपकरणहरु प्रयोगकर्ताहरु लाई एक उच्च स्तर को स्वायत्तता दिन सक्छन्, तर निपुणता कहीं पनि अक्षुण्ण मानव हात को रूप मा चुस्त छैन।

"वाणिज्यिक उपकरणहरु सामान्यतया स्वतन्त्रता को एक डिग्री नियन्त्रण गर्न दुई-रेकर्डि channel-च्यानल प्रणाली को उपयोग; त्यो हो, फ्लेक्सन को लागी एक sEMG च्यानल र विस्तार को लागी एक, "EPFL शोधकर्ताहरु आफ्नो अध्ययन मा लेखे। "जबकि सहज, प्रणाली थोरै निपुणता प्रदान गर्दछ। मानिसहरु उच्च दरमा मायोइलेक्ट्रिक कृत्रिम अंग त्याग्छन्, आंशिक रूपमा किनभने उनीहरुलाई लाग्छ कि नियन्त्रण को स्तर यी यन्त्रहरुको मूल्य र जटिलता को योग्यता को लागी अपर्याप्त छ।

मायोइलेक्ट्रिक कृत्रिम अंगहरु संग निपुणता को समस्या लाई सम्बोधन गर्न को लागी, EPFL शोधकर्ताहरु neuroengineering, रोबोटिक्स, र कृत्रिम बुद्धिमत्ता को वैज्ञानिक क्षेत्रहरु को अर्ध स्वचालित को लागी "साझा" को लागी अर्ध स्वचालित गर्न को लागी यस प्रमाण को अवधारणा अध्ययन को लागी एक अंतःविषय दृष्टिकोण लिए। नियन्त्रण। "

Silvestro Micera, EPFL बर्टारेलि फाउन्डेसन चेयर ट्रान्स्लेशनल न्यूरोइन्जिनियरि in मा, र इटाली मा Scuola Superiore Sant'Anna मा बायोइलेक्ट्रोनिक्स को प्रोफेसर, रोबोट हातहरु को नियन्त्रण को लागी यो साझा दृष्टिकोण क्लिनिकल प्रभाव र मस्तिष्क को रूप मा neuroprosthetic उद्देश्य को एक विस्तृत श्रृंखला को लागी उपयोगिता मा सुधार गर्न सक्छ। -to- मिसिन इन्टरफेस (BMIs) र बायोनिक हात।

"एउटा कारण के हो कि व्यावसायिक कृत्रिम अंगहरु सामान्यतया आनुपातिक को सट्टा वर्गीकरण आधारित डिकोडर को उपयोग गर्दछ किनभने वर्गीकरणकर्ताहरु लाई एक विशेष मुद्रा मा अधिक मजबूती संग रहन्छ," शोधकर्ताहरु ले लेखे। "लोभी को लागी, नियन्त्रण को यस प्रकार को आकस्मिक गिरावट रोक्न को लागी आदर्श छ तर ब्यक्ति प्रयोगकर्ता एजेन्सी को सम्भावित हात मुद्रा को संख्या सीमित गरेर बलिदान। साझा नियन्त्रण को हाम्रो कार्यान्वयन दुबै प्रयोगकर्ता एजेन्सी र लोभी मजबुती को लागी अनुमति दिन्छ। खाली ठाउँ मा, प्रयोगकर्ता हात आन्दोलनहरु मा पूर्ण नियन्त्रण छ, जो पनि लोभी को लागी स्वैच्छिक पूर्व आकार को लागी अनुमति दिन्छ।

यस अध्ययन मा, EPFL शोधकर्ताहरु सफ्टवेयर एल्गोरिदम को डिजाइन मा ध्यान केन्द्रित - रोबोट हार्डवेयर कि बाह्य पार्टीहरु द्वारा प्रदान गरीएको एक एलेग्रो हात KUKA IIWA 7 रोबोट मा माउन्ट गरीएको छ, एक OptiTrack क्यामेरा प्रणाली र TEKSCAN दबाव सेन्सर।

EPFL वैज्ञानिकहरु एक कृत्रिम हात मा औंलाहरु को आन्दोलन मा अनुवाद गर्न को लागी प्रयोगकर्ता को इरादा को व्याख्या गर्न को लागी जान्न को लागी एक multilayer perceptron (MLP) बनाएर एक किनेमेटिक आनुपातिक डिकोडर बनाईयो। एक multilayer perceptron एक feedforward कृत्रिम तंत्रिका नेटवर्क हो कि backpropagation को उपयोग गर्दछ। MLP एक गहिरो शिक्षण विधि हो जहाँ जानकारी एक दिशा मा अगाडि बढ्छ, कृत्रिम तंत्रिका नेटवर्क को माध्यम बाट एक चक्र वा पाश मा बनाम।

एल्गोरिथ्म हात आन्दोलन को एक श्रृंखला प्रदर्शन प्रयोगकर्ता बाट इनपुट डाटा द्वारा प्रशिक्षित गरीएको छ। छिटो अभिसरण समय को लागी, Levenberg – Marquardt विधि ढाल वंश को सट्टा नेटवर्क वजन फिटिंग को लागी प्रयोग गरीएको थियो। पूर्ण-मोडेल प्रशिक्षण प्रक्रिया छिटो थियो र प्रत्येक विषय को लागी १० मिनेट भन्दा कम लाग्यो, एक एल्गोरिथ्म एक नैदानिक ​​उपयोग परिप्रेक्ष्य बाट व्यावहारिक बनाउन।

ईपीएफएल ट्रान्सलेसनल न्यूरल ईन्जिनियरि Lab् प्रयोगशालाकी केटी झुआang्गले भनिन्, "एक अम्पुटी को लागी, यो वास्तव मा मांसपेशिहरु लाई धेरै, धेरै फरक तरीकाहरु लाई नियन्त्रण गर्न को लागी धेरै गाह्रो छ।" । "हामी के गर्छौं कि हामी यी सेन्सरहरुलाई उनीहरुको बाँकी स्टम्प मा राख्छौं, र त्यसपछि उनीहरुलाई रेकर्ड र आन्दोलन संकेत के हो व्याख्या गर्न को लागी प्रयास गर्नुहोस्। किनकि यी संकेतहरु एक बिट कोलाहल हुन सक्छ, हामी के चाहिन्छ यो मेशिन लर्निंग एल्गोरिथ्म हो कि ती मांसपेशिहरु बाट सार्थक गतिविधि निकाल्छ र आन्दोलनहरुमा उनीहरुको व्याख्या गर्दछ। र यी आन्दोलनहरु रोबोट हात को प्रत्येक औंला नियन्त्रण हो।

किनभने औंलाको चाल को मेशिन भविष्यवाणी १०० प्रतिशत सही नहुन सक्छ, EPFL शोधकर्ताहरु कृत्रिम हात सक्षम गर्न को लागी रोबोट स्वचालन को शामिल गरीएको छ र एक पटक प्रारम्भिक सम्पर्क बनाइए पछि स्वचालित रूप बाट एक वस्तु को आसपास बन्द गर्न को लागी। यदि प्रयोगकर्ता एक वस्तु रिलीज गर्न चाहान्छ, उसले वा उसले के गर्न को लागी रोबोट कन्ट्रोलर बन्द गर्न को लागी हात खोल्न को लागी प्रयास छ, र हात को नियन्त्रण मा फिर्ता प्रयोगकर्ता राख्छ।

ईडीएफएल को लर्निंग एल्गोरिदम र सिस्टम प्रयोगशाला को नेतृत्व गर्ने Aude Billard को अनुसार, रोबोट हात ४०० मिलिसेकेन्ड भित्र प्रतिक्रिया गर्न सक्षम छ। "सबै औंलाहरु मा दबाव सेन्सर संग सुसज्जित, यो प्रतिक्रिया र स्थिर गर्न सक्छ मस्तिष्क वास्तव मा यो वस्तु फिसलिरहेको छ भनेर थाहा पाउनु अघि," बिलर्डले भने।

न्यूरोइन्जिनियरि and र रोबोटिक्स मा कृत्रिम बुद्धिमत्ता लागू गरेर, EPFL वैज्ञानिकहरु मेशिन र प्रयोगकर्ता को इरादा को बीच साझा नियन्त्रण को नयाँ दृष्टिकोण प्रदर्शन गरेका छन् - neuroprosthetic टेक्नोलोजी मा एक उन्नति।

सर्वाधिकार सुरक्षित 2019 Cami Rosso सबै अधिकार सुरक्षित।