Quando prendi qualcosa, la tua mano fa gran parte del lavoro. Il tuo cervello dice solo "vai, non ti preoccupare di come succede". Ma con una protesi, anche la più avanzata, quell'azione richiede molta più intenzionalità. Di conseguenza, molti pazienti abbandonano i loro arti all'avanguardia.
Contenuto relativo
- Come l'hacking delle reti neurali può aiutare gli amputati a rompere senza problemi un uovo
- Ottenere la protesi è facile, rispetto a farlo per fare quello che vuoi
Le protesi moderne ricevono comandi sotto forma di segnali elettrici dai muscoli a cui sono attaccate. Ma anche le migliori protesi non possono ancora fare molto. Gli utenti hanno bisogno di un lungo periodo di allenamento per abituarsi all'arto. Spesso possono spostarsi solo in modi limitati e gli utenti devono passare manualmente da una presa all'altra per svolgere diverse attività, ad esempio per aprire una porta contro un pizzico e girare una chiave. Tutto sommato, significa che la mano non può funzionare perfettamente con il cervello.
Uno strumento che potrebbe aiutare a risolvere questo problema è la visione artificiale. I ricercatori dell'Università di Newcastle hanno montato una webcam su una mano protesica, la hanno collegata a una rete neurale di apprendimento profondo e hanno consegnato i dispositivi a due amputati le cui braccia erano state amputate sopra il polso ma sotto il gomito. Il computer ha utilizzato la fotocamera per vedere a cosa stava cercando l'utente e regolare automaticamente la presa della protesi.
Finora i risultati sono stati promettenti. In un articolo del Journal of Neural Engineering, il team di Newcastle ha riferito che gli utenti avevano percentuali di successo superiori all'80% per raccogliere e spostare oggetti.
"Se riusciamo a migliorarlo, ottenere il cento per cento, sarebbe molto più affidabile usare la mano per gli amputati", afferma Ghazal Ghazaei, uno studente di dottorato a Newcastle e l'autore principale del documento. "Se sarà usato nella vita reale, dovrebbe essere senza errori. "
Il dispositivo stesso era una protesi standard chiamata ultra i-limb ultra e la webcam era una chat Logitech Quickcam a bassa risoluzione ed economica. La vera innovazione è stata il modo in cui il team di Ghazaei ha ideato uno schema di apprendimento del computer per utilizzare le informazioni dalla webcam.
Il software riconosce i motivi nella forma dell'oggetto da sollevare e li classifica in categorie in base alla presa di cui ha bisogno per afferrarli efficacemente. Per insegnare al computer questa tecnica, Ghazaei gli ha fornito 72 immagini ciascuno, prese con incrementi di 5 gradi, di 500 oggetti. Il software filtra gli oggetti in base alle loro caratteristiche e apprende attraverso prove ed errori quali rientrano in quali categorie.
Quindi, quando alla protesi viene presentato un oggetto, la rete classifica l'immagine a bassa risoluzione in base alla sua forma ampia e astratta. Non deve essere qualcosa che il sistema abbia mai visto prima: la forma generale dell'oggetto è sufficiente per dire alla mano quale presa usare. Ghazaei e il team hanno usato quattro tipi di impugnatura, tra cui pizzico (due dita), treppiede (tre punte), palmo neutro (come afferrare una tazza di caffè) e palmo pronato (dove il palmo è rivolto verso il basso).
La visione al computer è stata utilizzata in precedenza su mani robotiche, sia in protesi che in robot industriali. Ma tali sforzi hanno coinvolto oggetti di dimensioni e forma standard, come in un ambiente di produzione, o algoritmi più lenti. Il sistema sviluppato a Newcastle è stato in grado di affrontare questo processo abbastanza velocemente da classificare correttamente gli oggetti in 450 microsecondi, o circa 1/2000 di secondo. "La differenza principale è il tempo impiegato per fornire una comprensione e svolgere il compito", afferma Ghazaei. “Per alcuni di loro sono circa quattro secondi e alcuni hanno bisogno di più istantanee. Per noi è solo un'istantanea ed è molto veloce. ”
Gli impatti di questa tecnologia vanno ben oltre la raccolta di articoli per la casa. I sistemi di imaging potrebbero aiutare le gambe protesiche a conoscere la distanza da terra e ad adeguarsi di conseguenza, ad esempio. Ciò che entrambe le istanze hanno in comune è un sistema robotico che lavora in collaborazione con il cervello.
"L'idea principale è quella di avere un'interazione tra il dispositivo robotico e l'essere umano, aggiungendo un po 'di intelligenza al sistema robotico", afferma Dario Farina, professore di ingegneria della neuroriabilitazione all'Imperial College di Londra, il cui laboratorio studia interfacce neuromuscolari per corpi e cervelli e i dispositivi a cui si connettono.
"Non è solo il paziente che controlla, con il suo cervello e attraverso l'interfaccia neurale, la protesi, ma è anche il paziente è aiutato da una seconda entità intelligente, che è montata sulla protesi e che può vedere l'ambiente" dice Farnia, che non è stato coinvolto nello studio di Newcastle. "La sfida principale in questo è davvero quella di poter condividere il controllo tra il sistema umano e quello dell'intelligence".
È un inizio iniziale nella fusione dell'intelligenza artificiale con il cervello, scoprendo quali azioni funzionano meglio per ognuna senza creare conflitti. Ghazaei ha riscontrato questo problema; sta ancora lavorando per gestire quanta parte dell'ampio movimento è controllato dal computer della protesi, rispetto alle azioni dell'utente. In questo momento, l'utente punta la protesi sull'oggetto, lo induce a scattare una foto, quindi il braccio sceglie la presa e afferra.
È solo una delle tante sfide rimaste. Al momento, il sistema non è in grado di comprendere oggetti lunghi che si estendono fuori dalla vista. Ha problemi con sfondi affollati. A volte interpreta un oggetto più lontano come più piccolo, più vicino. E Ghazaei afferma che aumentare il numero di tipi di presa a 10 o 12 è un altro obiettivo. Ma già, dice, i due utenti del processo hanno apprezzato l'aumento delle prestazioni e la semplicità che si presta all'atto di base di raccogliere qualcosa.
