AI maakt grijpen intuïtiever

Tue Oct 08 2024

10 08

AI maakt grijpen intuïtiever

06/12/2023

Door Ad Spijkers

Onderzoekers aan de TU München werken aan een methode om de werking van handprothesen te verbeteren.


     

Er zijn al handprothesen die werken met behulp van een app of met sensoren op de onderarm. Uit nieuw onderzoek aan de Technische Universität München (TUM) blijkt dat een beter begrip van spieractiviteitspatronen een meer intuïtieve en natuurlijke controle over prothesen mogelijk. maakt Hiervoor is een netwerk van 128 sensoren en de inzet van kunstmatige intelligentie nodig.

Intuïtie

Technologische ontwikkelingen hebben de handprothesen de afgelopen decennia steeds verder verbeterd. Iedereen die door een ongeval of ziekte een hand heeft verloren, kan in ieder geval enkele van zijn dagelijkse bewegingen weer uitvoeren. Bij sommige moderne prothesen kan de gebruiker alle vingers bewegen of de pols draaien. Daarvoor zijn een smartphone-app of spiersignalen van de onderarm nodig, die meestal door twee sensoren worden gedetecteerd.

Door bijvoorbeeld de buigspier in de pols te activeren, kunnen de vingers van de kunsthand worden gesloten en zo een pen vastgrijpen. Als de strekspier in de pols wordt samengetrokken, laat de hand de pen weer los. Als beide spieren tegelijkertijd gespannen zijn, kunnen bepaalde vingers bewogen worden.

Een patiënt moet deze bewegingen leren tijdens revalidatie. Het onderzoeksteam aan de TUM heeft aangetoond dat kunstmatige intelligentie (AI) kan helpen een handprothese intuïtiever te gebruiken dan voorheen. Het geheim schuilt in het 'synergieprincipe' en de ondersteuning van 128 sensoren op de onderarm.

Synergieprincipe

Uit neurowetenschappelijke studies is bekend, dat bepaalde patronen keer op keer voorkomen in experimenten, zowel in de kinematica als in termen van spieractivatie. Deze patronen geven aanwijzingen over hoe het menselijk brein omgaat met de complexiteit van biologische systemen. De hersenen activeren een groep cellen tegelijk. Dit is ook het geval in de onderarm. Als mensen een voorwerp met hun hand willen vastpakken, zoals een bal, bewegen ze hun vingers synchroon en passen ze zich onmiddellijk aan de vorm van het voorwerp aan zodra het wordt aangeraakt.

De onderzoekers gebruiken dit principe om kunstmatige handen te ontwerpen en te besturen met behulp van nieuwe leeralgoritmen. Intuïtieve bewegingen zijn volkomen normaal voor de mens, maar vanuit robotperspectief ziet dat er anders uit. Wanneer een kunsthand een pen vastpakt, voert deze vele afzonderlijke stappen achter elkaar uit. Eerst bepaalt de hand de plek waar ze iets wil pakken. Dan brengt ze langzaam haar vingers bij elkaar voordat ze uiteindelijk de pen pakt. Het doel van de onderzoekers is om er één vloeiende beweging van te maken. Met behulp van machine learning kunnen ze de besturing flexibeler maken.

Patronen analyseren

Experimenten met de nieuwe aanpak suggereren dat traditionele controlemethoden binnenkort kunnen worden ondersteund door meer geavanceerde strategieën. Om te onderzoeken wat er op het niveau van het centrale zenuwstelsel gebeurt, werken de onderzoekers met twee sensorfilmpjes: één voor de binnenkant en één voor de buitenkant van de onderarm. Elke film bevat maximaal 64 sensoren. De methode schat ook welke elektrische signalen de motorneuronen in het ruggenmerg doorgeven.

Hoe meer sensoren de onderzoekers gebruiken, des te beter ze informatie van verschillende spiergroepen kunnen vastleggen en kunnen ontdekken welke spieractivaties verantwoordelijk zijn voor welke handbewegingen. Afhankelijk van of iemand een vuist maakt, een pen pakt of een jampot wil openen, ontstaan 'karakteristieke kenmerken van de spiersignalen', een voorwaarde voor intuïtieve bewegingen.

Het huidig onderzoek richt zich op de beweging van de pols en de gehele hand. Hieruit blijkt dat acht op de tien mensen de voorkeur geven aan intuïtieve pols- en handbewegingen. Dit is ook de efficiëntere manier. Niettemin leren twee op de tien mensen de minder intuïtieve methode te gebruiken en worden ze uiteindelijk zelfs preciezer. Het doel is om het leereffect te bestuderen en voor elke patiënt de juiste oplossing te vinden. Elk systeem bestaat uit individuele mechanica en kenmerken van de hand, specifieke training met patiënten, interpretatie en analyse, en machine learning.

Uitdagingen

Er liggen nog enkele uitdagingen in het verschiet. Het leeralgoritme, dat is gebaseerd op de informatie van de sensoren, moet elke keer dat de film verschuift of wordt verwijderd, opnieuw worden getraind. Bovendien moeten de sensoren worden voorbereid met een gel om de noodzakelijke geleiding te garanderen. Alleen zo kunnen de signalen van de spieren nauwkeurig worden geregistreerd.

De onderzoekers gebruiken signaalverwerkingstechnieken om de ruis weg te filteren en bruikbare signalen te verkrijgen. Elke keer dat een nieuwe patiënt de manchet met de vele sensoren op de onderarm draagt, moet het algoritme eerst de activeringspatronen voor elke bewegingsreeks identificeren om later de bedoeling van de gebruiker te herkennen en deze te vertalen in commando's voor de kunsthand.

De wetenschappelijke publicatie vindt u hier.

Foto: Andreas Schmitz / TUM