Исследователи создают новую модель обучения для протезов конечностей

Исследователи из Шэньянского технологического университета и Университета электрокоммуникаций в Токио пытаются выяснить, как заставить протезы рук реагировать на движения рук.

В течение последнего десятилетия ученые пытались выяснить, как использовать сигналы поверхностной электромиографии (ЭМГ) для управления протезами конечностей. Сигналы ЭМГ — это электрические сигналы, которые заставляют наши мышцы сокращаться. Их можно зарегистрировать, введя иглы электродов в мышцу. Поверхностные ЭМГ регистрируются с помощью электродов, размещенных на коже над мышцами.

За последнее десятилетие исследователи начали изучать потенциальное использование сигналов поверхностной ЭМГ для управления протезами для людей с ампутированными конечностями, особенно в отношении сложности движений и жестов, необходимых для протезов рук, чтобы обеспечить более плавную, более отзывчивую и более интуитивную деятельность устройств, чем это возможно в настоящее время.

Поверхностные ЭМГ действительно можно использовать, чтобы протезы конечностей реагировали быстрее и двигались более естественно. Однако прерывания, такие как смещение электродов, могут затруднить распознавание этих сигналов устройством. Один из способов преодолеть это — тренировать сигналы поверхностной ЭМГ. Обучение может быть длительным и порой трудным процессом для людей с ампутированными конечностями.

Вот почему многие исследователи обратились к машинному обучению. С помощью машинного обучения протез может научиться различать движения мышц, обозначающие жесты, и движения электродов.

Авторы исследования, опубликованного в журнале Cyborg and Bionic Systems, разработали уникальный метод машинного обучения, сочетающий в себе сверточную нейронную сеть (CNN) и искусственную нейронную сеть с долгой кратковременной памятью (LSTM). Они остановились на этих двух методах из-за их взаимодополняющих преимуществ.

«Глубокое обучение распознаванию жестов, основанное на поверхностной электромиографии, играет все более важную роль во взаимодействии человека с компьютером. Чтобы обеспечить высокую точность глубокого обучения при распознавании мышечных движений с несколькими состояниями и гарантировать, что модель обучения может быть применена во встроенном чипе с небольшим объемом памяти, в этой статье представлен метод построения и оптимизации функциональной модели на основе многоканального блока усиления sEMG», — говорится в исследовании. 

CNN хорошо улавливает пространственные размеры поверхностных сигналов ЭМГ и понимает, как они соотносятся с жестами рук. Она борется со временем. Жесты происходят с течением времени, но CNN игнорирует информацию о времени при непрерывных сокращениях мышц. Обычно CNN используются для распознавания изображений.

LSTM обычно используется для распознавания рукописного ввода и речи. Эта нейронная сеть хорошо обрабатывает, классифицирует и делает прогнозы на основе последовательностей данных с течением времени. Проблема здесь заключается в том, что, хотя исследователи добились лучшей классификации жестов сигналов sEMG, размер необходимой вычислительной модели является серьезной проблемой. 

Микропроцессор, который необходимо использовать, ограничен. Использование чего-то более мощного было бы слишком дорого. И, наконец, хотя такие модели обучения глубокому обучению работают с компьютерами в лаборатории, их трудно применять с помощью встроенного оборудования, которое можно найти в протезном устройстве.

«В конце концов, сверточные нейронные сети были задуманы для распознавания изображений, а не для управления протезами. Нам нужно было соединить CNN с техникой, которая могла бы иметь дело с измерением времени, а также обеспечить возможность физического устройства, которое должен носить пользователь»

Дяньчунь Бай один из авторов статьи и профессор электротехники в Шеньянском технологическом университете

Исследовательская группа создала гибридную модель, сочетающую пространственную осведомленность CNN и временную осведомленность LSTM. В конце концов, они уменьшили размер модели глубокого обучения, сохранив при этом высокую точность и высокую устойчивость к помехам.

Система была протестирована на десяти субъектах без ампутированных конечностей с серией из 16 различных жестов рук. Она имела точность распознавания более 80%. Система хорошо справлялась с большинством жестов, таких как захват телефона, ручки, указание, щипание и захват чашки с водой. Однако гибридный подход не позволял точно распознать два жеста щипка: щипок с использованием среднего пальца и один с использованием указательного пальца.

В целом, по словам команды, результаты превзошли традиционные методы обучения. В будущих усилиях исследователи хотят оптимизировать алгоритм и еще больше повысить его точность, сохраняя при этом небольшую обучающую модель, чтобы ее можно было использовать в оборудовании для протезов. Они также хотят выяснить, что вызывает трудности с распознаванием щипковых жестов, и расширить свои эксперименты на гораздо большее количество испытуемых.

В конечном счете, исследователи хотят разработать протез руки, который будет таким же гибким и надежным, как оригинальная конечность пользователя.