Um novo estudo da Universidade da Califórnia, Davis, descobriu que dois tipos diferentes de combinações de sinais podem ajudar os engenheiros a criar membros artificiais que reproduzem melhor o movimento natural. Trabalho, publicado em 10 de abril Ploug OneIsso mostra que a combinação de eletromografia e força a miografia é mais precisa na previsão do movimento da mão do que qualquer método.
Os gestos das mãos, como agarrar, perfurar e engolir, são movidos pelo movimento dos músculos em nossos braços. Esses movimentos criam pequenos sinais elétricos que podem ser lidos por sensores na pele, é uma técnica chamada eletromografia.
“Ao usar sensores e aprendizado de máquina, podemos reconhecer gestos com base na atividade muscular”, disse Jonathan Shofield, professor de engenharia mecânica e espacial da UC Davis, e autora sênior do jornal.
Os controles baseados em EMG têm um bom desempenho com os órgãos em uma configuração de laboratório e em repouso. No entanto, “localização e carga” contém um problema bem conhecido. Se você levar seu braço para outra posição – digamos, a altura do ombro ou acima da cabeça – ou os objetos de pesos diferentes, as medições mudam.
“No mundo real, toda vez que você remove um órgão e alguns entendem que a medida está prestes a mudar”, disse Piton Young, o primeiro autor do jornal. “A posição neutra (onde o órgão está passivamente do lado do membro) é muito diferente do que se virar” “
Uma combinação de EMG e FMG
Para resolvê -lo, Young e Shofield testados com diferentes tipos de medições em combinação apenas com EMG e EMG. A Mayografia da Força (FMG) mede como os músculos do braço lidam.
Young criou um KAF que percorre a frente e inclui sensores EMG e FMG. Ele usou este dispositivo com vários voluntários de corpo capaz no laboratório que participaram de diferentes encargos com várias engolir e serviram uma série de gestos de braço. Os dados dos censores foram alimentados ao algoritmo de aprendizado para categorizar a pitada, escolher, puxar e muito mais. O algoritmo foi treinado sozinho em sinais ou combinações EMG ou FMG.
Para cada teste, o algoritmo recebeu algum treinamento de dados e o restante foi pontuado com a capacidade de categorizar com precisão.
Young disse: “Treinamos o colega de classe para os dados relacionados aos dados e depois obtemos suas habilidades de previsão”, disse Young.
Eles descobriram que o local e o carregamento realmente influenciaram a precisão do gesto do gesto. No geral, a combinação de EMG e FMG deu a precisão de mais de 92 % apenas para FMG e 97 % em comparação com 83 % apenas para EMG.
Young agora está trabalhando em um sensor conjunto FMG/EMG e a equipe está trabalhando em direção a um órgãos artificiais experimentais que usam a tecnologia.
Shofeld diz que esse método pode ter uma ampla aplicação de prostática e robótica, bem como equipamentos de realidade virtual. Ele disse que a equipe foi capaz de cooperar com especialistas em prostática clínica, cirurgiões e biólogos em toda a UC Davis, disse ele.
“Não seremos capazes de fazer isso sem a exposição aos pacientes e médicos reais”, disse Shofield.
Autores adicionais no papel são Kihun Hongs, Eden Winslo, Giancarlo Sagastum, Marcus Batro e Richard Whittle no papel. Batra está agora na Faculdade da California State University, em Chikore.
