پیشرفت در یادگیری ماشین، زمینه پروتزها را تغییر می دهد، حرکت فراتر از یک اندازه تمام دستگاه ها به سمت راه حل های عمیقا شخصی شده است که هر دو عملکرد و اعتماد به نفس را بازیابی می کنند، با استفاده از الگوریتم هایی که از داده های کاربر فردی یاد می گیرند، سیستم های مدرن پروتز می توانند با الگوهای حرکتی منحصر به فرد، سیگنال های عضلانی و روال روزانه سازگار شوند.

نقش یادگیری ماشین در Prosthetics

یادگیری ماشین (ML) سطح جدیدی از هوش را به اندام های مصنوعی با فعال کردن آنها برای تفسیر و پاسخ به سیگنال های بیولوژیکی خاص کاربر در زمان واقعی به ارمغان می آورد. برخلاف پروتزهای سنتی که بر نقشه برداری های کنترل ثابت تکیه می کنند، مدل های ML به طور مداوم پیش بینی های خود را بهبود می بخشند، به عنوان مثال، الکتروموگرافی سطح (EMG) که بر روی عملکرد الکتریکی باقی مانده قرار می گیرند؛ و یا انتقال سیگنال های عمیق می تواند به عنوان مثال، به عنوان مثال، به عنوان مثال، با جمع آوری داده شده با استفاده از طریق انتقال سیگنال های پین، به عنوان مثال، به عنوان مثال، به عنوان مثال، تشخیص سیگنال های سوزنینگ، به عنوان مثال، به عنوان مثال، به عنوان مثال، سرعت انتقال آنها را به عنوان مثال، تشخیص داده های سوزند.

فراتر از تشخیص الگوی EMG، الگوریتم های ML داده ها را از واحدهای اندازه گیری بی سابقه (IMU)، سنسورهای فشار و حتی دوربین ها برای درک زمینه پردازش می کنند. A پروتز می تواند یاد بگیرد که نیروی کششی را بر اساس بافت یک شی تنظیم کند، یا یک مفصل مچ پا می تواند هنگام پیاده روی بر روی روی روی شیب ها، آن را سازگار کند.این سطح سازگاری تنها از طریق حلقه یادگیری است که سنسورهای خدمات ML0 را فراهم می کند، به روز رسانی داده ها پاسخ می دهد و دستگاه های بازیابی می دهد:

طراحی شخصی سازی

Embodiment درجه ای را توصیف می کند که پروتز مانند یک بخش طبیعی از بدن فرد احساس می کند، هم از نظر یکپارچگی فیزیکی و مالکیت روان شناختی. شخصی سازی تجسم فراتر از یک سوکت برای یک اندام باقی مانده است؛ شامل سفارشی کردن الگوریتم های کنترل، بازخورد حسی و حتی انتخاب های زیبایی شناسی برای هماهنگ با حس خود کاربر یادگیری ماشین نقش مرکزی را ایفا می کند. [۱]

جمع آوری داده ها و تجزیه و تحلیل

پایه هر پروتز ML-based داده های با کیفیت بالا، کاربر خاص ( سنسورهای قابل حمل) - از جمله الکترودهای EMG، مقاومت های حساس به نیرو و ژیروسکوپ - ذخیره هزاران نقطه داده در ثانیه در طول فعالیت های روزمره؛ فیلترهای خط لوله پیش پردازش و استخراج ویژگی هایی مانند دامنه سیگنال، فرکانس و الگوهای یادگیری ماشین آلات گفتگو، اغلب در طول فرآیند پشتیبانی از دستگاه (VM) به عنوان مثال های پردازش داده های پردازش شده (c) و یا حرکات سیستم های پردازش دقیق (c) نشان می دهد.

سیستم های کنترل تطبیقی Adaptive Control Systems

هنگامی که یک مدل آموزش دیده است، چالش این است که آن را به گونه ای که احساس طبیعی و پاسخگو بودن می کند، گسترش دهید (سیستم های کنترل انطباق از خروجی ML برای تنظیم محرک های پروتز استفاده می کنند – موتورهای، دریچه های پنوماتیک یا سیلندرهای هیدرولیک – در زمان واقعی برای کنترل تنوعات طراحی شده اند: تغییر در خستگی عضلانی، حالت بازوی مختلف یا یک نمونه جدید مانند استفاده از روش های کنترل دستی که به کاربران اجازه می دهد تا از طریق آن استفاده کنند:

بازخورد حسی و ادغام بدن

تجسم واقعی نه تنها نیاز به کنترل دارد، بلکه یادگیری ماشین نیز در حال حاضر برای ایجاد سیستم های حلقه بسته است که بازخوردهای لمسی یا proprioceptive را به کاربر ارائه می دهد، به عنوان مثال، سنسورهای موجود در نوک انگشتان مصنوعی فشار و بافت را اندازه گیری می کنند؛ الگوریتم ها این اطلاعات را به پالس های الکتریکی تحویل داده شده از طریق الکترودهای قرار داده شده در پوست یا اعصاب ایمپلنت شده، کدگذاری می کنند.[۱]

مزایای و مسیرهای آینده

ادغام یادگیری ماشین در پروتزهای سفارشی چندین مزیت بتنی را به شما می دهد:

  • راحتی و تناسب را تضمین می کند: الگوریتم ML شکل سوکت و تعلیق را بر اساس نقشه های فشار و بازخورد کاربر، کاهش نقاط و تحریک پوست بهینه سازی می کند.
  • حرکت طبیعی بیشتر: کنترل کنندگان انطباق حرکت های تکان دهنده یا تاخیر، ایجاد مایع، اقدامات هماهنگ شده که به طور نزدیک تقلید از اندام های بیولوژیکی.
  • بازخورد حسی بهبود یافته: سیستم های حلقه بسته حس لمس را بازیابی می کنند، به کاربران اجازه می دهد تا به خودی خود نیرو را تنظیم کنند و خطر کاهش اشیاء را کاهش دهند.
  • اعتماد و استقلال کاربر بزرگ تر: [FLT 1] با پروتز که یاد می گیرد و انطباق می یابد، کاربران رضایت بالاتری را گزارش می دهند و تمایل به مشارکت در فعالیت های اجتماعی و فیزیکی که قبلاً از آن اجتناب شده بودند.

محققان در حال بررسی یادگیری تغذیه شده برای آموزش مدل های در بسیاری از کاربران بدون به اشتراک گذاری داده های خام، حفظ حریم خصوصی در حالی که بهبود تعمیم یکی دیگر از مرزهای استفاده از generative Adversaal] شبکه های (GANs) [F3] برای شبیه سازی الگوهای بازخورد واقعی برای اهداف آموزش و پرورش، به علاوه، ممکن است یک الگوی خاص برای درک دقیق و دقیق (F) ارائه می شود که کاربران پین و مطمئن (IPX).

چالش ها و ملاحظات

علی رغم وعده، چندین موانع باقی مانده است.یک چالش بزرگ نیاز به کیفیت بالا، داده های آموزش برچسب شده است که طیف کامل فعالیت های کاربر را پوشش می دهد. جمع آوری داده های فعلی اغلب نیاز به جلسات تحت نظارت با یک کلینیکی دارد که می تواند زمان بر باشد و ممکن است حرکات نادر اما مهم را جذب نکند. Algorithms همچنین باید قوی در برابر انتقال سیگنال ناشی از عرق، الکترود یا حرکت عضلانی باشد.

حریم خصوصی یک نگرانی رو به رشد است زیرا پروتزها به دستگاه های متصل تبدیل می شوند. داده های حرکتی کاربر می تواند اطلاعات حساس در مورد سلامت، مکان یا عادات روزانه خود را نشان دهد. اطمینان از اینکه داده ها رمزگذاری شده، ناشناس شده و ذخیره شده به صورت محلی حیاتی است، در نهایت، آموزش کاربر و پذیرش نمی تواند نادیده گرفته شود، اگرچه سیستم های ML می توانند انطباق داشته باشند، آنها نیاز به یک دوره co-adaptation دارند که در آن هر دو افراد باید به طور مستقیم و کار کنند و همه ی تخصصی آموزش دهند و باید این روند کاربر را یاد بگیرند و آموزش دهند و متخصصان و دستورالعمل های آموزشی را آموزش دهند.

نتیجه گیری

یادگیری ماشین برای طراحی تجسم شخصی یک گام مهم به جلو در فن آوری پروتز است.با تمرکز بر نیازها و ترجیحات فردی از طریق سازگاری مستمر داده محور، این نوآوری ها تبدیل پروتز از جایگزینی استاتیک به افزونه های هوشمند، در حال تحول بدن انسان است، زیرا الگوریتم ها پیچیده تر می شوند، سنسورها تصفیه می شوند، و منابع محاسباتی قابل حمل تر می شوند، رویای یک رابط ذهنی یکپارچه به معنای کامل بازسازی شده و وعده های جدید است.