Neuroprosthetic အသစ်သည် AI စက်ရုပ်အောင်မြင်မှုများဖြစ်သည်

ဆွစ်ဇာလန်နိုင်ငံရှိ EPFL (École polytechnique fédérale de Lausanne) မှသိပ္ပံပညာရှင်များသည်စက်ရုပ်လက်စွမ်းပိုမိုကောင်းမွန်စေသော neuroprosthetic အမျိုးအစားအသစ်တစ်ခုကိုကြေငြာခဲ့ပြီးသူတို့၏သုတေသနကိုထုတ်ဝေခဲ့သည်။ စက်တင်ဘာလ ၂၀၁၉ ခုနှစ် သဘာဝစက်ထောက်လှမ်းရေး .

Neuroprosthetics (အာရုံကြောတုတု) များသည်မော်တာကျွမ်းကျင်မှု၊ သိမှု၊ အမြင်အာရုံ၊ အကြားအာရုံ၊ ဆက်သွယ်မှု (သို့) အာရုံခံစားမှုဆိုင်ရာကျွမ်းကျင်မှုများကိုထိခိုက်စေသောချို့တဲ့မှုများအတွက်လျော်ကြေးပေးရန်လျှပ်စစ်ပစ္စည်းများမှတဆင့်အာရုံကြောစနစ်ကိုလှုံ့ဆော်ခြင်း (သို့) မြှင့်တင်ခြင်းအတုပြုလုပ်သောကိရိယာများဖြစ်သည်။ neuroprosthetics ၏ဥပမာများတွင် ဦး နှောက်-ကွန်ပျူတာကြားခံစနစ်များ (BCIs)၊ နက်ရှိုင်းသော ဦး နှောက်ကိုလှုံ့ဆော်မှု၊ ကျောရိုးလှုံ့ဆော်မှုများ (SCS)၊ ဆီးအိမ်ထိန်းချုပ်မှု implants များ၊ cochlear implants နှင့် cardiac pacemakers တို့ပါဝင်သည်။

Global Market Insight ၏ ၂၀၁၉ ခုနှစ်သြဂုတ်လအစီရင်ခံစာအရကိန်းဂဏန်းများအရကမ္ဘာတစ် ၀ န်းရှိခြေလက်တုများတန်ဖိုးသည် ၂၀၂၅ တွင်ဒေါ်လာ ၂.၃ ဘီလီယံကျော်လွန်လိမ့်မည်ဟုခန့်မှန်းထားသည်။ ၂၀၁၈ ခုနှစ်တွင်တူညီသောအစီရင်ခံစာအပေါ် အခြေခံ၍ ကမ္ဘာတစ်ဝန်းစျေးကွက်တန်ဖိုးသည်ဒေါ်လာတစ်ဘီလီယံသို့ရောက်ရှိခဲ့သည်။ ခန့်မှန်းခြေအားဖြင့်အမေရိကန်လူမျိုးနှစ်သန်းသည်နားစွင့်ခြင်း၊ ဖြတ်တောက်ခြင်း ၁၈၅၀၀၀ ကျော်ရှိသည်ဟု National Limb Loss Information Center ၏အဆိုအရသိရသည်။ အစီရင်ခံစာအရအမေရိကန်ပြည်ထောင်စုဖြတ်တောက်ခြင်း၏ ၈၂ ရာခိုင်နှုန်းသည်သွေးကြောရောဂါဖြစ်သည်။

myoelectric prosthesis ကိုဖြတ်တောက်ပြီးခန္ဓာကိုယ်အစိတ်အပိုင်းများကိုအသုံးပြုသူ၏ရှိပြီးသားကြွက်သားများဖြင့်ဖွင့်ထားသည့်ပြင်ပစွမ်းအားဖြင့်ခြေလက်တုကိုသုံးသည်။ EPFL သုတေသနအဖွဲ့၏အဆိုအရယနေ့ရရှိနိုင်သောစီးပွားဖြစ်ကိရိယာများသည်သုံးစွဲသူများအားကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ကိုမြင့်မားစေနိုင်သည်။

“ စီးပွားဖြစ်ကိရိယာများသည်လွတ်လပ်မှုအဆင့်တစ်ခုတည်းကိုထိန်းချုပ်ရန်မှတ်တမ်းတင်စနစ်နှစ်ခုသုံးလေ့ရှိသည်။ ဆိုလိုသည်မှာအကြောလျှော့ရန် sEMG ချန်နယ်တစ်ခုနှင့်တိုးချဲ့ရန်တစ်ခုဖြစ်သည်” ဟု EPFL သုတေသီများက၎င်းတို့၏လေ့လာမှုတွင်ရေးသားခဲ့သည်။ “ အလိုလိုသိနေချိန်တွင်၊ စနစ်သည်လက်စွမ်းအနည်းငယ်သာပေးသည်။ လူများသည် myoelectric prostheses များကိုမြင့်မားသောနှုန်းထားများနှင့်စွန့်လွှတ်။ တစ်စိတ်တစ်ပိုင်းအားဖြင့်၎င်းတို့သည်ဤကိရိယာများ၏စျေးနှုန်းနှင့်ရှုပ်ထွေးမှုတို့ကိုထိုက်တန်စေရန်လုံလောက်မှုမရှိဟုခံစားရသည်။ ”

myoelectric prostheses များနှင့်လက်စွမ်းပိုင်းဆိုင်ရာပြဿနာကိုဖြေရှင်းရန် EPFL မှသုတေသီများသည် neuroengineering၊ စက်ရုပ်နှင့်ဥာဏ်ရည်တုဆိုင်ရာသိပ္ပံနည်းကျပညာရပ်များကိုပေါင်းစပ်ပြီးသိပ္ပံနည်းကျနယ်ပယ်နှစ်ခုကိုပေါင်းစပ်ပြီးဒီနည်းကို သုံး၍ လေ့လာသည်။ ထိန်းချုပ်ခြင်း။ ”

Silvestro Micera, Translational Neuroengineering in EPFL's Bertarelli Foundation သဘာပတိနှင့် Scuola Superiore Sant'Anna မှအီတလီရှိ Bioelectronics ပါမောက္ခနှင့်ပါမောက္ခများက ဦး နှောက်ကဲ့သို့ neuroprosthetic ရည်ရွယ်ချက်ကျယ်ကျယ်ပြန့်ပြန့်အတွက်လက်တွေ့သက်ရောက်မှုနှင့်အသုံးဝင်မှုကိုတိုးတက်စေနိုင်သည်။ -to-machine interfaces (BMIs) နှင့် bionic hands များ

သုတေသီများက“ classifier အမျိုးအစားများသည်အမျိုးအစားတစ်ခုထက်ပိုခိုင်ခံ့စွာရှိနေသောကြောင့်ခြေလက်တုများကို classifier-based decoders များကိုပိုသုံးလေ့ရှိသောအကြောင်းအရင်းတစ်ခုမှာ” “ ဆုပ်ကိုင်ရန်ဤထိန်းချုပ်မှုသည်မတော်တဆပြုတ်ကျခြင်းကိုကာကွယ်ရန်အကောင်းဆုံးဖြစ်သော်လည်းဖြစ်နိုင်ချေရှိသောလက်ဟန်အနေအထားကိုကန့်သတ်ခြင်းဖြင့်သုံးစွဲသူအေဂျင်စီကိုအနစ်နာခံသည်။ မျှဝေထိန်းချုပ်မှုကိုကျွန်ုပ်တို့၏အကောင်အထည်ဖော်ခြင်းသည်သုံးစွဲသူအေဂျင်စီနှင့်ကြံ့ခိုင်မှုကိုဆုပ်ကိုင်နိုင်စေသည်။ နေရာလွတ်တွင်အသုံးပြုသူသည်လက်လှုပ်ရှားမှုများကိုအပြည့်အ ၀ ထိန်းချုပ်နိုင်သည့်အပြင်အလိုအလျောက်ကြိုတင်ပုံဖော်ရန်လည်းခွင့်ပြုသည်။ ”

ဤလေ့လာမှုတွင် EPFL မှသုတေသီများသည် software algorithms ၏ဒီဇိုင်းကိုအာရုံစိုက်သည် - ပြင်ပပါတီများမှပေးသောစက်ရုပ် hardware သည် KUKA IIWA 7 စက်ရုပ်တွင်တပ်ဆင်ထားသော Allegro Hand၊ OptiTrack ကင်မရာစနစ်နှင့် TEKSCAN ဖိအားအာရုံခံကိရိယာများပါ ၀ င်သည်။

EPFL မှသိပ္ပံပညာရှင်များသည်၎င်းကိုလက်အတုဖြင့်လက်ချောင်းများသို့လက်ချောင်းများရွေ့လျားစေရန်ဘာသာပြန်သူ၏သုံးစွဲသူ၏ရည်ရွယ်ချက်ကိုအဓိပ္ပာယ်ကောက်ယူရန် multilayer perceptron (MLP) ကိုဖန်တီးကာ kinematic proportional decoder တစ်ခုကိုဖန်တီးခဲ့သည်။ Multilayer perceptron သည် backpropagation ကိုသုံးသော feedforward အတုအာရုံကြောကွန်ယက်တစ်ခုဖြစ်သည်။ MLP သည်အာရုံကြောအတုကွန်ယက်မှတဆင့်စက်ဝန်းတစ်ခုသို့မဟုတ်လည်ပတ်မှုတစ်ခုနှင့်လမ်းကြောင်းတစ်ခုသို့ရှေ့ဆက်သွားသောနက်ရှိုင်းသောသင်ယူမှုနည်းလမ်းတစ်ခုဖြစ်သည်။

လက်လှုပ်ရှားမှုများကိုဆက်တိုက်လုပ်ဆောင်နေသောသုံးစွဲသူမှအချက်အလက်ထည့်သွင်းခြင်းဖြင့် algorithm ကိုလေ့ကျင့်ပေးသည်။ ပေါင်းဆုံချိန်ပိုမိုမြန်ဆန်စေရန် Levenberg – Marquardt နည်းကို gradient descent အစား gradient descent အစား network အလေးချိန်ကိုချိန်ညှိရန်အသုံးပြုခဲ့သည်။ ပုံစံအပြည့်အစုံလေ့ကျင့်ရေးလုပ်ငန်းစဉ်သည်မြန်ဆန်ပြီးဘာသာရပ်တစ်ခုစီအတွက် ၁၀ မိနစ်ထက်နည်းသည်၊ လက်တွေ့အသုံးပြုမှုရှုထောင့်မှ algorithm ကိုလက်တွေ့ပြုလုပ်စေသည်။

EPPL Translational Neural Engineering Lab မှ Katie Zhuang က "လက်သီးဆုပ်စာတစ်ယောက်အတွက်ကြွက်သားတွေအများကြီးကိုကျုံ့ဖို့ခက်တယ်" ဟုသုတေသနလေ့လာမှု၏ပထမဆုံးစာရေးဆရာဖြစ်သူ Katie Zhuang ကပြောကြားခဲ့သည်။ မရ။ “ ငါတို့ဘာလုပ်မလဲဆိုတာကငါတို့ရဲ့ကျန်နေတဲ့သစ်ငုတ်ပေါ်မှာအဲဒါတွေကိုထားပြီးတော့အဲဒါတွေကိုမှတ်တမ်းတင်ပြီးလှုပ်ရှားမှုအချက်ပြတာတွေကိုအဓိပ္ပာယ်ကောက်ဖို့ကြိုးစားတာ။ ဤအချက်များသည်အနည်းငယ်ဆူညံစေသောကြောင့်ကျွန်ုပ်တို့လိုအပ်သောအရာများမှာထိုကြွက်သားများမှအဓိပ္ပါယ်ရှိသောလုပ်ဆောင်ချက်ကိုထုတ်ယူပြီး၎င်းတို့ကိုရွေ့လျားစေသည့်အဓိပ္ပာယ်ဖြစ်သည်။ ပြီးတော့ဒီလှုပ်ရှားမှုတွေကစက်ရုပ်လက်တွေရဲ့လက်ချောင်းတစ်ချောင်းစီကိုထိန်းချုပ်ပေးတဲ့အရာတွေပါ။ ”

လက်ချောင်းများ၏လှုပ်ရှားမှုခန့်မှန်းချက်သည် ၁၀၀ ရာခိုင်နှုန်းတိကျမှုမရှိသောကြောင့် EPFL မှသုတေသီများသည်လက်အတုကိုဖွင့်ရန်နှင့်ကန ဦး ဆက်သွယ်မှုပြုလုပ်ပြီးသည်နှင့်အရာဝတ္ထုတစ်ခုအားအလိုအလျောက်ပိတ်ပစ်ရန်ထည့်သွင်းခဲ့သည်။ အသုံးပြုသူသည်အရာဝတ္ထုတစ်ခုကိုလွှတ်ချင်လျှင်သူသို့မဟုတ်သူမလုပ်ရမှာကစက်ရုပ်ထိန်းချုပ်စက်ကိုပိတ်ပစ်ရန်နှင့်အသုံးပြုသူအားလက်ကိုပြန်ထိန်းချုပ်ရန်ဖြစ်သည်။

EPFL ၏ Learning Algorithms and Systems Laboratory ကို ဦး ဆောင်သော Aude Billard အဆိုအရစက်ရုပ်လက်သည်မိနစ် ၄၀၀ စက္ကန့်အတွင်းတုံ့ပြန်နိုင်သည်။ “ လက်ချောင်းတစ်လျှောက်တွင်ဖိအားအာရုံခံကိရိယာများတပ်ဆင်ထားသဖြင့် ဦး နှောက်သည်အရာဝတ္ထုများချော်နေသည်ကိုအမှန်တကယ်မရိပ်မိမီအရာဝတ္ထုကိုတုံ့ပြန်တည်ငြိမ်စေနိုင်သည်” ဟု Billard ကပြောကြားခဲ့သည်။

neuroengineering နှင့်စက်ရုပ်ပိုင်းဆိုင်ရာအသိဥာဏ်တုကိုအသုံးချခြင်းအားဖြင့် EPFL သိပ္ပံပညာရှင်များသည်စက်နှင့်သုံးစွဲသူရည်ရွယ်ချက်အကြားမျှဝေထိန်းချုပ်မှုနည်းလမ်းသစ်ကိုသရုပ်ပြခဲ့သည်။

မူပိုင်ခွင့်© 2019 Cami Rosso All rights reserved ။