Según un nuevo estudio realizado por la Universidad de California, Davis, la conexión de dos tipos diferentes de señales puede ayudar a construir ingenieros para construir órganos artificiales que ofrecen mejor movimientos naturales. Este trabajo, apareció el 10 de abril Además de unMuestra que una combinación de electromiografía y fuerza de la fuerza es más precisa para predecir el movimiento de la mano en sí.
Gestos de mano como agarre, pellizcos y agarres como movimientos musculares en nuestro brazo. Estos movimientos producen pequeñas señales eléctricas que pueden ser leídos por un sensor en la piel, una técnica llamada electromimografía.
“Usando sensores y aprendizaje automático, podemos reconocer gestos basados en la actividad muscular”, dijo Jonathan Schofield, profesor de ingeniería mecánica y aeroespacial en UC Davis.
Los controles basados en EMG funcionan bien en la configuración de laboratorio y con órganos de descanso. Pero “posición y carga” es un problema bien conocido. Si mueve su brazo a una posición diferente, en algún lugar, la altura del hombro, o en su cabeza, o manteniendo diferentes elementos de peso, la medición cambia.
“En el mundo real, la medición está a punto de cambiar cada vez que mueves las extremidades y atrapas algo”, dijo Patton Young, el primer autor del periódico. “La ubicación neutral (donde los órganos se mantienen en el cuerpo como pasivamente) son muy diferentes de girar”.
Combinación de EMG y FMG
Para indicar esto, Young y Schuffield probaron con una variedad de medidas, solitarias y junto con EMG. Fuerza Miraphiyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyy ayyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyyhyhyhyhyhyhyhyhyhyhyhyhyhyhyhyhyhyhyhyhyhyhyhyhhyhyhhyhyhhyhyh
Young construyó un brazalete que rodea el brazo e incluye sensores EMG y FMG. Utilizó el dispositivo con una serie de voluntarios físicos en el laboratorio, que presentó una serie de gestos de brazo, mientras que los participantes colocaron diferentes cargas con diferentes agarres de manos. Los datos de los sensores se alimentaron al algoritmo de aprendizaje automático para clasificar varios movimientos en pellizcos, recogidas, puños, etc. El algoritmo fue entrenado solo en una de las señales EMG o FMG, o en una combinación.
Para cada experimento, el algoritmo fue entrenado en algunos datos y el resto se calificó con la capacidad de clasificarse correctamente.
Young dijo: “Entrenamos la calificación de clase de datos y luego obtenemos su capacidad para predecir”.
Descubrió que la posición y la carga realmente afectaron la precisión de la clasificación de gestos. En general, la combinación de EMG y FMG dio solo más del 97 % de precisión de calificación, mientras que solo el 92 % para FMG y 83 % solo para EMG.
Young ahora está trabajando en un sensor conjunto de FMG/EMG y el equipo está trabajando para un órgano artificial experimental que utiliza esta tecnología.
Schofield dijo que este enfoque podría tener ampliamente aplicaciones para artificiales y robóticos, así como herramientas de realidad virtual. Dijo que el equipo se ha beneficiado enormemente de poder cooperar con expertos artificiales artificiales clínicos, cirujanos y biólogos en toda la UC Davis.
“No podremos hacerlo sin mostrar pacientes y médicos reales”, dijo Shooffield.
Los autores adicionales en este documento incluyen Kehon Hong, Eden Winslov, Jiankarlo Sagastium, Marcus Bettra y Richard Witel, todos en UC Davis. Batra ahora se encuentra en la facultad de la Universidad Estatal de California, Chico.
