Исследователи разработали новую технологию для декодирования нейромышечных сигналов, чтобы управлять механическими протезами руки и кисти. Работа основана на компьютерных моделях, которые точно имитируют поведение естественных структур в предплечье, запястье и кисти руки. Также технология может быть применена в разработке устройств, работающих с компьютером, например в области систем автоматизированного проектирования и в компьютерных играх.
Подпись к изображению: Исследователи в Университете Северной Каролины создали новую технологию для декодирования нейромышечных сигналов, чтобы управлять механическими протезами руки и кисти. Работа основана на компьютерных моделях, которые точно имитируют поведение естественных структур в предплечье, запястье и кисти руки
Технология хорошо показала себя на ранних этапах тестирования, но пока не дошла до клинических испытаний, а значит её предстоят годы до коммерческого применения. Работа была выполнена в ходе совместной программы биомедицинского инжиниринга Государственным университетом Северной Каролины и Университетом Северной Каролины в Чейпл Хилл.
Новейшее протезирование опирается на машинное обучение при подходе, основанном на распознавания паттернов при управлении искусственной конечностью. Этот подход требует «обучать» устройство распознаванию специфичных паттернов мышечной активности и переводить их в команды — такие как сжать или распрямить механическую ладонь.
«Распознавание паттернов требует от пациентов длительного процесса обучения своего протеза, — рассказывает Хелен Хуанг, профессор биомедицинского инжиниринга в университетах Северной Каролины. — Этот процесс может быть скучен и долог».
«Мы хотели сконцентрироваться на том, что нам уже известно о теле человека. Это не только более интуитивно понятно для пользователей, это также более надёжно и практично».
«Так происходит потому, что каждый раз, когда мы меняем позу, нервномышечные сигналы для одного и того же движения руки будут разными. Поэтому полагаться только на машинное обучение означает многократное обучение устройства выполнению одного и того же действия, по разу для каждой позы, и ещё раз когда вы вспотели, и так далее. Наш подход позволяет в основном избегнуть этого».
Вместо этого исследователи разработали общую скелетно-мышечную модель. Они поместили электромиографические датчики на предплечья шести здоровых добровольцев, и точно регистрировали все поданные нейромышечные сигналы при выполнении различных действий руками и запястьями. Затем эти данные использовались для создания общей модели, которая транслировала эти нейромышечные сигналы в команды, управлявшие электромеханическим протезом.
«Когда человек теряет руку, мозг продолжает считать, что рука на месте, — рассказывает Хуанг. — И при намерении поднять стакан мозг пошлёт руке те же самые сигналы. Мы считываем эти сигналы датчиками и затем передаём эти данные в компьютер, на котором работает виртуальная скелетно-мышечную модель. Модель выполняет действия мышц, суставов и костей, рассчитывая движения, которые произошли бы, если бы рука и запястье были единым целым. Затем данные направляются в искусственную руку, которая выполняет соответствующие движения, близкие к плавным и естественным, в реальном времени. Объединив наше знание о биологических процессах с выполнением движений, мы смогли впервые создать нейронный интерфейс для протеза, одинаковый для всех участвовавших в опытах, включая также и перенёсшего ампутацию, и который надёжно работает для разных положений руки».
Исследователи считают, что применение их работы не ограничено протезами.
«Это может использоваться для создания интерфейсных к компьютеру устройств также и для обычных людей, — говорит Хуанг. — Например, для компьютерных игр, или для манипуляции объектами в системах автоматического проектирования».
В предварительных испытаниях, как здоровые участники, так и ампутанты показали способность использовать управляемый моделью интерфейс для выполнения всех движений руки и запястья, даже при минимальной тренировке.
«Сейчас мы ищем добровольцев с трансрадиальной ампутацией, которые смогут помочь в дальнейшем тестировании модели для выполнения повседневных действий, — говорит Хуанг. — Мы хотим получить больше отзывов от пользователей, прежде чем переходить к клиническим испытаниям».
«До того, как эти результаты станут коммерчески доступны для клинически применения, остаются ещё годы, — подчёркивает Хуанг. — Трудно предсказать стоимость устройства, так как наша работа сосредоточена на программном обеспечении, а стоимость протеза в основном будет заключаться в аппаратной части».
«Пользование нашей моделью более интуитивно и надёжно, но машинное обучение обеспечит более тонкое управление, позволив программе изучить повседневные потребности каждого пользователя, и лучше адаптироваться к конкретному пользователю».