محققان یک رویکرد یادگیری ماشین ترکیبی جدید برای تشخیص حرکات ماهیچه ای در بازوهای مصنوعی ایجاد کرده اند.
منبع: انتشارات موسسه فناوری پکن
محققان مهندسی یک رویکرد یادگیری ماشینی ترکیبی برای تشخیص حرکات ماهیچه‌ای در دست‌های مصنوعی ایجاد کرده‌اند که تکنیک هوش مصنوعی را که معمولاً برای تشخیص تصویر استفاده می‌شود با رویکرد دیگری که برای تشخیص دست‌خط و گفتار تخصصی استفاده می‌شود. ترکیب می‌کند. این تکنیک نسبت به تلاش‌های یادگیری ماشینی سنتی به عملکرد بسیار بهتری دست می‌یابد.
مقاله ای که رویکرد ترکیبی را توصیف می کند در ژورنال Cyborg and Bionic Systems در 8 نوامبر 2021 منتشر شد.
یک پژوهش
نورون های حرکتی بخش هایی از سیستم عصبی مرکزی هستند که مستقیماً ماهیچه های ما را کنترل می کنند. آنها سیگنال های الکتریکی را منتقل می کنند که باعث انقباض ماهیچه ها می شود. الکترومیوگرافی (EMG) روشی برای اندازه‌گیری پاسخ عضلانی با ثبت این فعالیت الکتریکی از طریق وارد کردن سوزن‌های الکترود از طریق پوست و داخل عضله است. EMG سطحی (sEMG) همین فرآیند ضبط را به روشی غیرتهاجمی با الکترودهایی که روی پوست بالای عضله قرار می‌گیرند. انجام می‌دهد و برای روش‌های غیرپزشکی مانند تحقیقات ورزشی و فیزیوتراپی استفاده می‌شود.
در دهه گذشته. محققان شروع به بررسی استفاده بالقوه از سیگنال‌های EMG سطحی برای کنترل پروتز برای افراد قطع عضو کرده‌اند. به‌ویژه با توجه به پیچیدگی حرکات و ژست‌های مورد نیاز دست‌های مصنوعی به منظور ارائه فعالیت‌های نرم‌تر. پاسخ‌گوتر و شهودی‌تر. دستگاه ها از آنچه در حال حاضر امکان پذیر است
متأسفانه. تداخل محیطی غیرمنتظره مانند جابجایی الکترودها. مقدار زیادی نویز را به فرآیند هر دستگاهی که سعی در تشخیص سیگنال های EMG سطحی دارد. وارد می کند. چنین تغییراتی به طور منظم در استفاده و استفاده روزانه از چنین سیستم هایی رخ می دهد. برای غلبه بر این مشکل. کاربران باید قبل از استفاده از پروتزهای خود. در یک دوره آموزشی طولانی و خسته کننده سیگنال sEMG شرکت کنند. کاربران باید به سختی سیگنال های EMG سطحی خود را جمع آوری و طبقه بندی کنند تا بتوانند دست مصنوعی را کنترل کنند.
یادگیری ماشین
به منظور کاهش یا حذف چالش‌های چنین آموزشی. محققان رویکردهای مختلف یادگیری ماشین – به ویژه تشخیص الگوی یادگیری عمیق – را بررسی کرده‌اند تا بتوانند بین حرکات مختلف و پیچیده دست با وجود تداخل سیگنال‌های محیطی تمایز قائل شوند.
کاهش در آموزش به نوبه خود با بهینه سازی مدل ساختار شبکه آن یادگیری عمیق حاصل می شود. یکی از پیشرفت‌های احتمالی که آزمایش شده است. استفاده از یک شبکه عصبی کانولوشنال (CNN) است که مشابه ساختار اتصال قشر بینایی انسان است. این نوع شبکه عصبی عملکرد بهتری را با تصاویر و گفتار ارائه می دهد و به همین دلیل در قلب بینایی رایانه قرار دارد
محققان تاکنون با CNN به موفقیت هایی دست یافته اند و به طور قابل توجهی در تشخیص (“استخراج”) ابعاد فضایی سیگنال های sEMG مربوط به حرکات دست بهبود یافته اند. اما در حالی که به خوبی با فضا برخورد می کنند. با زمان مبارزه می کنند. ژست ها پدیده ای ثابت نیستند. بلکه در طول زمان اتفاق می افتند و CNN اطلاعات زمانی را در انقباض مداوم ماهیچه ها نادیده می گیرد.
LSTM
اخیراً. برخی از محققان شروع به استفاده از معماری شبکه عصبی مصنوعی حافظه کوتاه مدت (LSTM) برای این مشکل کرده‌اند. LSTM شامل ساختاری است که شامل اتصالات «بازخورد» می‌شود. به آن عملکرد برتر در طبقه‌بندی پردازش می‌دهد. و پیش‌بینی‌هایی بر اساس توالی داده‌ها در طول زمان می‌دهد. به‌ویژه جاهایی که بین رویدادهای مهم. وقفه‌ها. شکاف‌ها یا تداخل‌هایی با مدت زمان غیرمنتظره وجود دارد. LSTM شکلی از یادگیری عمیق است که به بهترین وجه برای کارهایی به کار می رود که شامل فعالیت های غیرقطعی و متصل مانند دست خط و تشخیص گفتار است.
چالشی که در اینجا وجود دارد این است که در حالی که محققان به طبقه بندی حرکتی بهتر سیگنال های sEMG دست یافته اند. اندازه مدل محاسباتی مورد نیاز یک مشکل جدی است. ریزپردازنده مورد نیاز برای استفاده محدود است. استفاده از چیزی قدرتمندتر بسیار پرهزینه خواهد بود. و در نهایت. در حالی که چنین مدل‌های آموزشی یادگیری عمیق با رایانه‌های آزمایشگاهی کار می‌کنند. استفاده از آنها از طریق نوعی سخت‌افزار تعبیه‌شده در یک دستگاه مصنوعی دشوار است.
دیانچون بای. یکی از نویسندگان مقاله و استاد مهندسی برق در دانشگاه صنعتی شن یانگ. گفت: «شبکه‌های عصبی کانولوشن در نهایت با تشخیص تصویر در ذهن طراحی شدند. نه کنترل پروتزها. ما نیاز داشتیم که CNN را با تکنیکی همراه کنیم که بتواند با بعد زمان سروکار داشته باشد و در عین حال امکان سنجی در دستگاه فیزیکی که کاربر باید بپوشد را نیز تضمین کند.
نهایتا
بنابراین محققان یک مدل ترکیبی CNN و LSTM ایجاد کردند که مزایای مکانی و زمانی این دو رویکرد را با هم ترکیب می‌کرد. این امر باعث کاهش اندازه مدل یادگیری عمیق در عین دستیابی به دقت بالا و مقاومت قوی تر در برابر تداخل می شود.
آنها پس از توسعه سیستم خود. رویکرد ترکیبی را روی ده سوژه غیر قطع عضو آزمایش کردند که در یک سری از 16 حرکت مختلف مانند گرفتن تلفن. گرفتن خودکار. اشاره. نیشگون گرفتن و گرفتن یک فنجان آب درگیر بودند. نتایج عملکرد بسیار بهتری را در مقایسه با CNN به تنهایی یا سایر روش‌های یادگیری ماشینی سنتی نشان داد و به دقت تشخیص بیش از 80 درصد دست یافت.
با این حال. رویکرد ترکیبی برای تشخیص دقیق دو ژست نیشگون گرفتن تلاش کرد: نیشگون گرفتن با انگشت وسط و یکی با استفاده از انگشت اشاره. در تلاش‌های آتی. محققان می‌خواهند الگوریتم را بهینه‌سازی کنند و دقت آن را بیشتر بهبود بخشند. در حالی که مدل آموزشی را کوچک نگه دارند تا بتوان از آن در سخت‌افزار پروتز استفاده کرد. آنها همچنین می‌خواهند بفهمند چه چیزی باعث مشکل در تشخیص ژست‌های نیشگون می‌شود و آزمایش‌های خود را به تعداد بسیار بیشتری از سوژه‌ها گسترش دهند.
در نهایت. محققان می‌خواهند دست مصنوعی بسازند که به اندازه اندام اصلی کاربر انعطاف‌پذیر و قابل اعتماد باشد.
https://neurosciencenews.com/machine-learning-prosthetics-20036/
سید مهدی ساداتی هستم. عاشق مغز! داروساز و دانشجوی دکترای تخصصی علوم اعصاب. عضو تیم مرکز سلامت مغز دانا! از علاقه هام شناسوندن کارایی های هیجان انگیز مغز به زبان ساده به آدمهاست! جست و جو می کنم در افسردگی، داروهای موثر بر مغز و سایر بیماری های حوزه ی روان و البته نوروپلاستیسیتی!