Según un nuevo estudio de la Universidad de California, Davis, agregar dos tipos diferentes de señales diferentes puede ayudar a los ingenieros a hacer prótesis, que reproducen mejor los movimientos naturales. Trabajo, publicado el 10 de abril OtroEsto indica que una combinación de electromografía y miografía de fuerza es más precisa para predecir los movimientos de la mano, en comparación con cualquier método.
Los gestos de las manos como el agarre, el lanzamiento y el codicioso se inspiran en los movimientos musculares en nuestra celda. Estos movimientos producen pequeñas señales eléctricas que el sensor puede leerlo en la piel, una técnica llamada electrografía.
“Usando el sensor y el aprendizaje automático, podemos identificar gestos basados en la actividad muscular”, dijo Jonathan Shoffield, profesor de ingeniería mecánica y aeroespacial en UC Davis y escritor senior en papel.
Los controles basados en EMG funcionan bien en un entorno de laboratorio y en reposo con órganos. Pero hay un famoso problema de “estado y carga”. Si mueve su brazo a una posición diferente, por ejemplo, la altura del hombro, o por encima de su cabeza, o comprensión de objetos de diferente peso, cambiando la medición.
“En el mundo real, cada vez que mueves un órgano y entiendes algo como esto, la medición va a cambiar”, dijo el estudiante graduado Pitan Young, el primer escritor en papel. “La posición neutral (donde la extremidad se realiza pasivamente al lado del cuerpo) es muy diferente para girar”.
Mezclar EMG y FMG
Para abordarlo, Young y Scofield usaron un tipo diferente de medición, solo y en combinación con EMG. La miografía de fuerza (FMG) mide cómo se contraen con los músculos en la mano.
Young fabricó un brazalete que califica la celda e incluye sensores EMG y FMG. Utilizó este dispositivo en el laboratorio con una serie de voluntarios de bordes competentes que realizaron una serie de gestos manuales, mientras que los participantes tenían diferentes cargas con diferentes manos. Los datos del sensor se alimentaron a un algoritmo de aprendizaje automático para clasificar varios movimientos, seleccionar, puños, etc. El algoritmo fue entrenado solo en la señal EMG o FMG o en una combinación.
Para cada experimento, el algoritmo fue entrenado en algunos datos y se puntuó con la capacidad de clasificar con precisión el resto.
“Entrenamos el clasificador en datos de los gestos, luego lo puntuamos en la capacidad de predecirlo”, dijo Young.
Descubrieron que la situación y la carga en realidad afectaron la precisión de la clasificación de los gestos. En general, una combinación de EMG y FMG dio más del 97 por ciento de precisión de clasificación, mientras que el 92 por ciento para FMG solo y el 83 por ciento para EMG solo.
Young ahora está trabajando en un sensor conjunto de FMG/EMG y el equipo está trabajando para una prótesis experimental que utiliza tecnología.
Schofield dijo que el enfoque puede tener una amplia gama de aplicaciones para herramientas de realidad virtual con prótesis y robótica. Dijo que el equipo aprovechó mucho poder cooperar con expertos en prótesis clínicos, cirujanos y biólogos de UC Davis.
“No podremos hacerlo sin contacto con pacientes y médicos reales”, dijo Shoffield.
Los escritores adicionales en papel son Kahun Hong, Eden Vinslo, Giancarlo Sagastume, Marcus Battro y Richard Wohital, todos están en UC Davis. Battro está ahora en la facultad de la Universidad Estatal de California, Chiko.
Passionate about Blogs since 1994
