인공지능이 그립을 더욱 직관적으로 만듭니다

다양한 유형의 쥐기 및 생체 공학적 디자인: 최근 수십 년 동안의 기술 발전으로 이미 인공 손이 발전했습니다. 사고나 질병으로 인해 손을 잃은 절단 환자가 일부 움직임을 회복할 수 있도록 해줍니다. 이러한 최신 보철물 중 일부는 독립적인 손가락 움직임과 손목 회전을 허용합니다. 이러한 움직임은 스마트폰 앱을 통해 선택하거나 일반적으로 두 개의 센서에 의해 감지되는 팔뚝의 근육 신호를 사용하여 선택할 수 있습니다.

예를 들어, 손목 굴근 근육의 활성화는 펜을 잡기 위해 손가락을 모으는 데 사용될 수 있습니다. 손목 신근 근육이 수축되면 손가락이 다시 열리고 손이 펜을 놓습니다. 동일한 접근 방식을 사용하면 굴근 및 신근 근육 그룹을 동시에 활성화하여 선택되는 다양한 손가락 움직임을 제어할 수 있습니다. TUM의 재활 및 보조 로봇 공학 교수인 Cristina Piazza는 “이것은 환자가 재활 중에 배워야 하는 동작입니다.”라고 말합니다. 이제 Piazza 교수 연구팀은 인공 지능이 “시너지 원리”를 사용하고 팔뚝에 있는 128개 센서의 도움을 받아 환자가 첨단 손 의지 장치를 보다 직관적으로 제어할 수 있음을 보여주었습니다.

시너지 원리: 뇌는 근육 세포 풀을 활성화합니다

시너지 원리는 무엇입니까? Piazza 교수는 “신경과학적 연구를 통해 실험 세션에서 운동학과 근육 활성화 모두에서 반복적인 패턴이 관찰되는 것으로 알려져 있습니다.”라고 말합니다. 이러한 패턴은 인간의 두뇌가 생물학적 시스템의 복잡성에 대처하는 방식으로 해석될 수 있습니다. 이는 뇌가 팔뚝에도 근육 세포 풀을 활성화한다는 의미입니다. 교수는 이렇게 덧붙였습니다. “우리가 공과 같은 물체를 잡기 위해 손을 사용할 때 우리는 손가락을 동시에 움직이고 접촉이 발생할 때 물체의 모양에 적응합니다.” 연구원들은 이제 이 원리를 사용하여 새로운 학습 알고리즘을 만들어 인공 손을 설계하고 제어하고 있습니다. 이는 직관적인 움직임에 필요합니다. 예를 들어 펜을 잡기 위해 인공 손을 제어할 때 여러 단계가 수행됩니다. 먼저, 환자는 움켜쥔 위치에 따라 의수 방향을 잡고 손가락을 천천히 모은 다음 펜을 잡습니다. 목표는 이러한 움직임을 점점 더 유동적으로 만들어 수많은 개별 움직임이 전체 프로세스를 구성하는 것이 거의 눈에 띄지 않도록 하는 것입니다. Piazza 교수 팀의 수석 과학자인 Patricia Capsi Morales는 “기계 학습의 도움으로 피험자 간의 변화를 이해하고 시간과 학습 과정에 따른 제어 적응성을 향상시킬 수 있습니다”라고 결론지었습니다.

128개 신호 채널에서 패턴 발견

새로운 접근법을 사용한 실험은 이미 기존의 제어 방법이 더 발전된 전략을 통해 강화될 수 있음을 나타냅니다. 중추신경계 수준에서 무슨 일이 일어나고 있는지 연구하기 위해 연구자들은 두 개의 필름을 사용하여 작업하고 있습니다. 하나는 팔뚝 내부에 대한 것이고 다른 하나는 팔뚝 외부에 대한 것입니다. 각각에는 근육 활동을 감지하는 최대 64개의 센서가 포함되어 있습니다. 이 방법은 또한 척추 운동 뉴런이 어떤 전기 신호를 전달했는지 추정합니다. “우리가 사용하는 센서가 많을수록 다양한 근육 그룹의 정보를 더 잘 기록하고 어떤 근육 활성화가 어떤 손 움직임을 담당하는지 알아낼 수 있습니다”라고 Piazza 교수는 설명합니다. Capsi Morales 박사에 따르면, 사람이 주먹을 쥐거나, 펜을 잡거나, 잼병을 열려는 의도에 따라 “근육 신호의 특징적인 특징”이 나타난다고 합니다. 이는 직관적인 움직임의 전제 조건입니다.

손목과 손의 움직임: 10명 중 8명은 직관적인 방식을 선호합니다.

현재 연구는 손목과 손 전체의 움직임에 중점을 두고 있습니다. 이는 대부분의 사람들(10명 중 8명)이 손목과 손을 움직이는 직관적인 방법을 선호한다는 것을 보여줍니다. 이것은 또한 더 효율적인 방법입니다. 그러나 10명 중 2명은 덜 직관적인 방식으로 처리하는 방법을 학습하여 결국 더욱 정확해집니다. “우리의 목표는 학습 효과를 조사하고 각 환자에게 적합한 솔루션을 찾는 것입니다.”라고 Capsi Morales 박사는 설명합니다. “이것은 올바른 방향으로 나아가는 단계입니다.”라고 Piazza 교수는 말합니다. 그는 각 시스템이 개별 역학과 손의 특성, 환자를 위한 특별 교육, 해석 및 분석, 기계 학습으로 구성되어 있음을 강조합니다.

인공 손의 고급 제어에 대한 현재 과제

여전히 해결해야 할 몇 가지 과제가 있습니다. 센서의 정보를 기반으로 하는 학습 알고리즘은 필름이 미끄러지거나 제거될 때마다 재교육되어야 합니다. 또한 센서는 근육의 신호를 정확하게 기록하는 데 필요한 전도성을 보장하기 위해 젤로 준비되어야 합니다. Capsi Morales 박사는 “우리는 신호 처리 기술을 사용하여 잡음을 필터링하고 사용 가능한 신호를 얻습니다.”라고 설명합니다. 새로운 환자가 팔뚝에 많은 센서가 달린 커프를 착용할 때마다 알고리즘은 먼저 각 동작 순서에 대한 활성화 패턴을 식별하여 나중에 사용자의 의도를 감지하고 이를 인공 손에 대한 명령으로 변환해야 합니다.

출처: https://www.sciencedaily.com/releases/2023/12/231205144408.htm