Les capteurs de métaux liquides et l'IA aident les mains prothétiques à "sentir"

Chaque bout de doigt humain possède plus de 3 000 récepteurs tactiles qui réagissent en grande partie à la pression. Les humains dépendent fortement de la sensation au bout des doigts lorsqu'ils manipulent un objet, de sorte que l'absence de cette sensation présente un défi unique pour les personnes amputées d'un membre supérieur. Bien qu'il existe plusieurs prothèses habiles disponibles aujourd'hui, elles manquent toutes de la sensation de "toucher". L'absence de cette rétroaction sensorielle entraîne la chute ou l'écrasement d'objets par inadvertance par une main prothétique.

Pour permettre une interface de main prothétique plus naturelle, les chercheurs ont incorporé des capteurs tactiles extensibles utilisant du métal liquide sur le bout des doigts d'une main prothétique. Encapsulé dans des élastomères à base de silicone, cette technologie offre des avantages clés par rapport aux capteurs traditionnels, notamment une conductivité élevée, la conformité, la flexibilité et l'extensibilité. Cette intégration hiérarchique des sensations tactiles multi-doigts pourrait fournir un niveau d'intelligence plus élevé pour les mains artificielles.

Les chercheurs ont utilisé le bout des doigts individuels sur la prothèse pour distinguer les différentes vitesses d'un mouvement de glissement le long de différentes surfaces texturées. Les quatre textures différentes avaient un paramètre variable :la distance entre les crêtes. Pour détecter les textures et les vitesses, les chercheurs ont formé quatre algorithmes d'apprentissage automatique. Pour chacune des dix surfaces, 20 essais ont été collectés pour tester la capacité des algorithmes d'apprentissage automatique à faire la distinction entre les dix surfaces complexes différentes composées de permutations générées aléatoirement de quatre textures différentes.

Les résultats ont montré que l'intégration d'informations tactiles provenant de capteurs de métal liquide sur quatre bouts de doigts prothétiques distinguait simultanément des surfaces complexes à textures multiples, démontrant une nouvelle forme d'intelligence hiérarchique. Les algorithmes d'apprentissage automatique ont pu distinguer toutes les vitesses avec chaque doigt avec une grande précision.

L'équipe a comparé quatre algorithmes d'apprentissage automatique différents pour leurs capacités de classification réussies :le voisin le plus proche K (KNN), la machine à vecteurs de support (SVM), la forêt aléatoire (RF) et le réseau de neurones (NN). Les caractéristiques temps-fréquence des capteurs de métaux liquides ont été extraites pour former et tester les algorithmes d'apprentissage automatique. Le NN a généralement obtenu les meilleurs résultats en matière de détection de vitesse et de texture avec un seul doigt et avait une précision de 99,2 % pour distinguer dix surfaces multitexturées différentes en utilisant simultanément quatre capteurs de métal liquide de quatre doigts.

Bien que les progrès des membres prothétiques aient été bénéfiques et permettent aux amputés de mieux accomplir leurs tâches quotidiennes, ils ne leur fournissent pas d'informations sensorielles telles que le toucher. Ils ne leur permettent pas non plus de contrôler naturellement le membre prothétique avec leur esprit. La nouvelle technologie pourrait aider à fournir aux amputés un appareil prothétique plus naturel qui peut "sentir" et réagir à son environnement.