Capteurs à métal liquide et IA restaurent le toucher aux mains prosthétiques

Rétroaction tactile pour prothèses de main

Chaque bout de doigt humain a plus de 3 000 récepteurs tactiles qui répondent largement à la pression. Les humains comptent fortement sur la sensation dans leurs bouts de doigts lors de la manipulation d'un objet, donc l'absence de cette sensation présente un défi unique pour les individus avec amputations des membres supérieurs. Bien qu'il existe plusieurs prothèses dextres disponibles aujourd'hui, elles manquent toutes de la sensation de « toucher ». L'absence de cette rétroaction sensorielle entraîne des objets involontairement laissés tomber ou écrasés par une main prothétique.

Pour permettre une interface de main prothétique plus naturelle, les chercheurs ont incorporé des capteurs tactiles étirables utilisant du métal liquide sur les bouts de doigts d'une main prothétique. Encapsulés dans des élastomères à base de silicone, cette technologie offre des avantages clés par rapport aux capteurs traditionnels, notamment une haute conductivité, conformabilité, flexibilité et étirabilité. Cette intégration tactile multi-doigts hiérarchique pourrait fournir un niveau d'intelligence plus élevé pour les mains artificielles.

Les chercheurs ont utilisé les bouts de doigts individuels sur la prothèse pour distinguer entre différentes vitesses d'un mouvement de glissement le long de surfaces texturées différentes. Les quatre textures différentes avaient un paramètre variable : la distance entre les crêtes. Pour détecter les textures et vitesses, les chercheurs ont entraîné 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 distinguer parmi les dix surfaces complexes différentes composées de permutations aléatoirement générées de quatre textures différentes.

Les résultats ont montré que l'intégration de l'information tactile provenant de capteurs à métal liquide sur quatre bouts de doigts de main prothétique distinguait simultanément parmi des surfaces complexes multi-texturées, démontrant une nouvelle forme d'intelligence hiérarchique. Les algorithmes d'apprentissage automatique étaient capables de distinguer parmi toutes les vitesses avec chaque doigt avec une haute précision.

L'équipe a comparé quatre algorithmes d'apprentissage automatique différents pour leurs capacités de classification réussies : K-nearest neighbor (KNN), support vector machine (SVM), random forest (RF) et neural network (NN). Les caractéristiques temps-fréquence des capteurs à métal liquide ont été extraites pour entraîner et tester les algorithmes d'apprentissage automatique. Le NN a généralement performé le mieux pour la détection de vitesse et texture avec un seul doigt et avait une précision de 99,2 pourcent pour distinguer parmi dix surfaces multi-texturées différentes en utilisant quatre capteurs à métal liquide de quatre doigts simultanément.

Bien que les avancées dans les membres prothétiques aient été bénéfiques et permettent aux amputés de mieux effectuer leurs tâches quotidiennes, elles ne leur fournissent pas d'informations sensorielles telles que le toucher. Elles ne leur permettent pas non plus de contrôler le membre prothétique naturellement avec leur esprit. La nouvelle technologie pourrait aider à fournir aux amputés un dispositif prothétique plus naturel qui peut « ressentir » et répondre à son environnement.