• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  • Förstärkningsinlärning påskyndar inställningen av robotproteser

    Kredit:North Carolina State University

    Forskare från North Carolina State University, University of North Carolina och Arizona State University har utvecklat ett intelligent system för att "justera" knäproteser, låta patienterna gå bekvämt med protesen på några minuter, snarare än de timmar som krävs om enheten är trimmad av en utbildad läkare. Systemet är det första som enbart förlitar sig på förstärkningsinlärning för att ställa in robotprotesen.

    När en patient får en robotknäprotes, enheten måste ställas in för att passa den specifika patienten. Det nya tuningsystemet justerar 12 olika kontrollparametrar, ta itu med protesens dynamik, såsom ledstelhet, under hela gångcykeln.

    I vanliga fall, en mänsklig läkare arbetar med patienten för att ändra en handfull parametrar. Detta kan ta timmar. Det nya systemet bygger på ett datorprogram som använder sig av förstärkningsinlärning för att modifiera alla 12 parametrar. Det tillåter patienter att använda en knäprotes för att gå på en jämn yta på cirka 10 minuter.

    "Vi börjar med att ge en patient en driven knäprotes med en slumpmässigt utvald uppsättning parametrar, säger Helen Huang, medförfattare till en artikel om arbetet och en professor vid Joint Department of Biomedical Engineering vid NC State och UNC. "Då låter vi patienten börja gå, under kontrollerade omständigheter.

    "Data om enheten och patientens gång samlas in via en uppsättning sensorer i enheten, " säger Huang. "En datormodell anpassar parametrar på enheten och jämför patientens gång med profilen för en normal gånggång i realtid. Modellen kan berätta vilka parameterinställningar som förbättrar prestandan och vilka inställningar som försämrar prestandan. Med hjälp av förstärkningsinlärning, beräkningsmodellen kan snabbt identifiera den uppsättning parametrar som gör att patienten kan gå normalt. Befintliga tillvägagångssätt, förlitar sig på utbildade läkare, kan ta en halv dag."

    Medan arbetet för närvarande utförs i en kontrollerad, klinisk miljö, ett mål skulle vara att utveckla en trådlös version av systemet, vilket skulle tillåta användare att fortsätta finjustera de drivna protesparametrarna när de används i verkliga miljöer.

    "Detta arbete gjordes för scenarier där en patient går på en plan yta, men i princip vi skulle också kunna utveckla styrenheter för förstärkning av inlärning för situationer som att gå uppför eller nedför trappor, säger Jennie Si, medförfattare till uppsatsen och en professor i el, data- och energiteknik på ASU.

    "Jag har arbetat med förstärkningsinlärning ur ett dynamiskt systemkontrollperspektiv, som tar hänsyn till sensorljud, störningar från omgivningen, och kravet på systemsäkerhet och stabilitet, " säger Si. "Jag insåg den oöverträffade utmaningen att lära sig att kontrollera, i realtid, en protesanordning som samtidigt påverkas av den mänskliga användaren. Detta är ett samanpassningsproblem som inte har en lättillgänglig lösning från varken klassiska styrkonstruktioner eller nuvarande, toppmoderna robotar som styrs av förstärkningsinlärning. Vi är glada över att få reda på att vår styralgoritm för förstärkning av inlärning faktiskt lärde sig att få protesanordningen att fungera som en del av en mänsklig kropp i en så spännande tillämpningsmiljö."

    Huang säger att forskare hoppas kunna göra processen ännu mer effektiv. "Till exempel, vi tror att vi kanske kan förbättra processen genom att identifiera kombinationer av parametrar som är mer eller mindre sannolikt att lyckas, och träna modellen att fokusera först på de mest lovande parameterinställningarna."

    Forskarna noterar att medan detta arbete är lovande, många frågor måste lösas innan det är tillgängligt för allmänt bruk.

    "Till exempel, protesjusteringsmålet i denna studie är att möta normativa knärörelser vid gång, " säger Huang. "Vi tog inte hänsyn till annan gångprestanda (som gångsymmetri) eller användarens preferenser. För ett annat exempel, vår inställningsmetod kan användas för att finjustera enheten utanför kliniker och labb för att göra systemet anpassat över tid med användarens behov. Dock, vi måste säkerställa säkerheten vid användning i verkligheten eftersom kontrollfel kan leda till snubbling och fall. Ytterligare tester behövs för att visa säkerhet."

    Forskarna noterar också att om systemet visar sig vara effektivt och får stor användning, det skulle sannolikt minska kostnaderna för patienterna genom att begränsa behovet för patienter att göra kliniska besök för att arbeta med läkare.

    Pappret, "Online förstärkningsinlärningskontroll för personalisering av en robotknäprotes, "publiceras i tidningen IEEE-transaktioner på cybernetik .


    © Vetenskap https://sv.scienceaq.com