Flüssigmetallsensoren und KI helfen Prothesenhänden beim „Fühlen“

Jede menschliche Fingerspitze hat mehr als 3.000 Berührungsrezeptoren, die größtenteils auf Druck reagieren. Menschen verlassen sich stark auf die Empfindung in ihren Fingerspitzen, wenn sie ein Objekt manipulieren, daher stellt das Fehlen dieser Empfindung eine einzigartige Herausforderung für Personen mit Amputationen der oberen Extremitäten dar. Obwohl es heute mehrere geschickte Prothesen gibt, fehlt ihnen allen das Gefühl der „Berührung“. Das Fehlen dieses sensorischen Feedbacks führt dazu, dass Gegenstände versehentlich fallen gelassen oder von einer Handprothese zerquetscht werden.

Um ein natürlicheres Gefühl der prothetischen Handschnittstelle zu ermöglichen, integrierten die Forscher dehnbare taktile Sensoren unter Verwendung von flüssigem Metall an den Fingerspitzen einer prothetischen Hand. Diese Technologie ist in silikonbasierte Elastomere eingekapselt und bietet entscheidende Vorteile gegenüber herkömmlichen Sensoren, darunter hohe Leitfähigkeit, Nachgiebigkeit, Flexibilität und Dehnbarkeit. Diese hierarchische Integration von taktilen Empfindungen mit mehreren Fingern könnte ein höheres Maß an Intelligenz für künstliche Hände bieten.

Die Forscher verwendeten einzelne Fingerspitzen an der Prothese, um zwischen unterschiedlichen Geschwindigkeiten einer Gleitbewegung entlang unterschiedlich strukturierter Oberflächen zu unterscheiden. Die vier verschiedenen Texturen hatten einen variablen Parameter:den Abstand zwischen den Graten. Um die Texturen und Geschwindigkeiten zu erkennen, trainierten die Forscher vier maschinelle Lernalgorithmen. Für jede der zehn Oberflächen wurden 20 Versuche durchgeführt, um die Fähigkeit der maschinellen Lernalgorithmen zu testen, zwischen den zehn verschiedenen komplexen Oberflächen zu unterscheiden, die aus zufällig generierten Permutationen von vier verschiedenen Texturen bestehen.

Die Ergebnisse zeigten, dass die Integration taktiler Informationen von Flüssigmetallsensoren auf vier prothetischen Handfingerspitzen gleichzeitig zwischen komplexen, mehrfach strukturierten Oberflächen unterschieden wurde, was eine neue Form hierarchischer Intelligenz demonstriert. Die maschinellen Lernalgorithmen konnten mit hoher Genauigkeit zwischen allen Geschwindigkeiten mit jedem Finger unterscheiden.

Das Team verglich vier verschiedene maschinelle Lernalgorithmen auf ihre erfolgreichen Klassifizierungsfähigkeiten:K-nächster Nachbar (KNN), Support Vector Machine (SVM), Random Forest (RF) und neuronales Netzwerk (NN). Die Zeit-Frequenz-Merkmale der Flüssigmetallsensoren wurden extrahiert, um die maschinellen Lernalgorithmen zu trainieren und zu testen. Das NN schnitt im Allgemeinen bei der Geschwindigkeits- und Texturerkennung mit einem einzelnen Finger am besten ab und hatte eine Genauigkeit von 99,2 %, um zwischen zehn verschiedenen Oberflächen mit mehreren Texturen zu unterscheiden, wobei vier Flüssigmetallsensoren von vier Fingern gleichzeitig verwendet wurden.

Obwohl Fortschritte bei Prothesen von Vorteil sind und es Amputierten ermöglichen, ihre täglichen Aufgaben besser zu erfüllen, liefern sie ihnen keine sensorischen Informationen wie Berührungen. Sie ermöglichen es ihnen auch nicht, die Prothese auf natürliche Weise mit ihren Gedanken zu steuern. Die neue Technologie könnte dazu beitragen, Amputierten eine natürlichere Prothese bereitzustellen, die ihre Umgebung „fühlen“ und darauf reagieren kann.