Flüssigmetall-Sensoren und KI stellen Tastsinn bei Prothesenhänden wieder her

Jede menschliche Fingerspitze hat mehr als 3.000 Tastrezeptoren, die weitgehend auf Druck reagieren. Menschen verlassen sich stark auf das Empfinden an ihren Fingerspitzen beim Manipulieren eines Objekts, daher stellt das Fehlen dieses Empfindens eine einzigartige Herausforderung für Personen mit oberen Gliedmaßenamputationen dar. Obwohl es heute mehrere dexteröse Prothesen gibt, fehlt ihnen allen das „Tastgefühl“. Das Fehlen dieser sensorischen Rückmeldung führt dazu, dass Objekte versehentlich fallen gelassen oder von einer Prothesenhand zerdrückt werden.

Um ein natürlicheres Prothesenhand-Interface zu ermöglichen, integrierten Forscher dehnbare taktile Sensoren mit Flüssigmetall an den Fingerspitzen einer Prothesenhand. In silikonbasierte Elastomere eingekapselt, bietet diese Technologie entscheidende Vorteile gegenüber herkömmlichen Sensoren, einschließlich hoher Leitfähigkeit, Nachgiebigkeit, Flexibilität und Dehnbarkeit. Diese hierarchische Multi-Finger-Tastempfindungs-Integration könnte einen höheren Intelligenzgrad für künstliche Hände bieten.

Die Forscher nutzten einzelne Fingerspitzen an der Prothese, um zwischen verschiedenen Geschwindigkeiten einer Gleitbewegung entlang unterschiedlich texturierter Oberflächen zu unterscheiden. Die vier verschiedenen Texturen hatten einen variablen Parameter: den Abstand zwischen den Rillen. Um die Texturen und Geschwindigkeiten zu detektieren, trainierten die Forscher vier Machine-Learning-Algorithmen. Für jede der zehn Oberflächen wurden 20 Versuche gesammelt, um die Fähigkeit der Machine-Learning-Algorithmen zu testen, zwischen den zehn verschiedenen komplexen Oberflächen zu unterscheiden, die aus zufällig generierten Permutationen der vier verschiedenen Texturen bestanden.

Die Ergebnisse zeigten, dass die Integration taktiler Informationen von Flüssigmetallsensoren an vier Prothesenhand-Fingerspitzen gleichzeitig zwischen komplexen, mehrtexturierten Oberflächen unterscheiden konnte, was eine neue Form hierarchischer Intelligenz demonstriert. Die Machine-Learning-Algorithmen konnten alle Geschwindigkeiten mit jedem Finger mit hoher Genauigkeit unterscheiden.

Das Team verglich vier verschiedene Machine-Learning-Algorithmen hinsichtlich ihrer erfolgreichen Klassifikationsfähigkeiten: K-Nearest Neighbor (KNN), Support Vector Machine (SVM), Random Forest (RF) und Neural Network (NN). Die Zeit-Frequenz-Merkmale der Flüssigmetallsensoren wurden extrahiert, um die Machine-Learning-Algorithmen zu trainieren und zu testen. Das NN performte allgemein am besten bei Geschwindigkeits- und Texturdetektion mit einem einzelnen Finger und hatte eine Genauigkeit von 99,2 %, um zwischen zehn verschiedenen mehrtexturierten Oberflächen mit vier Flüssigmetallsensoren von vier Fingern gleichzeitig zu unterscheiden.

Obwohl Fortschritte bei Prothesengliedmaßen nützlich waren und Amputierten ermöglichen, ihre täglichen Aufgaben besser zu bewältigen, bieten sie ihnen keine sensorischen Informationen wie Berührung. Sie ermöglichen es ihnen auch nicht, das Prothesenglied natürlich mit ihren Gedanken zu steuern. Die neue Technologie könnte helfen, Amputierten ein natürlicheres Prothesengerät zu bieten, das „fühlen“ und auf seine Umgebung reagieren kann.