Forstærkningslæring fremskynder tuning af robotproteser

Forskere fra North Carolina State University, University of North Carolina og Arizona State University har udviklet et intelligent system til at "tune" drevne knæproteser, giver patienterne mulighed for at gå komfortabelt med protesen på få minutter, snarere end de nødvendige timer, hvis enheden er tunet af en uddannet klinisk praktiserende læge. Systemet er det første, der udelukkende er afhængigt af forstærkningslæring for at tune robotprotesen.

Når en patient modtager en robotknæprotese, enheden skal tunes til at imødekomme den specifikke patient. Det nye tuning system justerer 12 forskellige kontrolparametre, adressering af protesens dynamik, såsom ledstivhed, gennem hele gangcyklussen.

Normalt, en menneskelig praktiserende læge arbejder sammen med patienten for at ændre en håndfuld parametre. Dette kan tage timer. Det nye system er afhængig af et computerprogram, der gør brug af forstærkningslæring til at ændre alle 12 parametre. Det giver patienter mulighed for at bruge en drevet knæprotese til at gå på en plan overflade på cirka 10 minutter.

"Vi begynder med at give en patient en drevet knæprotese med et tilfældigt udvalgt sæt parametre, " siger Helen Huang, medforfatter til et papir om arbejdet og en professor i Joint Department of Biomedical Engineering ved NC State og UNC. "Så får vi patienten til at begynde at gå, under kontrollerede omstændigheder.

"Data på enheden og patientens gang indsamles via en række sensorer i enheden, " siger Huang. "En computermodel tilpasser parametre på enheden og sammenligner patientens gangart med profilen af ​​en normal ganggang i realtid. Modellen kan fortælle, hvilke parameterindstillinger der forbedrer ydeevnen, og hvilke indstillinger der forringer ydeevnen. Brug af forstærkende læring, beregningsmodellen kan hurtigt identificere det sæt af parametre, der gør det muligt for patienten at gå normalt. Eksisterende tilgange, stole på uddannede klinikere, kan tage en halv dag."

Mens arbejdet i øjeblikket udføres i en kontrolleret, kliniske omgivelser, et mål ville være at udvikle en trådløs version af systemet, hvilket ville give brugerne mulighed for at fortsætte med at finjustere de motordrevne proteseparametre, når de bruges i virkelige miljøer.

"Dette arbejde blev udført for scenarier, hvor en patient går på en plan overflade, men i princippet vi kunne også udvikle forstærkende læringscontrollere til situationer som at gå op eller ned ad trapper, " siger Jennie Si, medforfatter af papiret og en professor i elektrisk, computer- og energiteknik på ASU.

"Jeg har arbejdet med forstærkningslæring fra det dynamiske systemkontrolperspektiv, som tager højde for sensorstøj, interferens fra omgivelserne, og kravet om systemsikkerhed og stabilitet, " siger Si. "Jeg genkendte den hidtil usete udfordring med at lære at kontrollere, i realtid, en proteseanordning, der samtidigt påvirkes af den menneskelige bruger. Dette er et co-tilpasningsproblem, der ikke har en let tilgængelig løsning fra hverken klassiske kontroldesigns eller de nuværende, state-of-the-art forstærkningslæring kontrollerede robotter. Vi er begejstrede for at finde ud af, at vores forstærkningsindlæringskontrolalgoritme faktisk lærte at få proteseanordningen til at fungere som en del af en menneskelig krop i så spændende applikationer."

Huang siger, at forskere håber at gøre processen endnu mere effektiv. "For eksempel, vi tror, ​​at vi muligvis kan forbedre processen ved at identificere kombinationer af parametre, der er mere eller mindre tilbøjelige til at lykkes, og træne modellen til først at fokusere på de mest lovende parameterindstillinger."

Forskerne bemærker, at mens dette arbejde er lovende, mange spørgsmål skal behandles, før det er tilgængeligt til udbredt brug.

"For eksempel, protesetuningsmålet i denne undersøgelse er at opfylde normative knæbevægelser ved gang, " siger Huang. "Vi tog ikke hensyn til anden gangpræstation (såsom gangsymmetri) eller brugerens præferencer. For et andet eksempel, vores tuning-metode kan bruges til at finjustere enheden uden for klinikker og laboratorier for at gøre systemet tilpasset over tid med brugerens behov. Imidlertid, vi er nødt til at sikre sikkerheden i den virkelige verden, da fejl i kontrol kan føre til snuble og fald. Yderligere test er nødvendig for at vise sikkerhed."

Forskerne bemærker også, at hvis systemet viser sig at være effektivt og kommer i udbredt brug, det vil sandsynligvis reducere omkostningerne for patienterne ved at begrænse behovet for, at patienterne skal aflægge kliniske besøg for at arbejde med praktiserende læger.

Papiret, "Online forstærkningsindlæringskontrol til personalisering af en robotknæprotese, " er offentliggjort i tidsskriftet IEEE-transaktioner på kybernetik .