Sensor Logam Cair dan AI Kembalikan Sentuhan pada Tangan Prostetik
Setiap jari manusia memiliki lebih dari 3.000 reseptor sentuhan yang sebagian besar merespons tekanan. Manusia sangat bergantung pada sensasi di ujung jari saat memanipulasi objek, jadi kehilangan sensasi ini menantang unik bagi individu dengan amputasi anggota tubuh atas. Meskipun ada beberapa prostetik cerdas yang tersedia saat ini, mereka semua tidak memiliki sensasi "sentuhan." Ketidakadaan umpan balik sensorik ini mengakibatkan objek secara tidak sengaja terjatuh atau hancur oleh tangan prostetik.
Untuk mengaktifkan antarmuka tangan prostetik yang lebih alami, peneliti memasukkan sensor taktil stretchable menggunakan logam cair di ujung jari tangan prostetik. Diperlindungi dalam elastomer berbasis silicone, teknologi ini memberikan keuntungan utama dibandingkan sensor tradisional termasuk konduktivitas tinggi, kepatuhan, fleksibilitas, dan stretchability. Integrasi sensasi taktil multi-jari hierarkis ini dapat memberikan tingkat kecerdasan yang lebih tinggi untuk tangan buatan.
Peneliti menggunakan jari individu pada prosesa untuk membedakan antara kecepatan berbeda gerakan meluncur di sepanjang permukaan tekstur yang berbeda. Empat tekstur berbeda memiliki satu parameter variabel: jarak antara riak. Untuk mendeteksi tekstur dan kecepatan, peneliti melatih empat algoritma pembelajaran mesin. Untuk masing-masing dari sepuluh permukaan, 20 percobaan dikumpulkan untuk menguji kemampuan algoritma pembelajaran mesin untuk membedakan antara sepuluh permukaan kompleks yang berbeda yang terdiri dari permutasi acak dari empat tekstur berbeda.
Hasil menunjukkan bahwa integrasi informasi taktil dari sensor logam cair pada empat jari tangan prostetik secara bersamaan membedakan antara permukaan multi-tekstur kompleks, mendemonstrasi bentuk baru kecerdasan hierarkis. Algoritma pembelajaran mesin mampu membedakan antara semua kecepatan dengan setiap jari dengan akurasi tinggi.
Tim membandingkan empat algoritma pembelajaran mesin berbeda untuk kemampuan klasifikasi yang sukses: K-nearest neighbor (KNN), support vector machine (SVM), random forest (RF), dan neural network (NN). Fitur waktu-frekuensi dari sensor logam cair diekstraksi untuk melatih dan menguji algoritma pembelajaran mesin. NN secara umum berkinerja terbaik pada deteksi kecepatan dan tekstur dengan satu jari dan memiliki akurasi 99,2 persen untuk membedakan antara sepuluh permukaan multi-tekstur berbeda menggunakan empat sensor logam cair dari empat jari secara bersamaan.
Meskipun kemajuan dalam anggota prostetik telah bermanfaat dan memungkinkan amputasi untuk melaksanakan tugas harian mereka dengan lebih baik, mereka tidak menyediakan informasi sensorik seperti sentuhan. Mereka juga tidak memungkinkan mereka untuk mengontrol anggota prostetik secara alami dengan pikiran mereka. Teknologi baru ini dapat membantu memberikan amputasi dengan perangkat prostetik yang lebih alami yang dapat "merasakan" dan merespons lingkungannya.
