Sensor Logam Cair dan AI Membantu Tangan Palsu “Merasa”

Setiap ujung jari manusia memiliki lebih dari 3.000 reseptor sentuhan yang sebagian besar merespons tekanan. Manusia sangat bergantung pada sensasi di ujung jari mereka ketika memanipulasi suatu objek, sehingga kurangnya sensasi ini menghadirkan tantangan unik bagi individu dengan amputasi ekstremitas atas. Meskipun ada beberapa prostetik cekatan yang tersedia saat ini, semuanya tidak memiliki sensasi "sentuhan". Tidak adanya umpan balik sensorik ini menyebabkan benda secara tidak sengaja dijatuhkan atau dihancurkan oleh tangan palsu.

Untuk mengaktifkan antarmuka tangan prostetik yang terasa lebih alami, para peneliti memasukkan sensor taktil yang dapat diregangkan menggunakan logam cair di ujung jari tangan palsu. Dikemas dalam elastomer berbasis silikon, teknologi ini memberikan keunggulan utama dibandingkan sensor tradisional termasuk konduktivitas tinggi, kepatuhan, fleksibilitas, dan daya regangan. Integrasi sensasi taktil multi-jari yang hierarkis ini dapat memberikan tingkat kecerdasan yang lebih tinggi untuk tangan buatan.

Para peneliti menggunakan ujung jari individu pada prostesis untuk membedakan antara kecepatan gerakan geser yang berbeda di sepanjang permukaan bertekstur yang berbeda. Empat tekstur yang berbeda memiliki satu parameter variabel:jarak antara pegunungan. Untuk mendeteksi tekstur dan kecepatan, para peneliti melatih empat algoritma pembelajaran mesin. Untuk masing-masing dari sepuluh permukaan, 20 percobaan dikumpulkan untuk menguji kemampuan algoritme pembelajaran mesin untuk membedakan di antara sepuluh permukaan kompleks berbeda yang terdiri dari permutasi yang dihasilkan secara acak dari empat tekstur berbeda.

Hasil menunjukkan bahwa integrasi informasi taktil dari sensor logam cair pada empat ujung jari tangan palsu secara bersamaan dibedakan di antara permukaan multi-tekstur yang kompleks, menunjukkan bentuk baru kecerdasan hierarkis. Algoritme pembelajaran mesin mampu membedakan semua kecepatan dengan setiap jari dengan akurasi tinggi.

Tim membandingkan empat algoritma pembelajaran mesin yang berbeda untuk kemampuan klasifikasi mereka yang sukses:K-nearest neighbor (KNN), support vector machine (SVM), random forest (RF), dan neural network (NN). Fitur frekuensi waktu dari sensor logam cair diekstraksi untuk melatih dan menguji algoritme pembelajaran mesin. NN umumnya melakukan yang terbaik pada deteksi kecepatan dan tekstur dengan satu jari dan memiliki akurasi 99,2 persen untuk membedakan di antara sepuluh permukaan multi-tekstur yang berbeda menggunakan empat sensor logam cair dari empat jari secara bersamaan.

Meskipun kemajuan dalam kaki palsu telah bermanfaat dan memungkinkan orang yang diamputasi untuk melakukan tugas sehari-hari mereka dengan lebih baik, mereka tidak memberi mereka informasi sensorik seperti sentuhan. Mereka juga tidak memungkinkan mereka untuk mengontrol kaki palsu secara alami dengan pikiran mereka. Teknologi baru ini dapat membantu menyediakan perangkat prostetik yang lebih alami bagi orang yang diamputasi yang dapat "merasakan" dan merespons lingkungannya.