의수 "느낌"을 돕는 액체 금속 센서 및 AI

인간의 손가락 끝에는 압력에 크게 반응하는 3,000개 이상의 터치 수용체가 있습니다. 인간은 물체를 조작할 때 손가락 끝의 감각에 크게 의존하므로 이 감각의 부족은 상지 절단 환자에게 독특한 도전 과제가 됩니다. 오늘날 사용할 수 있는 손재주가 있는 의수가 몇 가지 있지만 모두 "촉각"의 감각이 부족합니다. 이러한 감각 피드백이 없으면 의수에 의해 물체가 부주의하게 떨어지거나 짓눌리게 됩니다.

보다 자연스러운 느낌의 의수 인터페이스를 구현하기 위해 연구원들은 의수 손가락 끝에 액체 금속을 사용하여 신축성 있는 촉각 센서를 통합했습니다. 실리콘 기반 엘라스토머 내에 캡슐화된 이 기술은 높은 전도성, 규정 준수, 유연성 및 신축성을 포함하여 기존 센서에 비해 주요 이점을 제공합니다. 이 계층적 다중 손가락 촉각 감각 통합은 인공 손에 더 높은 수준의 지능을 제공할 수 있습니다.

연구원들은 서로 다른 질감의 표면을 따라 슬라이딩 동작의 서로 다른 속도를 구별하기 위해 보철물에 개별 손가락 끝을 사용했습니다. 네 가지 다른 텍스처에는 융기선 사이의 거리라는 변수 매개변수가 하나 있었습니다. 텍스처와 속도를 감지하기 위해 연구원들은 4가지 기계 학습 알고리즘을 훈련했습니다. 10개의 표면 각각에 대해 20개의 시도가 수집되어 4가지 다른 텍스처의 무작위로 생성된 순열로 구성된 10개의 서로 다른 복잡한 표면을 구별하는 기계 학습 알고리즘의 능력을 테스트했습니다.

결과는 액체 금속 센서의 촉각 정보를 4개의 의수 손가락 끝에 통합하여 복잡한 다중 질감 표면을 동시에 구별함으로써 새로운 형태의 계층적 지능을 보여주었다는 것을 보여주었습니다. 기계 학습 알고리즘은 각 손가락의 모든 속도를 높은 정확도로 구별할 수 있었습니다.

팀은 성공적인 분류 기능을 위해 KNN(K-Nearest Neighbor), SVM(Support Vector Machine), RF(Random Forest) 및 NN(신경망)의 4가지 다른 기계 학습 알고리즘을 비교했습니다. 기계 학습 알고리즘을 훈련하고 테스트하기 위해 액체 금속 센서의 시간-주파수 특성이 추출되었습니다. NN은 일반적으로 한 손가락으로 속도와 질감 감지에서 최고의 성능을 보였고 4개의 손가락에서 동시에 4개의 액체 금속 센서를 사용하여 10개의 서로 다른 다중 질감 표면을 구별하는 99.2%의 정확도를 보였습니다.

의족의 발전이 도움이 되었고 절단 환자가 일상 업무를 더 잘 수행할 수 있게 해주었지만 촉각과 같은 감각 정보는 제공하지 않습니다. 그들은 또한 마음으로 자연스럽게 의수를 제어할 수 없습니다. 새로운 기술은 절단된 환자에게 환경을 "느끼고" 반응할 수 있는 보다 자연스러운 보철 장치를 제공하는 데 도움이 될 수 있습니다.