Sensores de metal líquido e IA restauran el tacto en manos prostéticas

Cada yema de dedo humana tiene más de 3,000 receptores táctiles que responden principalmente a la presión. Los humanos dependen en gran medida de la sensación en sus yemas de dedos al manipular un objeto, por lo que la falta de esta sensación presenta un desafío único para personas con amputaciones de miembros superiores. Aunque hay varias prótesis hábiles disponibles hoy, todas carecen de la sensación de "tacto". La ausencia de esta retroalimentación sensorial resulta en objetos inadvertidamente caídos o aplastados por una mano prostética.

Para permitir una interfaz de mano prostética más natural, los investigadores incorporaron sensores táctiles elásticos usando metal líquido en las yemas de los dedos de una mano prostética. Encapsulados dentro de elastómeros basados en silicona, esta tecnología proporciona ventajas clave sobre sensores tradicionales incluyendo alta conductividad, cumplimiento, flexibilidad y elasticidad. Esta integración sensorial táctil multi-dedo jerárquica podría proporcionar un nivel superior de inteligencia para manos artificiales.

Los investigadores usaron yemas de dedos individuales en la prótesis para distinguir entre diferentes velocidades de un movimiento deslizante a lo largo de diferentes superficies texturizadas. Las cuatro texturas diferentes tenían un parámetro variable: la distancia entre las crestas. Para detectar las texturas y velocidades, los investigadores entrenaron cuatro algoritmos de aprendizaje automático. Para cada una de las diez superficies, se recopilaron 20 ensayos para probar la capacidad de los algoritmos de aprendizaje automático para distinguir entre las diez superficies complejas diferentes compuestas de permutaciones aleatorias de cuatro texturas diferentes.

Los resultados mostraron que la integración de información táctil de sensores de metal líquido en cuatro yemas de dedos de mano prostética simultáneamente distinguió entre superficies complejas multi-texturizadas, demostrando una nueva forma de inteligencia jerárquica. Los algoritmos de aprendizaje automático pudieron distinguir entre todas las velocidades con cada dedo con alta precisión.

El equipo comparó cuatro diferentes algoritmos de aprendizaje automático para sus capacidades de clasificación exitosa: vecino más cercano K (KNN), máquina de vectores de soporte (SVM), bosque aleatorio (RF) y red neuronal (NN). Las características tiempo-frecuencia de los sensores de metal líquido se extrajeron para entrenar y probar los algoritmos de aprendizaje automático. La NN generalmente funcionó mejor en detección de velocidad y textura con un solo dedo y tuvo una precisión del 99.2 por ciento para distinguir entre diez superficies multi-texturizadas diferentes usando cuatro sensores de metal líquido de cuatro dedos simultáneamente.

Aunque los avances en extremidades prostéticas han sido beneficiosos y permiten a amputados realizar mejor sus tareas diarias, no les proporcionan información sensorial como el tacto. Tampoco les permiten controlar la extremidad prostética naturalmente con sus mentes. La nueva tecnología podría ayudar a proporcionar a amputados un dispositivo prostético más natural que pueda "sentir" y responder a su entorno.