Un cadru de control EMG bazat pe AI îmbunătățește asistența robotică pentru vârstnici
Pe măsură ce îmbătrânim, scăderea forței musculare, coordonării și funcției senzoriale face ca activitățile zilnice, cum ar fi spălarea rufelor, îmbrăcarea, gătitul, transportul obiectelor și utilizarea uneltelor, să devină din ce în ce mai dificile.
Aceaste dificultăți nu doar că reduc confortul în viața de zi cu zi, dar limitează și independența persoanelor în vârstă. Pentru a răspunde nevoii tot mai mari de asistență pentru vârstnici, tehnologiile asistive, precum scaunele cu rotile electrice, protezele și exoscheletele moi, au continuat să evolueze. Capacitatea acestor dispozitive de a înțelege în mod natural intențiile motorii umane rămâne o problemă cheie în îmbunătățirea colaborării dintre oameni și roboți. Semnalele electromiografice (EMG) reflectă activitatea musculară și controlul neuromuscular, apărând de obicei înainte de mișcarea vizibilă a membrului, făcându-le o interfață intuitivă și naturală pentru controlul roboților asistenți. Totuși, implementarea controlului bazat pe EMG în utilizarea cotidiană în timp real se confruntă cu mai multe provocări.
În primul rând, mapping-ul fiabil între semnalele EMG și intenția motorie depinde de etichetarea precisă. Etichetarea manuală tradițională sau sistemele externe de captare a mișcării cresc complexitatea și sarcina de lucru. În al doilea rând, multe dintre metodele existente se concentrează în continuare pe recunoașterea mișcărilor la nivel de articulație singulară sau modelarea independentă a articulațiilor, ceea ce face dificilă capturarea mișcărilor coordonate ale mai multor articulații, cum ar fi cele implicate în activitățile zilnice ale mâinii și cotului. În al treilea rând, semnalele EMG variază în funcție de sarcini, posturi și scenarii de aplicare, astfel încât modelele întâmpină dificultăți în generalizarea la noi activități și pot uita capacitățile învățate anterior. Prin urmare, pentru asistența reală a vârstnicilor, există o nevoie clară de un cadru unificat de control EMG inteligent care să abordeze simultan etichetarea semnalelor fiziologice, decodificarea intenției multijoint și adaptarea la sarcinile comportamentale.
În acest context, cercetarea a propus un cadru de control EMG bazat pe AI, structurat pe 3 niveluri, destinat asistenței membrelor superioare pentru persoanele în vârstă, care traduce semnalele EMG în acțiuni robotice asistentive la niveluri fiziologice, funcționale și comportamentale. Cercetătorii au colectat date EMG pentru membrele superioare de la participanți tineri și vârstnici, concentrându-se pe 4 mușchi relevanți pentru mișcările mâinii și cotului: tricepsul, bicepsul, extensorul digitorum și flexorul digitorum superficialis. Bazându-se pe diferitele caracteristici de activare musculară, au fost concepute metodele de etichetare activă selectivă și etichetare contextuală pentru a reduce dependența de etichetarea manuală și dispozitivele externe de captare a mișcării. La nivel funcțional, a fost construit un model de rețea neuronală convoluțională unidimensională pentru a prezice simultan stările mâinii, inclusiv relaxată, deschisă și închisă, și stările cotului, inclusiv relaxat, flexat și extins, din semnalele EMG cu 4 canale, folosind un mecanism de votare pentru a stabiliza ieșirile în timp real. La nivel comportamental, a fost introdusă distilarea cunoștințelor, astfel încât modelul să poată învăța noi sarcini zilnice, cum ar fi gătitul, ridicarea unei sacoșe și tragerea unui cărucior de cumpărături, păstrând în același timp cunoștințele de bază despre mișcările articulațiilor. În cele din urmă, cadrul a fost implementat într-un sistem de control robotic în timp real, combinând achiziția EMG, computația la margine și un braț robotic colaborativ cu 6 axe pentru a valida fezabilitatea sa în scenariile de asistență zilnică.
Rezultatele au arătat că cadrul de control EMG bazat pe AI pe 3 niveluri a îmbunătățit eficient etichetarea EMG, recunoașterea intenției multijoint și adaptarea la sarcinile zilnice. La nivel fiziologic, etichetarea activă selectivă a fost mai potrivită pentru deschiderea și închiderea mâinii, unde semnalele EMG au arătat fluctuații scurte și puternice, în timp ce etichetarea contextuală a fost mai adecvată pentru flexia și extensia cotului, unde activarea musculară a fost mai continuă. Ambele strategii au redus sarcina de etichetare manuală, menținând în același timp consistența cu stările reale de mișcare. La nivel funcțional, rețeaua neuronală convoluțională unidimensională a realizat o predicție stabilă a stării mâinii și cotului, cu acuratețe offline de 95,42% și, respectiv, 93,97%. În coordonarea multijoint în timp real, modelul a atins o acuratețe generală de 95,34% pe parcursul a 9 combinații de mișcare mâini-cot și a reușit să conducă asistența robotică coordonată cu succes. La nivel comportamental, distilarea cunoștințelor a ajutat modelul să se adapteze la activități zilnice mai complexe, cum ar fi gătitul, ridicarea unei sacoșe și tragerea unui cărucior de cumpărături. În sarcina de gătit, modelul student a îmbunătățit semnificativ predicția mâinii și cotului comparativ cu modelul profesor, cu o îmbunătățire maximă de 11,25%, păstrând în același timp cunoștințele de bază despre mișcările articulațiilor. Experimentele robotice în timp real au arătat că sistemul putea controla brațul robotic în conformitate cu intențiile EMG ale utilizatorilor pentru a ridica, muta și a pune jos un wok, validând stabilitatea și potențialul practic pentru asistența zilnică a vârstnicilor.
Importanța acestei lucrări constă în oferirea unui parcurs tehnic complet, de la procesarea semnalelor EMG fiziologice la decodificarea funcțională a intenției multijoint și adaptarea comportamentală în activitățile zilnice. Acest lucru permite roboților de asistență pentru vârstnici să depășească recunoașterea mișcărilor izolate și să răspundă mai bine nevoilor reale pentru acțiuni coordonate ale mâinii și cotului în contexte de sarcină schimbătoare. Prin proiectarea unor metode de etichetare informate fiziologic, studiul a redus dependența de etichetarea manuală și dispozitivele de sensing externe; prin construirea unui model convoluțional unidimensional multi-iesire la nivel funcțional, a realizat o recunoaștere precisă a coordonării multijoint; și prin introducerea distilării cunoștințelor la nivel comportamental, modelul a putut învăța noi sarcini zilnice, păstrând în același timp abilitățile de bază dobândite anterior, îmbunătățind astfel adaptabilitatea și scalabilitatea pentru utilizarea pe termen lung.
