Sensores de Metal Líquido e IA Restauram Tato em Mãos Protéticas

Cada ponta de dedo humano tem mais de 3.000 receptores de tato que respondem largamente à pressão. Humanos dependem fortemente da sensação em suas pontas de dedos ao manipular um objeto, então a falta desta sensação apresenta um desafio único para indivíduos com amputações de membros superiores. Embora existam várias próteses dexteras disponíveis hoje, todas elas carecem da sensação de "tato". A ausência deste feedback sensorial resulta em objetos inadvertidamente sendo derrubados ou esmagados por uma mão protética.

Para permitir uma interface de mão protética mais natural, pesquisadores incorporaram sensores táteis elásticos usando metal líquido nas pontas dos dedos de uma mão protética. Encapsulados dentro de elastômeros baseados em silicone, esta tecnologia fornece vantagens-chave sobre sensores tradicionais incluindo alta condutividade, complacência, flexibilidade e elasticidade. Esta integração hierárquica de sensação tátil multi-dedo poderia fornecer um nível mais alto de inteligência para mãos artificiais.

Os pesquisadores usaram pontas de dedos individuais na prótese para distinguir entre diferentes velocidades de um movimento de deslizamento ao longo de diferentes superfícies texturizadas. As quatro texturas diferentes tinham um parâmetro variável: a distância entre as cristas. Para detectar as texturas e velocidades, pesquisadores treinaram quatro algoritmos de aprendizado de máquina. Para cada uma das dez superfícies, 20 tentativas foram coletadas para testar a capacidade dos algoritmos de aprendizado de máquina distinguir entre as dez superfícies complexas diferentes compreendendo permutações aleatoriamente geradas de quatro texturas diferentes.

Resultados mostraram que a integração de informação tátil de sensores de metal líquido em quatro pontas de dedos de mão protética simultaneamente distinguiram entre superfícies complexas multi-texturizadas, demonstrando uma nova forma de inteligência hierárquica. Os algoritmos de aprendizado de máquina foram capazes de distinguir entre todas as velocidades com cada dedo com alta precisão.

A equipe comparou quatro diferentes algoritmos de aprendizado de máquina para suas capacidades de classificação bem-sucedidas: K-vizinhos mais próximos (KNN), máquina de vetores de suporte (SVM), floresta aleatória (RF) e rede neural (NN). As características tempo-frequência dos sensores de metal líquido foram extraídas para treinar e testar os algoritmos de aprendizado de máquina. A NN geralmente performou melhor na detecção de velocidade e textura com um único dedo e teve 99,2 por cento de precisão para distinguir entre dez superfícies multi-texturizadas diferentes usando quatro sensores de metal líquido de quatro dedos simultaneamente.

Embora avanços em membros protéticos tenham sido benéficos e permitam que amputados realizem melhor seus deveres diários, eles não fornecem informação sensorial como tato. Eles também não permitem que controlem o membro protético naturalmente com suas mentes. A nova tecnologia poderia ajudar a fornecer amputados com um dispositivo protético mais natural que pode "sentir" e responder a seu ambiente.