Sensores de metal líquido e IA ajudam as mãos protéticas a “sentir”

Cada ponta do dedo humano tem mais de 3.000 receptores de toque que respondem amplamente à pressão. Os seres humanos dependem muito da sensação na ponta dos dedos ao manipular um objeto, portanto, a falta dessa sensação apresenta um desafio único para indivíduos com amputações de membros superiores. Embora existam várias próteses hábeis disponíveis hoje, todas elas não têm a sensação de “toque”. A ausência desse feedback sensorial resulta em objetos sendo derrubados ou esmagados inadvertidamente por uma mão protética.

Para permitir uma interface de mão protética mais natural, os pesquisadores incorporaram sensores táteis elásticos usando metal líquido nas pontas dos dedos de uma mão protética. Encapsulada em elastômeros à base de silicone, essa tecnologia oferece vantagens importantes sobre os sensores tradicionais, incluindo alta condutividade, conformidade, flexibilidade e elasticidade. Essa integração hierárquica de sensação tátil com vários dedos pode fornecer um nível mais alto de inteligência para mãos artificiais.

Os pesquisadores usaram as pontas dos dedos individuais na prótese para distinguir entre as 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, os 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 de distinguir entre as dez diferentes superfícies complexas compostas por permutações geradas aleatoriamente de quatro texturas diferentes.

Os resultados mostraram que a integração de informações táteis de sensores de metal líquido em quatro pontas de dedos protéticas da mão distinguiu simultaneamente entre superfícies complexas e multitexturizadas, 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 algoritmos de aprendizado de máquina diferentes para seus recursos de classificação bem-sucedidos:K-neest neighbor (KNN), máquina de vetor de suporte (SVM), floresta aleatória (RF) e rede neural (NN). Os recursos de tempo-frequência dos sensores de metal líquido foram extraídos para treinar e testar os algoritmos de aprendizado de máquina. O NN geralmente teve o melhor desempenho na detecção de velocidade e textura com um único dedo e teve uma precisão de 99,2% para distinguir entre dez diferentes superfícies multitexturizadas usando quatro sensores de metal líquido de quatro dedos simultaneamente.

Embora os avanços nos membros protéticos tenham sido benéficos e permitam que os amputados desempenhem melhor suas funções diárias, eles não lhes fornecem informações sensoriais como o toque. Eles também não permitem que eles controlem o membro protético naturalmente com suas mentes. A nova tecnologia pode ajudar a fornecer aos amputados um dispositivo protético mais natural que pode “sentir” e responder ao seu ambiente.