Forscher von der North Carolina State University, der University of North Carolina und Arizona State University haben ein intelligentes system entwickelt, für „tuning“ powered prothetische Knie, so dass die Patienten bequem gehen mit der Prothese in Minuten, anstatt Stunden erforderlich, wenn das Gerät abgestimmt ist, die von einem ausgebildeten klinischen Praktiker. Das system ist die erste, die sich ausschließlich auf reinforcement learning bei der Optimierung der Roboter-Prothese.
Wenn ein patient erhält eine Roboter-Prothesen Knie, das Gerät muss optimiert werden, um die Aufnahme bestimmter Patienten. Das neue tuning-system tweaks 12 verschiedene Parameter der Steuerung, der Adressierung Prothese Dynamik, wie Gelenksteife, während des gesamten schrittzyklus.
Normalerweise ist eine menschliche Praktiker arbeitet mit dem Patienten zu ändern, eine Handvoll Parameter. Das kann Stunden dauern. Das neue system stützt sich auf ein computer-Programm, mit dem Einsatz von reinforcement learning für die Bearbeitung aller 12 Parameter. Es ermöglicht den Patienten zu verwenden powered prothetische Knie zu gehen auf einer Ebenen Fläche in etwa 10 Minuten.
„Wir beginnen, indem wir einen Patienten, einen aktiven prothetischen Knie mit einem zufällig ausgewählten Satz von Parametern,“ sagt Helen Huang, co-Autor eines Papiers auf der Arbeit und ein professor in die Gemeinsame Abteilung der Biomedizinischen Technik an der NC State und UNC. „Wir haben dann die Patienten beginnen zu Fuß, unter kontrollierten Bedingungen.
„Daten auf dem Gerät und der patient hat die Gang sind, die über eine suite von sensoren im Gerät werden“, sagt Huang. „Ein computer-Modell passt die Parameter an das Gerät und vergleicht die Patienten-Gang, um das Profil eines normalen Gangbild in Echtzeit. Das Modell kann erklären, welche parameter-Einstellungen verbessern Sie die Leistung und die Einstellungen, die die Leistung beeinträchtigen. Mithilfe von reinforcement learning, das Computer-Modell können Sie schnell identifizieren, Satz von Parametern, die dem Patienten ermöglicht, normal zu laufen. Bestehende Ansätze, die sich auf ausgebildete ärzte, können einen halben Tag.“
Während der arbeiten ist derzeit in einer kontrollierten klinischen Einstellung, ein Ziel wäre die Entwicklung einer drahtlosen version des Systems, die es erlauben würde, die Benutzer, um weiter fein-tuning der angetriebenen Prothese Parameter beim Einsatz in realen Umgebungen.
„Diese Arbeit war getan, für Szenarien, in denen ein patient zu Fuß auf eine Ebene Oberfläche, aber im Prinzip könnten wir auch entwickeln reinforcement learning-Controller für Situationen wie aufsteigende oder absteigende Treppe“, sagt Jennie Si, co-Autor des Papiers und ein professor der Elektrotechnik, computer-und Energietechnik an der ASU.
„Ich habe gearbeitet auf reinforcement learning aus der dynamischen system-control-Perspektive, die berücksichtigt, sensor, Rauschen, Störungen aus der Umwelt, und die Nachfrage-system von Sicherheit und Stabilität,“ Si sagt. „Ich erkannte die beispiellose Herausforderung des Lernens zu Steuern, in Echtzeit, eine prothetische Vorrichtung, die gleichzeitig die betroffenen durch den menschlichen Benutzer. Dies ist eine co-Anpassung problem, dass nicht eine leicht verfügbare Lösung, die entweder aus den klassischen control-Modelle oder die aktuellen, state-of-the-art-reinforcement learning gesteuerten Roboter. Wir sind begeistert zu erfahren, dass unsere reinforcement learning-control-Algorithmus tatsächlich lernen, um die Prothese als Teil des menschlichen Körpers in einer so spannenden Anwendungen einrichten.“
Huang sagt, dass die Forscher hoffen, um den Prozess noch effizienter zu gestalten. „Wir denken zum Beispiel können wir eine Verbesserung des Prozesses durch identifizieren von Kombinationen der Parameter, die mehr oder weniger wahrscheinlich, um erfolgreich zu sein, und trainieren des Modells, um zuerst den Fokus auf die vielversprechendsten parameter-Einstellungen.“
Die Forscher beachten, dass, während diese Arbeit ist vielversprechend, viele Fragen, die angegangen werden müssen, bevor Sie für weit verbreiteten Gebrauch.
„Zum Beispiel, die Prothese tuning Ziel dieser Studie ist es, zu treffen normativen Knie-Bewegung beim gehen,“, sagt Huang. „Wir haben keine andere Gang Leistung (wie die Gang-Symmetrie) oder Präferenz des Nutzers. Für ein anderes Beispiel, unsere tuning-Methode kann verwendet werden, um die Feinabstimmung der Geräte, die außerhalb von Kliniken und Labors zu machen, das system adaptive Laufe der Zeit mit dem Benutzer benötigen. Wir müssen jedoch zur Gewährleistung der Sicherheit in der realen Welt verwenden, da Fehler in der Steuerung führen könnte, zu stolpern und fällt. Zusätzliche Tests erforderlich, um zu zeigen, Sicherheit.“
Die Forscher beachten Sie auch, dass, wenn das system nicht beweisen, um wirksam zu sein und geben Sie weit verbreitet, und es würde wahrscheinlich Reduzierung der Kosten für die Patienten durch die Einschränkung der Notwendigkeit für die Patienten, um die klinische Besuche, um die Arbeit mit Praktikern.