• Home
  • Chimie
  • Astronomie
  • Énergie
  • La nature
  • Biologie
  • Physique
  • Électronique
  • L'apprentissage par renforcement accélère le réglage des prothèses robotiques

    Crédit :Université d'État de Caroline du Nord

    Des chercheurs de l'Université d'État de Caroline du Nord, l'Université de Caroline du Nord et l'Université d'État de l'Arizona ont mis au point un système intelligent pour « réglage » des genoux prothétiques motorisés, permettant aux patients de marcher confortablement avec le dispositif prothétique en quelques minutes, plutôt que les heures nécessaires si l'appareil est réglé par un praticien clinique qualifié. Le système est le premier à s'appuyer uniquement sur l'apprentissage par renforcement pour régler la prothèse robotique.

    Lorsqu'un patient reçoit une prothèse de genou robotisée, l'appareil doit être réglé pour s'adapter à ce patient spécifique. Le nouveau système de réglage modifie 12 paramètres de contrôle différents, aborder la dynamique de la prothèse, comme la raideur articulaire, tout au long du cycle de marche.

    Normalement, un praticien humain travaille avec le patient pour modifier une poignée de paramètres. Cela peut prendre des heures. Le nouveau système repose sur un programme informatique qui utilise l'apprentissage par renforcement pour modifier les 12 paramètres. Il permet aux patients d'utiliser une prothèse de genou motorisée pour marcher sur une surface plane en 10 minutes environ.

    "Nous commençons par donner à un patient une prothèse de genou motorisée avec un ensemble de paramètres choisis au hasard, " dit Hélène Huang, co-auteur d'un article sur les travaux et professeur au département conjoint de génie biomédical de l'État de Caroline du Nord et de l'UNC. « Nous demandons ensuite au patient de commencer à marcher, dans des circonstances contrôlées.

    "Les données sur l'appareil et la démarche du patient sont collectées via une suite de capteurs dans l'appareil, " dit Huang. " Un modèle informatique adapte les paramètres de l'appareil et compare la démarche du patient au profil d'une démarche de marche normale en temps réel. Le modèle peut dire quels réglages de paramètres améliorent les performances et quels réglages altèrent les performances. En utilisant l'apprentissage par renforcement, le modèle informatique peut identifier rapidement l'ensemble de paramètres qui permet au patient de marcher normalement. Approches existantes, s'appuyer sur des cliniciens formés, peut prendre une demi-journée."

    Bien que le travail soit actuellement effectué dans un environnement contrôlé, milieu clinique, un objectif serait de développer une version sans fil du système, ce qui permettrait aux utilisateurs de continuer à affiner les paramètres de la prothèse motorisée lorsqu'elle est utilisée dans des environnements réels.

    "Ce travail a été fait pour des scénarios dans lesquels un patient marche sur une surface plane, mais en principe, nous pourrions également développer des contrôleurs d'apprentissage par renforcement pour des situations telles que monter ou descendre des escaliers, " dit Jennie Si, co-auteur de l'article et professeur d'électricité, ingénierie informatique et énergétique à l'ASU.

    "J'ai travaillé sur l'apprentissage par renforcement du point de vue du contrôle dynamique du système, qui prend en compte le bruit du capteur, interférence de l'environnement, et la demande de sécurité et de stabilité du système, " dit Si. " J'ai reconnu le défi sans précédent d'apprendre à contrôler, en temps réel, un dispositif prothétique qui est simultanément affecté par l'utilisateur humain. Il s'agit d'un problème de co-adaptation qui n'a pas de solution facilement disponible à partir des conceptions de commande classiques ou du courant, robots contrôlés par apprentissage par renforcement à la pointe de la technologie. Nous sommes ravis de découvrir que notre algorithme de contrôle de l'apprentissage par renforcement a en fait appris à faire fonctionner le dispositif prothétique dans le cadre d'un corps humain dans un cadre d'applications aussi passionnant. »

    Huang dit que les chercheurs espèrent rendre le processus encore plus efficace. "Par exemple, nous pensons pouvoir améliorer le processus en identifiant des combinaisons de paramètres plus ou moins susceptibles de réussir, et entraîner le modèle à se concentrer d'abord sur les paramètres les plus prometteurs."

    Les chercheurs notent que, alors que ce travail est prometteur, de nombreuses questions doivent être résolues avant qu'il ne soit disponible pour une utilisation généralisée.

    "Par exemple, l'objectif de réglage de la prothèse dans cette étude est de répondre au mouvement normatif du genou lors de la marche, " dit Huang. "Nous n'avons pas pris en compte les autres performances de la marche (telles que la symétrie de la marche) ou les préférences de l'utilisateur. Pour un autre exemple, notre méthode de réglage peut être utilisée pour affiner l'appareil en dehors des cliniques et des laboratoires afin de rendre le système adaptable au fil du temps aux besoins de l'utilisateur. Cependant, nous devons garantir la sécurité dans l'utilisation dans le monde réel, car les erreurs de contrôle peuvent entraîner des trébuchements et des chutes. Des tests supplémentaires sont nécessaires pour démontrer la sécurité. »

    Les chercheurs notent également que, si le système s'avère efficace et se généralise, cela réduirait probablement les coûts pour les patients en limitant la nécessité pour les patients de faire des visites cliniques pour travailler avec les praticiens.

    Le papier, "Contrôle d'apprentissage par renforcement en ligne pour la personnalisation d'une prothèse de genou robotisée, " est publié dans la revue Transactions IEEE sur la cybernétique .


    © Science https://fr.scienceaq.com