سیستم کنترل جهانی پیشرفته ممکن است کنترل اسکلت بیرونی اندام تحتانی را متحول کند و تجربه کاربر را بهینه کند

(سمت چپ) نمونه اولیه اسکلت بیرونی روباتیک اندام تحتانی (LE-RE). (راست) مدل یکپارچه اسکلتی عضلانی و اسکلت بیرونی. قاب‌های هماهنگی زرد، قاب‌های بوش را نشان می‌دهند که به طور تصادفی روی LE-RE و مدل انسانی ثابت شده‌اند. اعتبار: لو اس، و همکاران. مجله مهندسی عصبی و توانبخشی 20، شماره. 1 (2023): 1-19، شکل. 1. با اجازه تحت مجوز Creative Commons Attribution 4.0 بین المللی تکثیر شده است.

تیمی از محققان روش جدیدی را برای کنترل اسکلت بیرونی اندام تحتانی با استفاده از یادگیری تقویتی عمیق ایجاد کرده اند. روشی تحت عنوان “کنترل قوی راه رفتن اسکلت بیرونی توانبخشی اندام تحتانی همراه با یک مدل اسکلتی عضلانی از طریق یادگیری تقویتی عمیق” منتشر شده در مجله مهندسی عصبی و توانبخشی، کنترل قوی تر و طبیعی راه رفتن را برای کاربران اسکلت بیرونی اندام تحتانی امکان پذیر می کند.

در حالی که پیشرفت‌ها در رباتیک پوشیدنی به بازیابی تحرک برای افراد مبتلا به اختلالات اندام تحتانی کمک کرده است، روش‌های کنترل کنونی اسکلت‌های بیرونی در توانایی آنها برای ارائه حرکات طبیعی و شهودی برای کاربران محدود است. این می تواند تعادل را به خطر بیندازد و به خستگی و ناراحتی کاربر کمک کند. مطالعات اندکی بر روی توسعه کنترلرهای قوی متمرکز شده اند که می توانند تجربه کاربر را از نظر ایمنی و استقلال بهینه کنند.

به گفته غیث اندرویس، دکترای همکار، دانشمند پژوهشی ارشد در مرکز تحقیقات مهندسی تحرک و توانبخشی، اسکلت های بیرونی موجود برای توانبخشی اندام تحتانی از فناوری های مختلفی برای کمک به کاربر برای حفظ تعادل استفاده می کنند، از جمله عصاها و حسگرهای ویژه. بنیاد کسلر و مدیر آزمایشگاه رباتیک و تحقیقات توانبخشی مرکز. اسکلت‌های بیرونی که بدون چنین کمک‌کننده‌هایی کار می‌کنند، راه رفتن مستقل‌تری را امکان‌پذیر می‌کنند، اما به قیمت اضافه وزن و سرعت پایین راه رفتن.

دکتر اندرویس می گوید: «سیستم های کنترلی پیشرفته برای ایجاد اسکلت بیرونی اندام تحتانی که راه رفتن مستقل و مستقل را تحت طیف وسیعی از شرایط ممکن می کند، ضروری است. روش جدید توسعه یافته توسط تیم تحقیقاتی از یادگیری تقویتی عمیق برای بهبود کنترل اسکلت بیرونی استفاده می کند. یادگیری تقویتی نوعی هوش مصنوعی است که ماشین‌ها را قادر می‌سازد از تجربیات خود از طریق آزمون و خطا بیاموزند.

ژیانلیان ژو، استادیار و مدیر بخش، نویسنده مقاله، توضیح داد: “با استفاده از یک مدل اسکلتی عضلانی همراه با یک اسکلت بیرونی، ما حرکات اندام تحتانی را شبیه سازی کردیم و سیستم کنترل اسکلت بیرونی را برای دستیابی به الگوهای طبیعی راه رفتن با استفاده از یادگیری تقویتی آموزش دادیم.” آزمایشگاه BioDynamics در بخش مهندسی زیست پزشکی در موسسه فناوری نیوجرسی (NJIT). ما در حال آزمایش این سیستم در شرایط واقعی با اسکلت بیرونی اندام تحتانی هستیم که توسط تیم ما ساخته شده است و نتایج پتانسیل بهبود پایداری راه رفتن و کاهش خستگی کاربر را نشان می‌دهد.

این تیم تشخیص داد که مدل پیشنهادی آنها یک کنترل‌کننده راه رفتن قوی جهانی تولید می‌کند که قادر به مدیریت سطوح مختلف تعاملات انسان و اسکلت بیرونی بدون نیاز به پارامترهای تنظیم است. سیستم جدید این پتانسیل را دارد که برای طیف گسترده‌ای از کاربران از جمله افرادی که آسیب نخاعی، مولتیپل اسکلروزیس، سکته مغزی و سایر بیماری‌های عصبی دارند، سودمند باشد. محققان قصد دارند به آزمایش سیستم با کاربران ادامه دهند و الگوریتم های کنترل را برای بهبود عملکرد راه رفتن اصلاح کنند.

دکتر اندرویس گفت: «ما در مورد پتانسیل این سیستم جدید برای بهبود کیفیت زندگی افراد مبتلا به اختلالات اندام تحتانی هیجان زده هستیم. ما امیدواریم با فعال کردن الگوهای راه رفتن طبیعی و شهودی تر، به کاربران اسکلت بیرونی کمک کنیم تا با راحتی و اطمینان بیشتری حرکت کنند.

اطلاعات بیشتر:
شوژن لو و همکاران، کنترل راه رفتن قوی یک اسکلت بیرونی توانبخشی اندام تحتانی همراه با یک مدل اسکلتی عضلانی از طریق یادگیری تقویتی عمیق، مجله مهندسی عصبی و توانبخشی (2023). DOI: 10.1186/s12984-023-01147-2

ارائه شده توسط بنیاد کسلر

نقل قول: سیستم کنترل جهانی پیشرفته ممکن است انقلابی در کنترل اسکلت بیرونی اندام تحتانی ایجاد کند و تجربه کاربر را بهینه کند (2023، 16 ژوئن) در 17 ژوئن 2023 از https://medicalxpress.com/news/2023-06-advanced-universal-revolutionize-limb-exoskeleton بازیابی شده است. html

این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به غیر از هرگونه معامله منصفانه به منظور مطالعه یا تحقیق خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.