Contexto da pesquisa
A pesquisa recente na área de machine learning e inteligência artificial focou na criação de um sistema automatizado para controlar movimentos de mãos prostéticas. Pesquisadores da Memorial University of Newfoundland, no Canadá, desenvolveram um método que não depende de sinais biológicos, oferecendo uma alternativa às práticas convencionais que podem ser fisicamente e mentalmente exaustivas para os usuários.
“A ideia para este trabalho surgiu de nosso desejo de tornar as mãos prostéticas mais fáceis de usar”
(“The idea for this paper came from our desire to make prosthetic hands easier to use.”)— Xianta Jiang, Autor Sênior, Memorial University
Método proposto
O sistema de controle proposto baseia-se em um modelo de machine learning treinado com vídeos de mãos prostéticas realizando tarefas específicas. O modelo combina dados de uma câmera montada no pulso da prótese e sensores de toque e movimento. Em vez de depender de sinais musculares, o sistema utiliza uma técnica de aprendizado chamada imitação, onde a inteligência artificial aprende observando demonstrações de como objetos devem ser pegados e soltos.
“O modelo de IA aprende com demonstrações passadas, usando esse conhecimento para tomar decisões em tempo real”
(“The AI model learns from past demonstrations—basically watching how objects should be picked up, held, and released.”)— Kaijie Shi, Autor Principal, Memorial University
Resultados e impacto
Os pesquisadores testaram o sistema em uma mão prostética real, obtendo uma taxa de sucesso acima de 95% em tarefas de pega e solta. Este desempenho demonstra a eficácia do sistema em ambientes reais, onde o usuário não precisa pensar constantemente em seus movimentos. “Isso representa um grande avanço rumo à criação de mãos prostéticas que funcionam automaticamente e de forma confiável em cenários do dia a dia”, afirmou Jiang.
Os próximos passos incluem testar o sistema com usuários de próteses reais e melhorar a capacidade do sistema de se adaptar a diferentes ambientes e objetos. Além disso, os pesquisadores buscam explorar como essa tecnologia pode ser aplicada a outros dispositivos assistivos, como exoesqueletos para recuperação após acidente vascular cerebral.
Fonte: (TechXplore – Machine Learning & AI)
