نویسنده: Claudio Castellini

تصور کنید روزی بدون این‌که به یاد بیاورید چه اتفاقی افتاده، در بیمارستان به هوش بیایید و با وحشت متوجه شوید که دست چپ خود را از دست داده‌اید و پزشک به شما بگوید که در یک سانحه رانندگی دچار قطع عضو شده‌اید. شما پس از دوره بهبودی طولانی، به فکر راه‌حلی برای انجام حداقل بخشی از وظایف روزمره خود خواهید بود، چرا که توانایی انجام ۹۹ درصد کارهایی را که قبلا با دست خود انجام می‌دادید از دست داده‌اید. در این راه علم رباتیک و طب توانبخشی می‌توانند به شما کمک کنند.

پس از پیشنهاد یک دوست، به نزدیکترین کلینیک توان‌بخشی می‌روید و در برنامه‌های توان‌بخشی رایگانی که برای کمک به افراد قطع عضو اندام فوقانی فراهم شده، ثبت‌نام می‌کنید و یک بازوی پروتزی دریافت می‌کنید. بازوی پروتزی به صورت یکپارچه و با ظاهری طبیعی به بدن شما متصل می‌شود و دقیقا همان قابلیتی را دارد که شما انتظار دارید. البته در ابتدا ممکن است این بازو دارای مشکلاتی باشد که باید برطرف شود. پس از سه ماه تمرین، فراموش می‌کنید که یک بازوی مصنوعی به بدنتان متصل است و همانند عضوی از بدن شما به‌شمار خواهد آمد.

بازوی پروتزی LUKE ساخت شرکت تحقیق و توسعه DEKA

واقعیتی تلخ

در اروپا هر سال ۱۹۰۰ نفر دچار قطع عضو اندام فوقانی می‌شوند که این تعداد به جمعیت ۹۰۰۰۰ نفری افراد دارای ناتوانی افزوده می‌شود [۱]. برای این تعداد افراد، ربات‌های دستیار، علم توان‌بخشی و مهندسی چه کاری می‌توانند انجام دهند؟ در حال حاضر می‌توان گفت خیلی کم می‌توانند کمک کنند.

در زمانی که پروتز دست، حدود هشت سال پیش به بازار ارائه شد، امید کمی وجود داشت که سامانه‌ای  کنترلی طراحی شود که به بیماران توانایی‌هایی که در متن بالا ترسیم کردیم، بدهد. وضعیت برای فردی که تمام بازو همراه با کتف خود را از دست داده باشد سخت‌تر خواهد بود چرا که در واقع دو اندام خود را از دست‌ داده‌اند. تنها پیشرفته‌ترین آزمایشگاه‌های دنیا که به سرمایه‌های هنگفتی دسترسی دارند می‌توانند این مشکل را حل کنند. در حال حاضر، فقط یک پروتز بازوی کامل به نام LUKE ساخت شرکت DEKA وجود دارد که توانسته تاییدیه FDA را نیز دریافت کند. در شرایط کنترل‌شده این پروتز به بهترین حالت عمل می‌کند با این وجود عملکرد بالینی پروتز از عملکرد آزمایشگاهی آن بسیار فاصله دارد که عمدتا به خاطر این است که فرد قطع عضو به سختی می‌تواند چنین پروتز پیچیده‌ای را کنترل کند [۲].

کنترل ربات صنعتی مانند راندن موتورسیکلت است

حدود ده سال است موسسه ما بر این موضوع که چگونه می توان پروتز اندام فوقانی را مطمئن، طبیعی و سریع کنترل کرد تمرکز دارد. رابط انسان-ماشین مورد استفاده باید بتواند تشخیص دهد که فرد قصد انجام فعالیت خاصی را دارد. این فرایند باید مطمئن و پایدار انجام شود و اطلاعات را بی‌درنگ با بهره‌برداری از تمام قابلیت‌های مکاترونیکی پروتز، به دستورات مناسب کنترلی تبدیل کند.

چالش‌های این کار بسیار زیاد است. چگونگی اتصال پروتز به بدن بیمار، روش جمع‌آوری اطلاعات موردنیاز سامانه، اطمینان از این‌که سامانه کنترلی همان فعالیتی که فرد در نظر دارد انجام دهد و پرهیز از اشتباه مخاطره‌آمیز توسط سامانه کنترلی از جمله این چالش‌هاست. تلاش کرده‌ایم برای فعالیت در این موضوعات، با بیمارستان‌ها و کلینیک‌ها همکاری کنیم تا نیازهای واقعی این گروه از بیماران را درک کنیم.

مشکل اصلی این است که پروتز‌های موجود مانند یک ربات صنعتی هستند. این پروتزها در ابتدا برای فرد موردنظر تنظیم می‌شوند و انتظار می‌رود برای ادامه زندگی بیمار به صورت پیوسته کار کنند که با توجه به تنوع فعالیت‌های بیمار، اساسا کار غیرممکنی است.

ما به یک پروتز مصنوعی شامل سوکت‌ها ،حسگرها، واحد الکترونیک کنترلی و خود پروتز نیاز داریم که روز به روز ارتباط نزدیکتری با بیمار برقرار کند. فرآیند یادگیری دو سویه است. از یک سو، سامانه کنترلی مبتنی بر یادگیری افزایشی ماشینی به صورت تدریجی و پیوسته باید با شرایط جدید منطبق شود [۳]. از سوی دیگر، بیمار به طور طبیعی و به مرور زمان یاد می‌گیرد که چگونه از پروتز استفاده کند. فرد سیگنال‌هایی برای کنترل پروتز تولید می‌کند که می‌تواند در طول هفته‌ها و ماه‌ها تغییر کند [۴].

این فرایند مانند یادگیری تدریجی راندن یک موتورسیکلت جدید است. شما باید بر توان موتور، راندن با ثبات موتورسیکلت و توانایی ترمزکردن بدون لغزش مسلط شوید. حتی نقاط ضعف وسیله را نیز باید شناسایی کنید. برای تسلط بر تمام این کارها راهی جز تمرین پیوسته نیست. پس از مرحله آموزش ابتدایی، با توجه به شیوه عملکرد شما پروتز دست مصنوعی آنچه شما انتظار دارید را انجام خواهد داد. در این راه ممکن است شرایط جدیدی اتفاق بیفتد که سامانه نیاز به انطباق داشته باشد. در درازمدت، پروتز بخشی از بدن شما خواهد شد و آماده خواهد بود که به‌طور پیوسته در خدمت شما باشد.

از یادگیری افزایشی ماشینی تا تعامل بین رشته‌ای

ما از روش «یادگیری ماشینی افزایشی» در جهت بهره‌برداری از انطباق متقابل استفاده می‌کنیم. روش‌های یادگیری ماشینی افزایشی به خاطر داشتن توانایی به‌روزرسانی مستمر مدل خودشان کاربرد دارند. روشهای یادگیری افزایشی ماشینی در کاربرد موردنظر ما، یک الگوریتم پیشگویانه هستند که سیگنال‌های بدن فرد را با توجه به فعالیت موردنظر او به دستورهای کنترلی برای پروتز تبدیل می‌کنند. هر زمانی که بیمار تشخیص دهد که در اثر استرس و یا تغییر نوع حرکت ماهیچه‌های او نسبت به قبل، کنترل پروتز نامطمئن شده است، فقط کافی است که سیگنالی مطابق با دستور تعریف‌شده در این شرایط جدید، به سامانه کنترلی بفرستد. اطلاعات جدید با داده‌های قدیمی ترکیب می‌شود و از این لحظه به بعد، هر زمان شرایط مشابه با این حالت پیش بیاید کنترل پروتز، پایدار و بدون مشکل خواهد بود.

این ویژگی ممکن است بی‌اهمیت جلوه کند ولی مسئله بسیار مهمی است چون وضعیت‌های متفاوتی وجود دارد که فرد با آن روبرو می‌شود برای مثال گرفتن چیزی در دست. خرید رفتن در یک بعدازظهر را تصورکنید. سبد خرید باید در همه زمان‌ در حالی که فرد راه می‌رود یا می‌ایستد در دست نگه‌داشته شود. حتی وقتی که فرد می‌نشیند باید سبد با اطمینان روی زمین قرار بگیرد. در همه حالت‌های تغییر وضعیت یا چرخیدن مچ، آرنج و کتف، سبد خرید باید پایدار باشد. هیچ روش تنظیمی وجود ندارد که باعث شود سامانه کنترلی همه وضعیت‌ها را از همان زمان شروع برنامه توان‌بخشی پیش‌بینی کند. فرد بیمار به مرور زمان به پروتز دست مصنوعی آموزش می‌دهد [۵].

روش یادگیری افزایشی سامانه کنترلی منجر به تعامل با فرد بیمار می‌شود. ما تمرین‌هایی کاربردی درنظرگرفتیم تا بیمار در مرکز فرایند درمانی قرار گیرد. افزون بر این، هیچ آزمون سریعی در شرایط آزمایشگاهی کنترل‌شده موجود نیست که عملکرد چنین روشی را بررسی کند. با درنظرگرفتن ویژگیهای فرد بیمار، سامانه کنترلی و پیچیدگی پروتز نیاز به پروتکل تجربی خاصی داریم. همچنین به مجموعه‌ای در آزمایشگاه نیاز داریم تا افراد قطع عضو بتوانند در شرایط شبیه زندگی عادی، سامانه را امتحان کنند. به این معنی که مهندسان، ریاضی‌دانان و متخصصان رباتیک باید همه مهارت‌های خود را به کلینیک بیاورند و یاد بگیرند چگونه با کاربران نهایی و پزشکان در تعامل باشند و شروع به تست تجهیزات مکاترونیکی کنند[۶].

چشم‌انداز بلندمدت یادگیری افزایشی

با ظهور سوکت‌های تشکیل شده از مواد زیست-سازگار و تعبیه حسگرهای چندحالتی، یادگیری افزایشی می‌تواند نقش مهمی در پذیرش بهتر پروتزهای مکاترونیکی میان افراد قطع عضو داشته باشد. نرخ فعلی عدم پذیرش پروتزهای مصنوعی از جانب افراد قطع عضو به‌طور حیرت‌انگیزی بالا است و هیچ برنامه توانبخشی معینی همانند آنچه که در ابتدای مقاله توصیف کردیم در جهان وجود ندارد.

در برنامه میان مدت و بلندمدت، ما باید پروتزهایی به‌فروش برسانیم که کار کردن با آن‎ها مانند راندن موتورسیکلت باشد: همراه با یک کتابچه راهنما. پروتز به مرور زمان با بیمار سازگار خواهد شد و بیمار را ترغیب می‌کند که همکاری متقابل داشته باشد. همچنین باعث می‌شود که فرد کمترین مراجعه را به مرکز پزشکی داشته باشد. تنها با این کار می‌توانیم تلاش بی‌وقفه جامعه علمی در این زمینه را پاسخ دهیم و سطح زندگی بسیاری از افراد دارای ناتوانی را ارتقا دهیم.

برای اطلاعات بیشتر درباره پروتزهای مجهز به فناوری یادگیری افزایشی ماشینی می‌توانید مقاله‌های پژوهشی مرجع را مطالعه کنید:

Upper-Limb Prosthetic Myocontrol: Two Recommendations

Stable myoelectric control of a hand prosthesis using non-linear incremental learning

مراجع

[۱] Silvestro Micera, Jacopo Carpaneto and Staniša Raspopovic, Control of hand prostheses using peripheral information. IEEE Reviews in Biomedical Engineering, 3:48–۶۸, ۲۰۱۰٫

[۲] Jiang, N., Dosen, S., Müller, K.-R., and Farina, D., Myoelectric control of artificial limbs: is there the need for a change of focus? IEEE Signal Processing Magazine, 29(5):149–۱۵۲, ۲۰۱۲٫

[۳] Gijsberts, A., Bohra, R., Sierra González, D., Werner, A., Nowak, M., Caputo, B., Roa, M., and Castellini, C., Stable myoelectric control of a hand prosthesis using non-linear incremental learning. Frontiers in Neurorobotics, 8(8), 2014.

[۴] Powell, M. A. and Thakor, N. V. A training strategy for learning pattern recognition control for myoelectric prostheses. Journal of Prosthetics and Orthotics, 25(1):30–۴۱, ۲۰۱۳٫

[۵] Castellini C., Incremental learning of muscle synergies: from calibrating a prosthesis to interacting with it, in Human and Robot Hands – Sensorimotor Synergies to Bridge the Gap between Neuroscience and Robotics, eds Moscatelli A., Bianchi M., editors. (Springer Netherlands; ). Springer series on Touch and Haptic Systems, 2015.

[۶] Castellini, C., Bongers, R. M., Nowak, M., and van der Sluis, C. K., Upper-limb prosthetic myocontrol: two recommendations. Frontiers in Neuroscience, 9(496), 2015.

منبع: Robohub