Machine-Learning-Programma Maakt Verbinding met Menselijke Hersenen en Bestuurt Robots

Onderzoekers aan de Ecole Polytechnique Fédérale de Lausanne hebben een machine-learning-programma ontwikkeld dat verbonden kan worden met de menselijke hersenen en gebruikt kan worden om een robot te besturen. Het programma kan de bewegingen van de robot aanpassen op basis van elektrische signalen van de hersenen.

Deze nieuwe vooruitgang kan tetraplegische patiënten helpen die niet kunnen spreken of bewegen. Het bouwt voort op het grote werk dat in het verleden is gedaan om systemen te ontwikkelen die deze patiënten helpen om taken zelfstandig uit te voeren.

De studie is gepubliceerd in Communications Biology.

Prof. Aude Billard is het hoofd van het Learning Algorithms and Systems Laboratory van de EPFL.

“Mensen met een ruggengraatletsel ervaren vaak permanente neurologische tekortkomingen en ernstige motorische beperkingen die hen ervan weerhouden om zelfs de eenvoudigste taken uit te voeren, zoals het grijpen van een voorwerp,” zei Billard. “Hulp van robots kan deze mensen helpen om een deel van hun verloren dexterity terug te krijgen, aangezien de robot taken in hun plaats kan uitvoeren.”

De Robot Besturen met Gedachten

Samen met José del R. Millán ontwikkelden prof. Billard en de twee onderzoeksgroepen het computerprogramma, dat geen spraakbesturing of aanraking nodig heeft. De patiënten kunnen de robot besturen met alleen hun gedachten.

De onderzoekers begonnen met het ontwikkelen van het systeem door eerst een robotarm te gebruiken die jaren geleden was ontwikkeld. Het kan heen en weer bewegen van rechts naar links, evenals voorwerpen in het zicht herpositioneren en om voorwerpen heen manoeuvreren.

“In onze studie hebben we een robot geprogrammeerd om obstakels te vermijden, maar we hadden ook een andere taak kunnen kiezen, zoals het vullen van een glas water of het duwen of trekken van een voorwerp,” zegt prof. Billard.

De onderzoekers verbeterden vervolgens de mechanisme van de robot voor het vermijden van obstakels, zodat deze nauwkeuriger werd.

Carolina Gaspar Pinto Ramon Correia is een PhD-student in het lab van prof. Billard.

“Aanvankelijk koos de robot een pad dat te breed was voor sommige obstakels, waardoor het te ver weg ging, en niet breed genoeg voor anderen, waardoor het te dichtbij kwam,” zegt Correia. “Aangezien het doel van onze robot was om gehandicapte patiënten te helpen, moesten we een manier vinden voor gebruikers om met de robot te communiceren zonder te spreken of te bewegen.”

De Algoritme Ontwikkelen

Om dit te doen, moesten ze een algoritme ontwikkelen dat de bewegingen van de robot kon aanpassen op basis van alleen de gedachten van een patiënt. Het algoritme werd gekoppeld aan een hoofdkap met elektroden voor het uitvoeren van EEG-scans van de hersenactiviteit van een patiënt.

De patiënt hoeft alleen maar naar de robot te kijken om het systeem te gebruiken. Wanneer de robot een verkeerde beweging maakt, zal de hersenen van de patiënt een “foutmelding” afgeven via een duidelijk identificeerbaar signaal, dat aangeeft dat de robot een verkeerde actie uitvoert. De robot begrijpt eerst niet waarom het signaal ontvangt, maar de foutmelding wordt vervolgens ingevoerd in het algoritme. Het algoritme gebruikt een inverse versterkingstechniek om te bepalen wat de patiënt wil en welke acties de robot moet uitvoeren.

Het trial-and-error-proces betekent dat de robot verschillende bewegingen uitprobeert om te zien welke correct is, en meestal zijn slechts drie tot vijf pogingen nodig om de juiste reactie te bepalen.

“Het AI-programma van de robot kan snel leren, maar je moet het vertellen wanneer het een fout maakt, zodat het zijn gedrag kan corrigeren,” zegt prof. Millán. “Het ontwikkelen van de detectietechnologie voor foutsignalen was een van de grootste technische uitdagingen die we tegenkwamen.”

Iason Batzianoulis is de hoofdauteur van de studie.

“Wat bijzonder moeilijk was in onze studie, was het koppelen van de hersenactiviteit van een patiënt aan het besturingssysteem van de robot – ofwel, ‘vertalen’ van de hersensignalen van een patiënt in acties die door de robot worden uitgevoerd,” zegt Batzianoulis. “We deden dit door machine learning te gebruiken om een bepaald hersensignaal te koppelen aan een specifieke taak. Vervolgens koppelden we de taken aan individuele robotbesturingen, zodat de robot doet wat de patiënt in gedachten heeft.”

De onderzoekers geloven dat het algoritme uiteindelijk kan worden gebruikt om rolstoelen te besturen.

“Voorlopig zijn er nog veel technische hindernissen te overwinnen,” zegt prof. Billard. “En rolstoelen vormen een geheel nieuwe set uitdagingen, aangezien zowel de patiënt als de robot in beweging zijn.”