پاشنه بلند یا انگشت شست بالا؟ دستگاه جدید تشخیص می دهد کدام حرکت دستی را می خواهید انجام دهید – ScienceDaily


بركلی – تصور كنید كه بدون كیبورد روی رایانه تایپ می كنید ، یك بازی ویدیویی بدون كنترل كننده انجام می دهید یا اتومبیل بدون چرخ رانندگی می كنید.

این یکی از اهداف دستگاه جدیدی است که توسط مهندسان دانشگاه کالیفرنیا ، برکلی ساخته شده و می تواند حرکات دست را براساس سیگنالهای الکتریکی موجود در بازو تشخیص دهد. این سیستم که حسگرهای زیستی قابل حمل را به هوش مصنوعی (AI) متصل می کند ، می تواند روزی برای کنترل پروتز یا تعامل تقریباً با هر نوع دستگاه الکترونیکی مورد استفاده قرار گیرد.

“پروتز مصنوعی کاربرد مهمی در این فناوری است ، اما همچنین روشی کاملاً شهودی برای برقراری ارتباط با رایانه ارائه می دهد.” علی موین ، كه به طراحی دانشجو در مقطع دكتری در گروه مهندسی برق و علوم کامپیوتر UC بركلی كمك كرد ، گفت. “خواندن حرکات دست یکی از راه های بهبود تعامل انسان و کامپیوتر است. و گرچه روش های دیگری نیز برای انجام این کار وجود دارد ، مانند استفاده از دوربین و بینایی رایانه ، اما این یک راه حل خوب است که حریم خصوصی افراد را نیز حفظ می کند. “

Moine در نوشتن سند جدیدی در توصیف این دستگاه ، که در تاریخ 21 دسامبر در مجله به صورت آنلاین منتشر شد ، نویسنده بود الکترونیک طبیعت.

برای ایجاد سیستم تشخیص حرکات دست ، این تیم با آنا آریاس ، استاد مهندسی برق در دانشگاه برکلی همکاری کردند تا یک بازوبند انعطاف پذیر طراحی کنند که بتواند سیگنال های الکتریکی را در 64 نقطه مختلف بازو بخواند. سیگنال های الکتریکی سپس به یک تراشه الکتریکی تغذیه می شوند ، که با الگوریتم AI برنامه ریزی می شود که می تواند این الگوهای سیگنال را در بازو با حرکات خاص دست مرتبط کند.

این تیم قادر به یادگیری الگوریتم تشخیص 21 حرکت دست فردی از جمله انگشت شست به بالا ، مشت ، دست صاف ، بالا بردن انگشتان منفرد و شمارش اعداد بود.

موین گفت: “وقتی می خواهید عضلات بازوی شما منقبض شود ، مغز شما سیگنال های الكتریكی را از طریق سلول های عصبی گردن و شانه ها به رشته های عضلانی بازوها و دستان شما می فرستد.” “اساساً آنچه الکترودهای کاف احساس می کنند این میدان الکتریکی است. این دقیقاً دقیق نیست ، به این معنا که ما نمی توانیم دقیقاً تعیین کنیم که چه الیافی تحریک شده اند ، اما با تراکم بالای الکترودها هنوز می توان آن را یاد گرفت. برای شناسایی الگوهای خاص “

مانند سایر نرم افزارهای هوش مصنوعی ، الگوریتم ابتدا باید “چگونه” سیگنال های الکتریکی موجود در دست را با حرکات دستی جداگانه “یاد بگیرد”. برای این کار ، هر کاربر در حالی که یک بار حرکات دست را انجام می دهد ، باید یک کاف داشته باشد.

با این حال ، دستگاه جدید از نوعی هوش مصنوعی پیشرفته به نام الگوریتم محاسباتی بیش از حد بزرگ استفاده می کند که می تواند با اطلاعات جدید به روز شود.

به عنوان مثال ، اگر سیگنال های الکتریکی مرتبط با یک حرکت دست خاص به دلیل عرق کردن دست کاربر تغییر کند یا دست خود را بالای سر خود قرار دهند ، الگوریتم ممکن است این اطلاعات جدید را در مدل خود بگنجاند.

موین گفت: “وقتی حرکات را تشخیص دهید ، سیگنال های شما به مرور تغییر می کند و این می تواند بر عملکرد مدل شما تأثیر بگذارد.” “ما با به روزرسانی مدل دستگاه توانستیم دقت طبقه بندی را به میزان قابل توجهی بهبود بخشیم.”

یکی دیگر از مزایای دستگاه جدید این است که همه محاسبات به صورت محلی روی تراشه انجام می شود: داده های شخصی به رایانه یا دستگاه نزدیک منتقل نمی شوند. این امر نه تنها سرعت محاسبه را تسریع می کند ، بلکه خصوصی بودن اطلاعات بیولوژیکی شخصی را نیز تضمین می کند.

ایان ربی ، استاد محترم مهندسی برق در دانشگاه UC ، دونالد او. پدرسن برکلی و نویسنده ارشد مقاله. “مشکل اینجاست که شما با این مدل خاص روبرو شدید. در رویکرد ما ، ما فرایندی را اجرا کردیم که آموزش روی خود دستگاه انجام می شود. و این بسیار سریع است: شما فقط باید یک بار آن را انجام دهید و شروع به کار می کند. اما اگر بیش از یک بار این کار را انجام دهید ، می تواند بهبود یابد. بنابراین شما دائماً می آموزید که مردم چگونه این کار را انجام می دهند. “

اگرچه این دستگاه هنوز آماده نیست تا یک محصول تجاری باشد ، اما ربایی گفت که احتمالاً با چند تغییر جزئی به آنجا خواهد رسید.

ربی گفت: “بیشتر این فناوری ها از قبل در جاهای دیگر وجود دارند ، اما نکته منحصر به فرد این دستگاه این است که حسگر زیستی ، پردازش و تفسیر سیگنال و هوش مصنوعی را در سیستمی نسبتاً کوچک و انعطاف پذیر و دارای بودجه کم انرژی ادغام می کند.”


منبع: unbox-news.ir

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>