我们认为额外的机器人四肢可能是一种新形式的人类,他们已经可以提高人的能力在任务执行以及扩大能力做他们不能做的事情与他们自然的人体。如果人类可以很容易地添加和控制的另一只手或第三站,或更多的手指,他们可能会使用它们在任务和表演,这里提到的场景之外,发现新的行为,我们甚至还不能想象。
人类水平的增加
机器人四肢近几十年来取得了长足的进步,和一些已经被人们用来提高自己的能力。大多数人通过操纵杆或另一方面控制操作。例如,生产线上的工人施加机械肢体控制和操作组件的一个产品。同样,外科医生执行机器人手术坐在控制台房间对面的病人。虽然手术机器人可能有四个胳膊将使用不同的工具,外科医生的手可以控制只有两人。我们可以使这些外科医生能够同时控制四个工具?
机器人的四肢也被截肢的人或瘫痪。包括电动轮椅的人控制机械臂椅子上的操纵杆,那些失踪的四肢控制假肢他们的行动保持肌肉。但是一个真正的受雇假肢是罕见的。
如果人类可以很容易地添加和控制三分之一的手臂,他们可能会使用它们在新的行为,我们甚至还不能想象。
人脑控制假肢的先锋的人四肢瘫痪常常从脖子以下瘫痪。有些人大胆的大脑植入自愿参加临床试验,使他们能够控制机器人肢体单靠思想发出精神命令,导致机械臂抬起喝嘴唇或日常生活的帮助和其他任务。这些系统都属于脑机接口(BMI)。其他志愿者使用BMI技术控制电脑光标,使他们可以输入信息,浏览互联网,等等。但是这些BMI系统需要插入神经植入和脑部手术包括硬件从头骨突出,使它们只适合用在实验室里。
增强人体的可以被认为是有三个层次。第一级增加现有特点,外骨骼动力的方式,说,可以给穿戴者的超级力量。第二个层次给人一个新的自由度,如第三臂或移动的能力第六个手指,但付出额外的附件由脚踏开关控制,例如,用户牺牲正常流动的脚操作控制系统。第三层次的增加,和最成熟的技术,给用户一个额外的自由度不移动远离其他的身体部分。这样一个系统将允许人们使用他们的身体通常通过利用一些未使用的神经信号来控制机械手臂。这是我们探索研究的水平。
破译电信号的肌肉
第三级人类的增加与入侵BMI植入物可以实现,但对于日常使用,我们需要一个非侵入性的方式来接大脑命令外的头骨。对于许多研究小组来说,这意味着依赖可靠的脑电描记法(EEG)技术,它使用头皮电极接大脑信号。我们的小组正在研究这种方法,但我们也探索另一种方法:使用肌电描记术(EMG)信号所产生的肌肉。我们花费了十多年调查EMG皮肤表面的电极可以检测电信号的肌肉可以解码显示脊髓神经元发出的命令。
电信号的语言神经系统。整个大脑和周围神经,一个神经元“火灾”一定voltage-some数万millivolts-builds在细胞内,引起动作电位沿着轴突,释放神经递质在路口,或突触,与其他神经元,并可能引发那些神经元发射。当这些电脉冲产生脊髓运动神经元,它们沿着一个轴突,达到所有的目标肌肉,他们交叉特别突触个体肌肉纤维和使他们的合同。我们可以记录这些电信号,编码用户的意图,并使用它们为各种不同的控制目的。
破译个体神经信号基于可以通过表面EMG读什么,然而,不是一个简单的任务。一个典型的肌肉从数以百计的脊髓神经元接收信号。此外,每个在肌肉和轴突分支可能联系一百或更多个人肌肉纤维分布于整个肌肉。电极表面EMG拿起一个抽样的刺耳的脉冲。
突破在非侵入性神经接口的2010年发现高密度EMG信号捡起,数十到数百的电极固定在皮肤,可以分,提供信息的命令发送的个人在脊柱运动神经元。只有入侵以前获得此类信息在肌肉或神经电极。我们的高密度表面电极提供良好的抽样在多个位置,使我们能够识别和解码的活动相对较大比例的脊髓运动神经元参与一项任务。我们现在可以做到实时,这表明我们可以开发的BMI系统基于信号从脊髓。
一个典型的肌肉从数以百计的脊髓神经元接收信号。
当前版本的系统包括两个部分:一个培训模块和实时解码模块。开始,EMG电极网格附在皮肤,用户执行柔和的肌肉收缩,我们喂EMG信号记录到训练模块。这个模块执行的艰巨任务识别单个运动神经元脉冲(也称为峰值)构成EMG信号。EMG信号的模块分析如何推断神经相关峰值,它总结了在一组参数,然后可以使用更简单的数学处方EMG信号转化为序列来自单个神经元的峰值。
与这些参数,解码模块可以采取新的EMG信号和实时提取个人运动神经元活动。培训模块需要大量的计算和执行实时控制本身会太慢,但它通常只运行一次每次EMG电极网格用户是固定的。相比之下,解码算法是非常有效的,延迟低至几毫秒,预示着可能的独立的可穿戴BMI系统。我们确认我们的系统通过比较其结果的准确性与入侵EMG信号同时获得两个电极插入用户的肌肉。
在神经信号利用额外的带宽
发展这种实时的方法提取信号从脊髓运动神经元是我们目前工作的关键控制额外的机器人的四肢。在研究这些神经信号,我们注意到,从本质上说,额外的带宽。信号的低频部分(约7赫兹以下)转化成肌肉的力量,但在更高频率的信号也有组件,比如那些在13 - 30 Hzβ乐队,这似乎太高控制肌肉和未使用的。我们不知道为什么脊髓神经元发出这些高频信号;可能的冗余是一个缓冲需要适应新的条件。不管什么原因,人类进化的神经系统信号出来的脊髓比命令肌肉需要更丰富的信息。
这个发现让我们思考与备用频率能够做些什么。特别是,我们想知道如果我们可以把多余的神经信息,用它来控制机器人手臂上。但是我们不知道人们能主动控制这部分的信号分开他们用来控制肌肉。所以我们设计了一个实验来找出。
在我们的第一个概念验证实验中,志愿者们试图利用业余神经控制计算机鼠标的能力。设置很简单,虽然涉及的神经机制和算法是复杂的。每个志愿者坐在屏幕前,我们放置一个肌电图系统在他们的腿,与64个电极4-by-10-centimeter补丁坚持他们的心胫骨前肌时,脚向上玩弄合同。胫骨一直是主力为我们的实验:它占据了一个大面积的皮肤,面向及其肌肉纤维沿着腿,这些传感器组合在一起形成是一种理想的解码脊髓运动神经元的活动刺激活动。
这是一些实验的结果中低收入和高频神经信号,分别控制电脑光标的水平和垂直运动。彩色的椭圆中心(加号)显示了目标区域。上面三个图显示轨迹(每一个从左下)实现为每个目标由一个用户在三个试验。底部,点显示位置实现在许多试验和用户。颜色的十字架标记平均位置和结果为每个目标的范围。来源:m . Bracklein et al .,神经工程杂志》上
我们要求志愿者稳步合同胫骨,基本上保持紧张,在整个实验过程中我们看在提取的神经信号的变化。我们分开的这些信号的低频控制肌肉收缩和备用频率在大约20 Hzβ乐队,和我们联系这两个组件分别的水平和垂直控制电脑屏幕上的光标。我们要求志愿者尝试移动光标在屏幕上,达到空间的所有部分,但是我们没有,确实做不到,向他们解释怎么做。他们不得不依靠视觉反馈光标的位置,让他们的大脑想出如何使它移动。
值得注意的是,不知道他们在做什么,这些志愿者们掌握了任务在几分钟内,压缩光标在屏幕上,尽管颤抖着。胫骨前肌肉,开始一个神经命令signal-contract学习发展第二个信号控制电脑光标的垂直运动,独立于肌肉控制(指示游标的水平运动)。我们感到惊讶和兴奋,他们是多么容易实现这个大第一步找到神经控制通道分开自然运动的任务。但我们也看到,实际使用的控制不够精确。下一步将是否可以获得更准确的信号,如果人们可以使用它们来控制机器人肢体,同时执行独立的自然运动。
我们也有兴趣了解更多关于大脑如何执行壮举光标控制。在最近的一项研究中使用游标任务的变化,我们同时使用脑电图看到发生了什么事在用户的大脑,特别是在地区与自愿的运动的控制。我们兴奋地发现变化额外的β波神经信号到达肌肉紧密相关的类似大脑的变化水平。正如前面提到的,β神经信号仍然是一个谜,因为他们没有任何已知的作用在控制肌肉,甚至不清楚他们起源的地方。我们的结果表明,我们的志愿者学会调节大脑活动,被遣送到肌肉测试信号。这个重要的发现帮助我们解开这些β信号背后的潜在机制。
伦敦帝国学院的同时,我们建立了一个系统用于测试这些新技术和额外的机器人的四肢,我们称之为MUlti-limb虚拟环境,或者MUVE。其他功能,MUVE将使用户能够与多达四个轻量级的可穿戴机器人手臂在虚拟现实场景模拟。我们计划使系统开放供全球其他研究人员使用。
在人类增加后续步骤
连接我们一个机械手臂的控制技术或其他外部设备是一种天然的下一步,我们积极追求的目标。然而,真正的挑战不会附加硬件,而是识别多个源的控制不够准确执行复杂和精确的操作机器人的身体部位。
我们还在研究这项技术如何影响神经过程的人使用它。例如,有人六个月后会发生什么使用额外的机械手臂的经验?将自然的大脑可塑性使他们适应并获得一种更直观的控制?一个人与生俱来的six-fingered手发达的大脑区域致力于控制额外的数字,导致操作的特殊能力。可能用户随着时间的推移我们的系统开发类似的灵活性?我们也不知道有多少认知负荷将参与控制额外的肢体。如果人们可以直接这样一个肢体只有当他们把更多的注意力集中到了它在实验室环境中,这种技术可能不是有用的。然而,如果用户可以随意雇佣额外的手做一个日常任务时像三明治,然后这将意味着技术是适合日常使用。
不管什么原因,人类进化的神经系统信号出来的脊髓比命令肌肉需要更丰富的信息。
其他研究小组正在相同的神经科学问题。有些人尝试控制机制涉及scalp-based脑电图或神经植入物,当别人正在肌肉信号。是早期的运动增强,世界各地的研究人员刚刚开始解决这个新兴领域的最基本的问题。
两个实际问题突出:我们能同时实现神经控制额外的机器人的四肢与自然运动,并能系统没有用户的独家浓度?如果这两个问题的答案是否定的,我们不会有实用技术,但我们仍然会有一个有趣的新工具,电动机控制的神经科学研究。如果这两个问题的答案是肯定的,我们可能准备进入一个新时代人类的增加。现在,我们的手指交叉(生物)。
IEEE总统何塞·莫拉和格拉斯哥的市长大人Eva博兰呈现IEEE格拉斯哥举行的庆祝晚宴格子呢。照片:格拉斯哥公约
培训模块(橙色)需要一个初始批EMG信号读取电极阵列(左),决定如何提取单个神经元的信号,并总结了过程数学作为分离矩阵和其他参数。使用这些工具,实时解码模块(绿色)可以有效地提取单个神经元的峰值序列,或者“高峰火车”(右),从一个正在进行的EMG信号。克里斯Philpot
志愿者利用未使用的运动神经带宽直接在屏幕上光标在她的面前。从她的大脑神经信号传递,通过脊髓神经元,她小腿的肌肉,他们读的肌电图(EMG)电极系在她的腿和破译。这些信号包括低频组件控制肌肉收缩(蓝色),更高频率(β频带、黄色)没有已知生物的目的,和噪音(灰色)。克里斯Philpot;来源:
这是一些实验的结果中低收入和高频神经信号,分别控制电脑光标的水平和垂直运动。彩色的椭圆中心(加号)显示了目标区域。上面三个图显示轨迹(每一个从左下)实现为每个目标由一个用户在三个试验。底部,点显示位置实现在许多试验和用户。颜色的十字架标记平均位置和结果为每个目标的范围。来源: