Des chercheurs suisses élaborent une prothèse ultra-précise grâce au machine learning

© 2019 EPFL / Alain Herzog

Lorsqu'une personne doit être amputée d'un membre, une prothèse peut être suggérée pour le remplacer. Si les prothèses actuelles gagnent chaque jour en qualité, les difficultés dans la réalisation de gestes précis restent d'importance.

L'Ecole polytechnique fédérale de Lausanne (EPFL) travaille cependant à une solution : utiliser le machine learning pour enseigner à une prothèse robotique les gestes précis du quotidien.

Remplacer les sensations de la main

Nous évoquions récemment une prothèse de jambe de l'ETH de Zurich promettant de rétablir les sensations des personnes amputées au-dessus du genou.

Cette fois, c'est l'EPFL qui dévoile une prothèse utilisant le machine learning pour « apprendre » à saisir les objets avec une grande précision. Pour comprendre le principe, il faut imaginer que vous ayez été amputé au-delà du coude. Les prothèses actuelles sont déjà en mesure de comprendre les gestes les plus simples : lever le bras, ouvrir ou fermer la main, etc.

Mais si cette méthode permet de saisir des objets, elle manque encore de précision. Il est par exemple encore délicat de gérer l'emplacement de chaque doigt pour épouser parfaitement la forme de l'objet. Il est également complexe de mesurer la pression pour que l'objet ne soit pas écrasé par la main ou, au contraire, qu'il n'en glisse pas.

Adaptation, improvisation

L'EPFL, qui a publié ses résultats dans Nature, a donc « enseigné » à une prothèse robotique la manière de bien tenir les objets, comme nous apprenons à le faire pendant notre enfance. Ainsi lorsque l'humain effectue un geste simple comme celui d'attraper une bouteille, la prothèse adapte seule sa prise, en se basant sur la forme et la nature de l'objet. Elle improvise cette prise en temps réel : si l'adhérence n'est pas suffisante et que l'objet tend à glisser, la machine s'adapte en moins d'une demi-seconde.

L'appareil se base également sur les signaux musculaires envoyés par la personne, dont il faut extraire les informations utiles. Katie Zhuang, autrice principale de la publication, explique : « Parce que les signaux musculaires peuvent être brouillés, nous avons besoin d'un algorithme de machine learning capable d'extraire les informations pertinentes de ces muscles, et de les traduire en mouvements ». Du point de vue de la personne amputée, le geste reproduit plus fidèlement celui d'un véritable membre, uniquement par la volonté.

Le communiqué de l'EPFL précise cependant qu'il reste des obstacles à surmonter avant une implémentation du système dans des prothèses commercialisables. Le robot utilisé par l'équipe a été fourni par une société-tierce, mais Silvestro Micera, professeur de bio-électronique à l'école supérieure Sainte-Anne et membre de l'EPFL, affirme que « cette approche commune pourra être utilisée dans prothèses bioniques et des interfaces homme-machine, augmentant l'impact clinique et l'usage de ces appareils ».

Source : TechCrunch