EPFL的科学家们正在开发新的方法来改进对机械手的控制，特别是对截肢者的控制，该方法结合了单个手指的控制和自动化功能，以改善抓握和操纵。神经工程学和机器人学之间的这一跨学科概念验证已在三名截肢者和七名健康受试者上成功进行了测试。结果发表在今天的《自然机器智能》上。

该技术融合了来自两个不同领域的两个概念。机器人手控制以前从未实现过将它们一起实现，并为神经修复术中共享控制的新兴领域做出了贡献。

从神经工程学出发，一个概念涉及从被截肢者的树桩上的肌肉活动中解开预期的手指运动，以实现手指对假肢手的单个手指控制，这是前所未有的。另一个来自机器人技术，允许机器人手帮助握住物体并保持与物体的接触，以进行稳固的抓握。

“当您手中拿着一个物体并开始滑动时，您只有几毫秒的时间做出反应，” EPFL学习算法和系统实验室的负责人Aude Billard解释说。“机械手具有在400毫秒内做出反应的能力。在整个手指上都装有压力传感器，它可以在大脑实际感知到物体滑动之前做出反应并稳定该物体。”

该算法首先学习如何解码用户意图，并将其转化为假手的手指运动。被截肢者必须执行一系列手部动作才能训练使用机器学习的算法。放置在截肢者树桩上的传感器检测肌肉活动，该算法可获知哪些手部运动与哪些肌肉活动方式相对应。一旦理解了用户的预期手指运动，该信息就可以用于控制假手的各个手指。

该出版物的第一作者凯蒂·庄说：“由于肌肉信号可能嘈杂，我们需要一种机器学习算法，该算法可以从那些肌肉中提取有意义的活动并将其解释为运动。”

接下来，科学家对算法进行了设计，以便在用户尝试抓住物体时自动执行机器人自动化。当对象与假手表面上的传感器接触时，该算法告诉假手闭合手指。这种自动抓取是对先前研究的机器人手臂的一种改编，该机器人手臂旨在推断物体的形状并仅基于触觉信息来抓握它们，而无需视觉信号的帮助。

在将算法实施在市场上可买到的被截肢者假肢中之前，要设计该算法仍然面临许多挑战。目前，该算法仍在外部参与者提供的机器人上进行测试。

“我们共享的控制机器人手的方法可用于多种神经修复应用，例如仿生手修复和脑机接口，从而增加了这些设备的临床影响和可用性，” EPFL Bertarelli转化神经工程基金会主席Silvestro Micera说道，以及Scuola Superiore Sant'Anna生物电子学教授。