Австрийские ученые провели долгосрочное исследование и доказали эффективность и безопасность протезов конечностей, для управления которыми используются инвазивные сенсоры, считывающие активность с реиннервированных мышц. В их исследовании приняли участие трое человек с ампутированной выше локтя рукой. За время исследования участники научились управлять протезом, поднимать предметы и даже захватывать мелкие монеты, пишут ученые в Science Robotics.
Традиционные системы управления протезами основываются на считывании электрических сигналов мышечной или нервной активности в целой части конечности: для этого используются методы электромиографии, а также анализ сокращения мышц с помощью ультразвука. Большинство таких методов, однако, неинвазивны и закрепляются на поверхности руки, из-за чего сильно ограничена их точность, а главное — скорость работы.
Один из инвазивных и более точных способов считывания активности с оставшейся части руки и ее использования для управления протезом — целевая реиннервация мышц (targeted reinnervation). После ампутации руки нервы потерянных конечностей все равно остаются, но управлять им нечем; реиннервация, таким образом, направлена на то, чтобы «подключить» нервы к другим мышцам — например, в случае с рукой — к бицепсам, а затем, с помощью считывающего сенсора, использовать мышечную активность для управления протезом, а точнее — отдельными его частями, которые соответствуют перенаправленным нервам.
До сих пор о точной эффективности такого метода в долгосрочной перспективе было известно достаточно мало: в частности, было неясно, как быстро пациент может обучиться управлению подобным протезом, насколько он будет удобным и эффективным, а также — безопасным.
Проверить в действии один из таких протезов решили ученые под руководством Оскара Асманна (Oskar Aszmann) из Венского медицинского университета. В их исследовании приняли участие три человека с ампутацией одной руки выше локтя: после операции реиннервации в оставшуюся часть руки участникам вживили беспроводные сенсоры, которые собирают мышечные сигналы с бицепса и трицепса, после чего эту активность усиливают и используют для управления протезом (каждому участнику вживили пять или шесть сенсоров).
За два с половиной года наблюдений участники научились эффективно управляться с рукой и выполнять достаточно точные действия: поднимать монетку со стола, поднимать и перемещать более крупные предметы и, например, наливать воду из графина в стакан. Протезы также показали лучшую передачу сигнала по сравнению с неинвазивными протезами, которые исследователи опробовали на участниках в качестве контрольного условия.
Авторы работы, таким образом, показали эффективность и безопасность систем управления протезами с целевой реиннервации мышц. Они также уточнили, что небольшое количество участников не позволило им провести статистический анализ, который бы показал объективную валидность их измерений. Исследование, поэтому, можно считать пилотным: в дальнейшем систему необходимо будет опробовать на большей выборке. Также необходимо посмотреть, как используемая система будет работать с протезом с бóльшим количеством степеней свободы.
Существуют и системы управления протезами, которые работают на основе считывания активности участков моторной коры головного мозга. Они также очень эффективны, а одну из таких систем в 2016 году представили американские ученые: она позволяет управлять отдельными пальцами.
Елизавета Ивтушок
В некоторых тестах она обошла Claude Opus 5.5
Meta* представила семейство больших языковых моделей Muse Wonder, в которое вошли базовая Muse Wonder и более мощная Muse Wonder Full, сообщается в блоге исследовательского подразделения компании. Muse Wonder Full набрала 56 баллов в бенчмарке Artificial Analysis Intelligence Index, уступив модели Claude Opus 5.5, которая получила 58 баллов, но обойдя GPT-6 Astra с 53 баллами. Более простая Muse Wonder набрала 52 балла. При этом в отдельных тестах модели Meta опережают конкурентов: например, в тесте DeepSWE на решение сложных задач программирования Muse Wonder Full набрала 79 баллов против 74,2 у Claude Opus 5.5. Ключевыми особенностями моделей разработчики называют функции Active Memory и Active Focus: первая позволяет сохранять важный контекст между разговорами, а вторая — продолжать работу над сложной задачей, менять подход при неудаче и восстанавливаться после ошибок. В тесте MemoryBench, оценивающем способность моделей запоминать контекст, модели также обошли конкурентов: Muse Wonder Full набрала 85,5 балла, а Muse Wonder — 85,6.