Smart-медицина, точки либрации и электромиографический браслет: студенты МИЭМ представили свои проекты
В начале февраля в МИЭМ НИУ ВШЭ прошла двухдневная постерная сессия — вторая контрольная точка жизненного цикла проекта. Команды подготовили красочные плакаты, пообщались с экспертами и студентами МИЭМ и получили заслуженные лайки. Новостная служба «Вышка.Главное» представляет тройку лучших проектов первого дня сессии.
Виртуальная тренировочная среда для восстановления мелкой моторики пальцев для людей с инвалидностью
Руководитель Алексей Ролич
Проект разрабатывает систему, которая научится предсказывать движение пальцев виртуального протеза для людей с ампутированным предплечьем. Система состоит из VR-среды и электромиографического (ЭМГ) браслета. Электромиографический браслет использует датчики для обнаружения и записи электрической активности мышц и преобразует эти данные во входную информацию для устройств дополненной реальности.
Подробнее о проекте рассказал Матвей Антонов, ОП «Прикладная математика», 3-й курс.
«На Техношоу-2022 я и мой коллега Андрей Цуркан, студент 3-го курса ИТСС, познакомились с ребятами из Центра биоэлектрических интерфейсов Вышки. Они хотели создать виртуальную тренировочную среду для восстановления мелкой моторики пальцев людей с инвалидностью, и мы согласились помочь. У нас нет четкого технического задания, только итоговая цель. И мы знаем, как к ней прийти!
Сейчас ни один протез не может восстановить мелкую моторику. Современные протезы решают задачу классификации, то есть воспроизводят заранее записанные на них жесты. Мы же решаем задачу регрессии и предсказываем движение каждый раз, основываясь на активности мышц.
При ампутации предплечья у человека остаются активные мышцы, которые отвечают за движение пальцев. Если собрать данные об активации этих мышц, можно обучить нейросеть предсказывать движение пальцев виртуального протеза. Данные мы собираем так:
- Пациент надевает очки виртуальной реальности и видит обе руки, причем ампутированную руку он видит как свою здоровую, только отзеркаленную.
- Пациенту показывают жесты двумя руками.
- Пациент повторяет их здоровой и виртуальной рукой, которая является продолжением культи.
- ЭМГ-браслет регистрирует активность мышц культи.
После этого нейросеть обучается, и в результате пациент видит, как шевелятся пальцы виртуальной руки.
Описанную выше VR-среду для сбора данных мы уже разработали, осталось сконструировать с нуля ЭМГ-браслет. Сейчас у нас готовы прототипы отдельных ДЭНС-электродов и платы — их мы делали сами.
Особенность ДЭНС-электрода в том, что он хорошо прижимается к коже из-за мягкой полимерной подложки и состоит из 32 независимых электродов. Исследования показывают, что электроды такого типа в разы лучше одиночных.
После создания браслета мы свяжем все в одну систему для сбора данных, которую в перспективе можно будет загрузить в реальные протезы».
Smart-медицина
Руководитель Ксения Фимина
Проект «Smart-медицина» разрабатывается в МИЭМ четвертый учебный год и привлекает к себе внимание экспертов и студентов каждую постерную сессию. О проекте рассказала Анна Гордеева, ОП «Прикладная математика», 3-й курс
«Наша команда разрабатывает программный продукт для статистического анализа медицинских данных. Это интеллектуальный помощник для фармакологов и врачей-исследователей.
Для анализа медицинских данных работникам в сфере медицины приходится использовать разные программы, разбираться в их интерфейсе, не всегда интуитивно понятном, и порой вручную писать функции для расчетов.
Наш продукт решает эти проблемы. Для работы с ним пользователю не нужно быть программистом или иметь сильную математическую базу. Каждый шаг пользователя сопровождается подсказками. Врачу-исследователю достаточно выбрать один из модулей, загрузить данные и указать нужные настройки. Сейчас «Smart-медицина» включает в себя пять модулей: «Описательный анализ», «Биоэквивалентность», «Предсказательные модели», «Сравнительный анализ» и «Кластерный анализ». Результаты исследований представляются в виде дашбордов, настраиваемых в интерактивном режиме.
С тестовыми версиями продукта уже ознакомились эксперты в области медицины и предоставили нам положительные отзывы и рекомендации. Нам важен фидбэк: мы всегда учитываем его при подготовке обновлений.
Продукт уже находится в рабочей версии, поэтому сейчас мы работаем над его продвижением. Мы создали телеграм-канал, где рассказываем про нашу систему, методы анализа, публикуем видео и учебные материалы. Кроме телеграм-канала, у нас есть мерч. На постерной сессии мы дарили фирменные браслеты всем участникам, кто заинтересовался нашим проектом, и далее будем радовать наших подписчиков интересными конкурсами и призами».
Применение методов машинного обучения для расчета орбит вокруг точек либрации ограниченной задачи трех тел
Руководитель Сергей Аксенов
Команда проекта создает алгоритм, вычисляющий орбиты вокруг точек либрации в системе Солнце — Земля. Его цель — расширить карту начальных условий, используя методы машинного обучения. О проекте нам рассказал Тимофей Протасов, ОП «Информатика и вычислительная техника», 3-й курс.
«Точки либрации, или точки Лагранжа, — точки пространства, в которых гравитационные силы двух массивных тел, вращающихся вокруг общего барицентра (например, Солнца и Земли), уравновешиваются центробежной силой. Они являются стационарными решениями ограниченной задачи трех тел. Таких точек в пространстве пять. Орбиты, допустим, вокруг точки L1 для космических исследовательских аппаратов позволяют вести непрерывное наблюдение за Солнцем.
Для вычисления орбит важно знать начальные условия (положение в пространстве и скорость) аппарата, которые привели бы его к орбите. Сейчас существуют определенные методы для вычисления этих начальных условий и орбит, но они работают в ограниченной области пространства, то есть дают ограниченную карту начальных условий. Мы используем результаты рабочего метода для обучения моделей машинного обучения, которые позволили бы расширить границы карты начальных условий. Из-за того что задача трех тел не решается аналитически, ее приходится решать численно, а численные методы могут быть неустойчивыми из-за машинной ошибки. Чтобы избежать этих ошибок, вводятся коррекции, вычисление которых является основной частью работы. Именно существующие методы вычисления этих коррекций имеют ограничения, а с помощью машинного обучения мы хотим расширить область действия.
У меня сформировалось более четкое представление о научной деятельности: всегда нужно проводить всестороннее исследование, убедительно обосновывать решения и не повторять ошибки предыдущих исследователей. Не так уж и легко следовать одновременно всем этим принципам, но оттого проводимая работа только интереснее.
Проект длится второй год. В прошлом году команда преследовала похожие цели и достигла промежуточного результата: ребята нашли подходящие начальные условия и рассчитали орбиты в тех же границах, что и метод плоскостей, но уже с помощью модели машинного обучения. Результат тот же, но способ достижения другой.
Это позволяет основываться на достигнутых результатах, так как проделанный путь — тоже своего рода результат. Применение моделей в этой задаче гораздо сложнее, чем запуск одной строки кода. Требуется множество промежуточных шагов, которые были проделаны и исследованы в прошлом году.
Непросто выбрать модель машинного обучения, а также интерпретировать получаемые результаты. Разные методы дают разный результат, который тяжело оценить словами “лучше” или “хуже”. В итоге это становится главной задачей: вынести решение о преобладании одного подхода над другим».
Текст: Валерия Немна, студентка 4-го курса МИЭМ, ОП «Прикладная математика»
Вам также может быть интересно:
На практических примерах
Николай Берзон, заведующий кафедрой фондового рынка и рынка инвестиций ВШЭ, рассказывает об особенностях преподавания курса «Финансовые рынки и институты» и о проектах, благодаря которым студенты получают представление о работе финансового аналитика.