Díky použití speciálního typu plastové příze a jejímu mírnému roztavení teplem, což je proces známý jako termoformování, se výzkumníkům podařilo výrazně zlepšit přesnost tlakových senzorů vetkaných do vícevrstvých pletených textilií, které nazývají 3DKnITS.
Pomocí tohoto postupu vytvořili "chytrou" botu a cvičební podložku. Poté vyvinuli hardwarový a softwarový systém pro měření a interpretaci dat z tlakových senzorů v reálném čase. Systém strojového učení předpovídal pohyby a jógové pozice prováděné osobou stojící na chytré textilní podložce s přesností přibližně 99 %.
„Díky využití technologie takzvaného digitálního pletení umožňuje tento proces rychlou tvorbu prototypů a lze jej snadno rozšířit na výrobu ve velkém měřítku,“ říká Irmandy Wicaksono, výzkumný asistent v MIT Media Lab a hlavní autor článku představujícího 3DKnITS.
Tato technika by mohla najít široké spektrum využití, zejména ve zdravotnictví a rehabilitaci. Mohla by se například použít k výrobě chytrých bot, které sledují chůzi člověka, jenž se po úrazu učí znovu chodit, nebo ponožek, které monitorují tlak na nohu diabetika tak, aby zabránily vzniku vředů.
„Díky digitálnímu pletení máte možnost navrhovat vlastní vzory a také integrovat senzory do samotné struktury textilie, díky čemuž nemá švy a je pohodlná. Můžete ji také dobře přizpůsobit tvaru svého těla," říká Wicaksono. „Některé z prvních průkopnických prací na inteligentních tkaninách se uskutečnily v Media Lab už na konci 90. let. Materiály, zabudovaná elektronika a výrobní stroje od té doby velmi pokročily," říká spoluautor článku Joseph A. Paradiso. „Je skvělé vidět, že se náš výzkum do této oblasti vrací… "
Princip chytré textilie
K výrobě inteligentní textilie používají výzkumníci digitální pletací stroj, který splétá vrstvy látky s řadami standardních i funkčních přízí. Vícevrstvá pletená textilie se skládá ze dvou vrstev úpletu z vodivé příze obklopené piezorezistivním úpletem, který při stlačení mění svůj odpor. Stroj podle vzoru prošívá tuto funkční přízi po celé ploše textilie ve vodorovných a svislých řadách. „V místech, kde se funkční vlákna protínají, vytvářejí senzor tlaku,“ vysvětluje Wicaksono. „Příze je však měkká a poddajná, takže se vrstvy při pohybu uživatele posouvají a třou o sebe. To vytváří šum a způsobuje variabilitu, kvůli které jsou snímače tlaku mnohem méně přesné.“
Wicaksono přišel na řešení tohoto problému při práci v pletárně v čínském Šen-čenu, kde se měsíc učil programovat digitální pletací stroje. Pozoroval dělníky, kteří vyráběli tenisky s použitím termoplastických přízí, které se začnou tavit při zahřátí nad 70 stupňů Celsia. Díky tomu textilie mírně ztvrdne a drží pak přesný tvar.
Vědec se rozhodl, že zkusí tavení vláken a tepelné tvarování do procesu výroby inteligentních textilií začlenit. „Termoformování skutečně řeší problém s nepřesností, protože zpevňuje vícevrstvou textilii do jedné vrstvy tím, že ji v podstatě stlačí a roztaví. Toto tepelné tvarování nám také umožňuje vytvářet 3D formy, jako jsou ponožky nebo boty, které skutečně přesně odpovídají velikosti a tvaru nohy uživatele," říká.
Jakmile zdokonalil výrobní proces, potřeboval Wicaksono systém pro přesné zpracování dat z tlakových senzorů. Protože je tkanina pletená jako mřížka, vytvořil bezdrátový obvod, který skenuje řádky a sloupce na textilii a měří odpor v každém bodě. Inspirován technikami hlubokého učení pro klasifikaci obrazu pak Wicaksono navrhl systém, který zobrazuje data z tlakových senzorů jako tepelnou mapu. Tyto snímky jsou předávány modelu strojového učení, který je vyškolen k detekci postoje, pozice nebo pohybu uživatele na základě snímku tepelné mapy.
Analýza činností
Jakmile byl model vycvičen, dokázal klasifikovat aktivitu uživatele na chytré podložce (chůze, běh, provádění kliků atd.) s přesností 99,6 % a dokázal rozpoznat sedm jógových pozic s přesností 98,7 %. Právě díky vysoké přesnosti by 3DKnITS mohly být užitečné pro aplikace v protetice, kde je tato kvalita nezbytná. „Chytrá textilní vložka by mohla měřit tlak, který protetická končetina vyvíjí na jamku, což by protetikovi umožnilo snadno zjistit, jak dobře zařízení sedí,“ říká Wicaksono.
Nyní, když výzkumníci prokázali úspěšnost své výrobní techniky, plánuje Wicaksono zdokonalit bezdrátový obvod a model strojového učení. V současné době musí být model kalibrován pro každého jednotlivce zvlášť. Až poté může klasifikovat činnosti, což je časově náročný proces. Odstranění tohoto kroku by používání systému 3DKnITS usnadnilo. Výzkumníci chtějí také provést testy na chytrých botách mimo laboratoř, aby zjistili, jak podmínky prostředí, jako je teplota a vlhkost, ovlivňují přesnost senzorů.
„Moc rád vidím, jak technologie postupuje smysluplně vpřed. Je neuvěřitelné, že oblečení, které nosíme, rukáv na ruku nebo ponožku, lze vytvořit tak, aby jeho trojrozměrná struktura mohla být využita pro snímání," říká Eric Berkson, docent ortopedické chirurgie na Harvard Medical School a ortoped sportovní medicíny v Massachusetts General Hospital. „V medicíně, a konkrétně v ortopedické sportovní medicíně, nám dává tato technologie možnost lépe detekovat a klasifikovat pohyb a rozpoznávat vzorce rozložení sil v reálných situacích. To může zlepšit techniky prevence i detekce zranění a pomůže vyhodnotit a nastavit rehabilitaci."
