Los investigadores han desarrollado una nueva tecnología para decodificar señales neuromusculares para controlar potenciados, muñecas y manos protésicas. El trabajo se basa en modelos informáticos que imitan de cerca el comportamiento de las estructuras naturales del antebrazo, muñeca y mano. La tecnología también podría usarse para desarrollar nuevos dispositivos de interfaz de computadora para aplicaciones como juegos y diseño asistido por computadora (CAD).

La tecnología ha funcionado bien en las primeras pruebas, pero aún no ha entrado en ensayos clínicos, por lo que está a años de estar disponible comercialmente. El trabajo fue dirigido por investigadores del programa conjunto de ingeniería biomédica de la Universidad Estatal de Carolina del Norte y la Universidad de Carolina del Norte en Chapel Hill.

Las prótesis de vanguardia actuales se basan en el aprendizaje automático para crear un enfoque de "reconocimiento de patrones" para el control de las prótesis. Este enfoque requiere que los usuarios "enseñen" al dispositivo a reconocer patrones específicos de actividad muscular y traducirlos en comandos, como abrir o cerrar una mano protésica.

"El control del reconocimiento de patrones requiere que los pacientes pasen por un largo proceso de entrenamiento de su prótesis, "dice He (Helen) Huang, profesor en el programa conjunto de ingeniería biomédica de la Universidad Estatal de Carolina del Norte y la Universidad de Carolina del Norte en Chapel Hill. "Este proceso puede ser tedioso y lento.

"Queríamos centrarnos en lo que ya sabemos sobre el cuerpo humano, "dice Huang, quien es el autor principal de un artículo sobre el trabajo. "Esto no solo es más intuitivo para los usuarios, también es más confiable y práctico.

"Eso es porque cada vez que cambias de postura, sus señales neuromusculares para generar el mismo cambio de movimiento de mano / muñeca. Por lo tanto, confiar únicamente en el aprendizaje automático significa enseñar al dispositivo a hacer lo mismo varias veces; una vez para cada postura diferente, una vez para cuando está sudado versus cuando no lo está, etcétera. Nuestro enfoque pasa por alto la mayor parte de eso ".

En lugar de, los investigadores desarrollaron un genérico de usuario, modelo musculoesquelético. Los investigadores colocaron sensores de electromiografía en los antebrazos de seis voluntarios sanos, rastreando exactamente qué señales neuromusculares se enviaron cuando realizaron diversas acciones con sus muñecas y manos. Luego, estos datos se utilizaron para crear el modelo genérico, que tradujo esas señales neuromusculares en comandos que manipulan una prótesis motorizada.

"Cuando alguien pierde una mano, su cerebro está en red como si la mano todavía estuviera allí, "Dice Huang". si alguien quiere tomar un vaso de agua, el cerebro aún envía esas señales al antebrazo. Usamos sensores para captar esas señales y luego transmitir esos datos a una computadora, donde se alimenta a un modelo musculoesquelético virtual. El modelo ocupa el lugar de los músculos, articulaciones y huesos, calculando los movimientos que tendrían lugar si la mano y la muñeca aún estuvieran enteras. Luego transmite esos datos a la muñeca y la mano protésicas, que realizan los movimientos relevantes de forma coordinada y en tiempo real, más parecido al fluido, movimiento natural.

"Al incorporar nuestro conocimiento de los procesos biológicos detrás de la generación de movimiento, pudimos producir una interfaz neuronal novedosa para prótesis que es genérica para múltiples usuarios, incluir a un amputado en este estudio, y es confiable en diferentes posturas de brazos, "Dice Huang.

Y los investigadores piensan que las aplicaciones potenciales no se limitan a los dispositivos protésicos.

"Esto también podría usarse para desarrollar dispositivos de interfaz de computadora para personas sanas, "Dice Huang." Como dispositivos para jugar o para manipular objetos en programas CAD ".

En pruebas preliminares, tanto los voluntarios sanos como los amputados pudieron utilizar la interfaz controlada por modelo para realizar todos los movimientos requeridos de la mano y la muñeca, a pesar de tener muy poca capacitación.

"Actualmente estamos buscando voluntarios que tengan amputaciones transradiales para que nos ayuden con más pruebas del modelo para realizar actividades de la vida diaria, ", Dice Huang." Queremos obtener comentarios adicionales de los usuarios antes de seguir adelante con los ensayos clínicos.

"Para ser claro, todavía estamos a años de que esto esté disponible comercialmente para uso clínico, "Enfatiza Huang." Y es difícil predecir el costo potencial, dado que nuestro trabajo se centra en el software, y la mayor parte del costo para los amputados estaría en el hardware que realmente ejecuta el programa. Sin embargo, el modelo es compatible con los dispositivos protésicos disponibles ".

Los investigadores también están explorando la idea de incorporar el aprendizaje automático en el modelo musculoesquelético genérico.

"Nuestro modelo hace que el uso de prótesis sea más intuitivo y confiable, pero el aprendizaje automático podría permitir a los usuarios obtener un control más matizado al permitir que el programa conozca las necesidades y preferencias diarias de cada persona y se adapte mejor a un usuario específico a largo plazo, "Dice Huang.

El papel, "Control mioeléctrico basado en un modelo musculoesquelético genérico:hacia una interfaz neuronal-máquina multiusuario, "se publica en la revista Transacciones IEEE sobre sistemas neuronales e ingeniería de rehabilitación .