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.
Los investigadores han desarrollado una nueva tecnología para decodificar señales neuromusculares para controlar muñecas y manos protésicas motorizadas. El trabajo se basa en modelos informáticos que imitan fielmente el comportamiento de las estructuras naturales del antebrazo, la muñeca y la 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 aún faltan años para que esté 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 actuales de última generación se basan en el aprendizaje automático para crear un enfoque de “reconocimiento de patrones” para el control de la 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 de reconocimiento de patrones requiere que los pacientes pasen por un largo proceso de entrenamiento de sus prótesis”, dice He (Helen) Huang, profesora 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 llevar mucho tiempo.
“Queríamos centrarnos en lo que ya sabemos sobre el cuerpo humano”, dice Huang, autor principal de un artículo sobre el trabajo. “Esto no solo es más intuitivo para los usuarios, también es más confiable y práctico.
“Eso se debe a que cada vez que cambias de postura, tus señales neuromusculares para generar el mismo movimiento de mano/muñeca cambian. Por lo tanto, confiar únicamente en el aprendizaje automático significa enseñarle al dispositivo a hacer lo mismo varias veces; una vez para cada postura diferente, una vez para cuando estás sudoroso versus cuando no lo estás, y así sucesivamente. Nuestro enfoque pasa por alto la mayor parte de eso”.
En cambio, los investigadores desarrollaron un modelo musculoesquelético genérico para el usuario. Los investigadores colocaron sensores de electromiografía en los antebrazos de seis voluntarios sanos, rastreando exactamente qué señales neuromusculares se enviaban cuando realizaban diversas acciones con las muñecas y las manos. Luego, estos datos se usaron para crear el modelo genérico, que tradujo esas señales neuromusculares en comandos que manipulan una prótesis motorizada.
“Cuando alguien pierde una mano, su cerebro se conecta en red como si la mano todavía estuviera allí”, dice Huang. “Entonces, 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 introducen en un modelo musculoesquelético virtual. El modelo ocupa el lugar de los músculos, las articulaciones y los huesos, calculando los movimientos que se producirían si la mano y la muñeca estuvieran todavía enteras. Luego transmite esos datos a la prótesis de muñeca y mano, que realizan los movimientos relevantes de manera coordinada y en tiempo real, más parecidos a un movimiento fluido y natural.
“Al incorporar nuestro conocimiento de los procesos biológicos detrás de la generación de movimiento, pudimos producir una nueva interfaz neuronal para prótesis que es genérica para múltiples usuarios, incluido un amputado en este estudio, y es confiable en diferentes posturas del brazo”, dice Huang.
Y los investigadores creen que las aplicaciones potenciales no se limitan a los dispositivos protésicos.
“Esto también podría usarse para desarrollar dispositivos de interfaz de computadora para personas sin discapacidad”, dice Huang. “Como dispositivos para juegos o para manipular objetos en programas CAD”.
En las pruebas preliminares, tanto los voluntarios sanos como los amputados pudieron usar la interfaz controlada por el modelo para realizar todos los movimientos necesarios 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 continuar con los ensayos clínicos.
“Para ser claros, todavía estamos a años de que esto esté disponible comercialmente para uso clínico”, enfatiza Huang. “Y es difícil predecir el costo potencial, ya 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 aprenda las necesidades y preferencias diarias de cada persona y se adapte mejor a un usuario específico a largo plazo”, dice Huang.
El artículo, ” Control mioeléctrico basado en un modelo musculoesquelético genérico: hacia una interfaz de máquina neuronal multiusuario “, se publica en la revista IEEE Transactions on Neural Systems and Rehabilitation Engineering. La autora principal del artículo es Lizhi Pan, investigadora postdoctoral en el laboratorio de Huang. El artículo fue coautor de Dustin Crouch, un ex investigador postdoctoral en el laboratorio de Huang que ahora está en la Universidad de Tennessee. El trabajo se realizó con el apoyo de la Agencia de Proyectos de Investigación Avanzada de Defensa bajo la subvención N66001-16-2-4052; la Fundación Nacional de Ciencias bajo las subvenciones 1527202 y 1637892; el Instituto Nacional de Investigación sobre Discapacidad, Vida Independiente y Rehabilitación bajo la subvención 90IF0064; y el Departamento de Defensa bajo las subvenciones W81XWH-15-C-0125 y W81XWH-15-1-0407.
Artículos Relacionados:
- Reseñas de Kiierr – Gorro láser 2022 para el crecimiento del cabello
- Golden Monk Kratom Vendor 2022: Reseñas de clientes, cepas, cupones
- Gundry MD Power Blues – Reseñas de suplementos de 2022 y guía de compra
- Los mejores terapeutas holísticos cerca de mí 2022: 5 asesoramiento espiritual
- Los mejores estetoscopios de 2022: reseñas de las 10 mejores marcas
- Reseñas de aceite de oliva Gundry MD – Producto de polifenol 2022
Dr. Martin Passen, a dedicated nutrition educator with a master’s in nutrition education and nearing completion of a clinical nutrition and dietetics master’s. Passionate about sharing valuable information effectively.