Os pesquisadores desenvolveram uma nova tecnologia para decodificar sinais neuromusculares para controlar alimentados, punhos e mãos protéticos. O trabalho conta com modelos de computador que imitam de perto o comportamento das estruturas naturais do antebraço, pulso e mão. A tecnologia também pode ser usada para desenvolver novos dispositivos de interface de computador para aplicativos como jogos e design auxiliado por computador (CAD).

A tecnologia funcionou bem nos primeiros testes, mas ainda não entrou nos testes clínicos, o que a torna a anos de disponibilidade comercial. O trabalho foi liderado por pesquisadores do programa conjunto de engenharia biomédica da North Carolina State University e da University of North Carolina em Chapel Hill.

As próteses de ponta atuais dependem do aprendizado de máquina para criar uma abordagem de "reconhecimento de padrões" para o controle da prótese. Essa abordagem exige que os usuários "ensinem" o dispositivo a reconhecer padrões específicos de atividade muscular e traduzi-los em comandos - como abrir ou fechar uma mão protética.

"O controle de reconhecimento de padrões requer que os pacientes passem por um longo processo de treinamento de suas próteses, "diz He (Helen) Huang, professor do programa conjunto de engenharia biomédica da North Carolina State University e da University of North Carolina em Chapel Hill. "Esse processo pode ser tedioso e demorado.

"Queríamos nos concentrar no que já sabemos sobre o corpo humano, "diz Huang, quem é o autor sênior de um artigo sobre o trabalho. "Isso não é apenas mais intuitivo para os usuários, também é mais confiável e prático.

"Isso porque toda vez que você muda sua postura, seus sinais neuromusculares para gerar a mesma mudança de movimento da mão / punho. Portanto, contar apenas com o aprendizado de máquina significa ensinar o dispositivo a fazer a mesma coisa várias vezes; uma vez para cada postura diferente, uma vez para quando você está suado versus quando você não está, e assim por diante. Nossa abordagem contorna a maior parte disso. "

Em vez de, os pesquisadores desenvolveram um genérico do usuário, modelo musculoesquelético. Os pesquisadores colocaram sensores de eletromiografia nos antebraços de seis voluntários sãos, rastreando exatamente quais sinais neuromusculares foram enviados quando eles realizaram várias ações com seus pulsos e mãos. Esses dados foram então usados ​​para criar o modelo genérico, que traduziu esses sinais neuromusculares em comandos que manipulam uma prótese elétrica.

"Quando alguém perde uma mão, seu cérebro está conectado como se a mão ainda estivesse lá, "Huang diz." Então, se alguém quiser pegar um copo d'água, o cérebro ainda envia esses sinais para o antebraço. Usamos sensores para captar esses sinais e, em seguida, transmitir esses dados para um computador, onde é alimentado em um modelo musculoesquelético virtual. O modelo toma o lugar dos músculos, articulações e ossos, calcular os movimentos que ocorreriam se a mão e o pulso ainda estivessem inteiros. Em seguida, ele transmite esses dados para a prótese de pulso e mão, que realizam os movimentos relevantes de uma forma coordenada e em tempo real - mais semelhante ao fluido, movimento natural.

"Ao incorporar nosso conhecimento dos processos biológicos por trás da geração de movimento, conseguimos produzir uma nova interface neural para próteses que é genérica para vários usuários, incluindo um amputado neste estudo, e é confiável em diferentes posturas de braço, "Huang diz.

E os pesquisadores acham que as aplicações potenciais não se limitam a dispositivos protéticos.

"Isso poderia ser usado para desenvolver dispositivos de interface de computador para pessoas saudáveis ​​também, "Huang diz." Como dispositivos para jogabilidade ou para manipulação de objetos em programas CAD. "

Em testes preliminares, voluntários fisicamente aptos e amputados foram capazes de usar a interface controlada por modelo para realizar todos os movimentos de mão e punho exigidos - apesar de terem muito pouco treinamento.

"No momento, estamos procurando voluntários que tenham amputações radiais para nos ajudar com mais testes do modelo para realizar as atividades da vida diária, "Huang diz." Queremos obter feedback adicional dos usuários antes de prosseguir com os testes clínicos.

"Para ser claro, ainda estamos a anos de que isso se torne comercialmente disponível para uso clínico, "Huang enfatiza." E é difícil prever o custo potencial, já que nosso trabalho é focado no software, e a maior parte do custo para amputados estaria no hardware que realmente executa o programa. Contudo, o modelo é compatível com as próteses disponíveis. "

Os pesquisadores também estão explorando a ideia de incorporar o aprendizado de máquina ao modelo musculoesquelético genérico.

"Nosso modelo torna o uso de próteses mais intuitivo e confiável, mas o aprendizado de máquina pode permitir que os usuários obtenham um controle mais sutil, permitindo que o programa aprenda as necessidades e preferências diárias de cada pessoa e se adapte melhor a um usuário específico a longo prazo, "Huang diz.

O papel, "Controle mioelétrico baseado em um modelo musculoesquelético genérico:em direção a uma interface neuromáquina multiusuário, "é publicado na revista Transações IEEE em Sistemas Neurais e Engenharia de Reabilitação .