Los científicos han probado con éxito la nueva tecnología neuroprotésica que combina el control robótico con el control voluntario de los usuarios, abriendo caminos en el nuevo campo interdisciplinario de control compartido para las tecnologías neuroprotésicas.
La tecnología combina dos conceptos de dos campos diferentes. La implementación de ambos juntos nunca se había hecho antes para el control manual robótico, y contribuye al campo emergente de control compartido en neuroprotésica.
Un concepto, de la neuroingeniería, implica descifrar el movimiento intencionado del dedo de la actividad muscular en el muñón del amputado para el control individual del dedo de la mano protésica que nunca antes se había hecho. El otro, de la robótica, permite que la mano robótica ayude a agarrar objetos y mantener contacto con ellos para un agarre robusto.
“Cuando sostienes un objeto en la mano y comienza a resbalar, solo tienes un par de milisegundos para reaccionar”, explica Aude Billard, quien dirige el Laboratorio de Algoritmos y Sistemas de Aprendizaje de EPFL. “La mano robótica tiene la capacidad de reaccionar dentro de los 400 milisegundos. Equipada con sensores de presión a lo largo de los dedos, puede reaccionar y estabilizar el objeto antes de que el cerebro pueda percibir que el objeto se está deslizando”.
Cómo funciona el control compartido
El algoritmo primero aprende a decodificar la intención del usuario y lo traduce al movimiento de los dedos de la mano protésica. El amputado debe realizar una serie de movimientos de la mano para entrenar el algoritmo que utiliza el aprendizaje automático. Los sensores colocados en el muñón del amputado detectan la actividad muscular, y el algoritmo aprende qué movimientos de las manos corresponden a qué patrones de actividad muscular. Una vez que se comprenden los movimientos de los dedos previstos por el usuario, esta información se puede utilizar para controlar los dedos individuales de la mano protésica.
“Debido a que las señales musculares pueden ser ruidosas, necesitamos un algoritmo de aprendizaje automático que extraiga actividad significativa de esos músculos y los interprete en movimientos”, dice Katie Zhuang, primer autor de la publicación.
Luego, los científicos diseñaron el algoritmo para que la automatización robótica se active cuando el usuario intenta agarrar un objeto. El algoritmo le dice a la mano protésica que cierre los dedos cuando un objeto está en contacto con sensores en la superficie de la mano protésica. Este agarre automático es una adaptación de un estudio previo para brazos robóticos diseñado para deducir la forma de los objetos y agarrarlos basándose solo en información táctil, sin la ayuda de señales visuales.
Quedan muchos desafíos para diseñar el algoritmo antes de que pueda implementarse en una mano protésica disponible comercialmente para amputados. Por ahora, el algoritmo aún se está probando en un robot provisto por una parte externa.
“Nuestro enfoque compartido para controlar las manos robóticas podría usarse en varias aplicaciones neuroprotésicas como las prótesis de mano biónicas y las interfaces cerebro-máquina, aumentando el impacto clínico y la usabilidad de estos dispositivos”, Silvestro Micera, Presidente de la Fundación Bertarelli de EPFL en Neuroingeniería Traslacional, y profesor de bioelectrónica en Scuola Superiore Sant’Anna.
Un concepto, de la neuroingeniería, implica descifrar el movimiento intencionado del dedo de la actividad muscular en el muñón del amputado para el control individual del dedo de la mano protésica que nunca antes se había hecho. El otro, de la robótica, permite que la mano robótica ayude a agarrar objetos y mantener contacto con ellos para un agarre robusto.
“Cuando sostienes un objeto en la mano y comienza a resbalar, solo tienes un par de milisegundos para reaccionar”, explica Aude Billard, quien dirige el Laboratorio de Algoritmos y Sistemas de Aprendizaje de EPFL. “La mano robótica tiene la capacidad de reaccionar dentro de los 400 milisegundos. Equipada con sensores de presión a lo largo de los dedos, puede reaccionar y estabilizar el objeto antes de que el cerebro pueda percibir que el objeto se está deslizando”.
Cómo funciona el control compartido
El algoritmo primero aprende a decodificar la intención del usuario y lo traduce al movimiento de los dedos de la mano protésica. El amputado debe realizar una serie de movimientos de la mano para entrenar el algoritmo que utiliza el aprendizaje automático. Los sensores colocados en el muñón del amputado detectan la actividad muscular, y el algoritmo aprende qué movimientos de las manos corresponden a qué patrones de actividad muscular. Una vez que se comprenden los movimientos de los dedos previstos por el usuario, esta información se puede utilizar para controlar los dedos individuales de la mano protésica.
“Debido a que las señales musculares pueden ser ruidosas, necesitamos un algoritmo de aprendizaje automático que extraiga actividad significativa de esos músculos y los interprete en movimientos”, dice Katie Zhuang, primer autor de la publicación.
Luego, los científicos diseñaron el algoritmo para que la automatización robótica se active cuando el usuario intenta agarrar un objeto. El algoritmo le dice a la mano protésica que cierre los dedos cuando un objeto está en contacto con sensores en la superficie de la mano protésica. Este agarre automático es una adaptación de un estudio previo para brazos robóticos diseñado para deducir la forma de los objetos y agarrarlos basándose solo en información táctil, sin la ayuda de señales visuales.
Quedan muchos desafíos para diseñar el algoritmo antes de que pueda implementarse en una mano protésica disponible comercialmente para amputados. Por ahora, el algoritmo aún se está probando en un robot provisto por una parte externa.
“Nuestro enfoque compartido para controlar las manos robóticas podría usarse en varias aplicaciones neuroprotésicas como las prótesis de mano biónicas y las interfaces cerebro-máquina, aumentando el impacto clínico y la usabilidad de estos dispositivos”, Silvestro Micera, Presidente de la Fundación Bertarelli de EPFL en Neuroingeniería Traslacional, y profesor de bioelectrónica en Scuola Superiore Sant’Anna.
Enlace al trabajo de investigación: Katie Z. Zhuang, Nicolas Sommer, Vincent Mendez, Saurav Aryan, Emanuele Formento, Edoardo D’Anna, Fiorenzo Artoni, Francesco Petrini, Giuseppe Granata, Giovanni Cannaviello, Wassim Raffoul, Aude Billard, Silvestro Micera. Shared human–robot proportional control of a dexterous myoelectric prosthesis. Nature Machine Intelligence, 2019
Buscamos escritores
Convierte tu manuscrito en realidad. En Editorial Bloghemia te acompañamos en el proceso completo de publicación, desde la edición hasta la distribución.
Publica un artículo
Comparte tu voz con nuestra comunidad. Publica tus artículos en nuestra revista y conecta con lectores apasionados por la cultura, arte y literatura.
ENVIAR ARTÍCULOSuscríbete a nuestro Boletín
Recibe en tu correo nuestros últimos artículos, reseñas y escritos de nuestros colaboradores.
