El control compartido háptico mejora la eficiencia neural durante el uso de prótesis mioeléctricas

Apr 30, 2023

Scientific Reports volumen 13, Número de artículo: 484 (2023) Citar este artículo

1178 Accesos

4 Altmetric

Detalles de métricas

Las prótesis mioeléctricas clínicas carecen de la retroalimentación sensorial y la destreza suficiente necesarias para completar las actividades de la vida diaria de manera eficiente y precisa. Se ha demostrado por separado que proporcionar retroalimentación háptica de señales ambientales relevantes para el usuario o dotar a la prótesis de autoridad de control autónoma mejora la utilidad de la prótesis. Sin embargo, pocos estudios han investigado el efecto de combinar estos dos enfoques en un paradigma de control compartido, y ninguno ha evaluado dicho enfoque desde la perspectiva de la eficiencia neuronal (la relación entre el desempeño de la tarea y el esfuerzo mental medido directamente desde el cerebro). En este trabajo, analizamos la eficiencia neuronal de 30 participantes no amputados en una tarea de agarrar y levantar un objeto frágil. En este caso, se comparó una prótesis mioeléctrica con retroalimentación vibrotáctil de la fuerza de agarre y control autónomo del agarre con una prótesis mioeléctrica estándar con y sin retroalimentación vibrotáctil. Como medida del esfuerzo mental, capturamos los cambios en la actividad de la corteza prefrontal mediante espectroscopia funcional de infrarrojo cercano durante el experimento. Se esperaba que la prótesis con control compartido háptico mejorara tanto el rendimiento de la tarea como el esfuerzo mental en comparación con la prótesis estándar. Los resultados mostraron que solo el sistema de control compartido háptico permitía a los usuarios lograr una alta eficiencia neuronal y que la retroalimentación vibrotáctil era importante para agarrar con la fuerza de agarre adecuada. Estos resultados indican que el sistema de control compartido háptico combina sinérgicamente los beneficios de la retroalimentación háptica y los controladores autónomos, y está bien posicionado para informar tales avances híbridos en la tecnología de prótesis mioeléctricas.

Durante la manipulación volitiva de objetos, las sensaciones hápticas (propioceptivas, cinestésicas y táctiles) del miembro biológico se utilizan para realizar correcciones de agarre y actualizar los modelos internos de retroalimentación del objeto y el entorno1. Este refinamiento del modelo ayuda a mejorar la velocidad y la destreza de las manipulaciones posteriores, de modo que una interacción inicialmente vacilante con un objeto desconocido o frágil se vuelve más fluida y eficiente con más experiencia2,3. La información sensorial es particularmente importante para ajustar las fuerzas de agarre para manejar objetos frágiles o quebradizos; la fuerza de agarre debe ser lo suficientemente grande para contrarrestar la inercia y la gravedad, pero no lo suficientemente grande como para aplastar el objeto4. Este conocimiento informado por la háptica se pierde en las prótesis típicas de miembros superiores, ya que no proporcionan retroalimentación sensorial.

Durante las últimas décadas, los investigadores han estado intentando restaurar la retroalimentación háptica en las prótesis de miembros superiores (consulte la revisión de 2018 de Stephens-Fripp et al.5). En particular, se ha realizado un esfuerzo significativo en el uso de estimulaciones mecanotáctiles en la piel para proporcionar a los usuarios de prótesis señales como fuerza de agarre, apertura de agarre y deslizamiento de objetos6,7,8. Investigaciones anteriores han demostrado los beneficios de la retroalimentación háptica para mejorar el desempeño de tareas discriminativas y diestras con una prótesis mioeléctrica9,10,11,12. En particular, la retroalimentación vibrotáctil sigue siendo un método simple pero efectivo de retroalimentación háptica en prótesis debido a su tamaño compacto y bajo consumo de energía13,14,15,16,17,18.

A pesar de los beneficios demostrados de la retroalimentación háptica para las prótesis de miembros superiores, en particular para la modulación de la fuerza de agarre10,11,19, el control constante incluso de las manos mioeléctricas estándar sigue siendo un desafío. En el esquema mioeléctrico más simple, el control directo, la cantidad de actividad eléctrica de un par de músculos agonista-antagonista se usa para controlar un dispositivo terminal de prótesis de un solo grado de libertad. El retraso inherente entre la interpretación del usuario de la retroalimentación háptica y el comando mioeléctrico posterior podría hacer que el movimiento volitivo sea demasiado lento20, así como cognitivamente exigente21,22.

Para reducir la carga cognitiva del usuario y al mismo tiempo mejorar el éxito de la tarea, los investigadores se han centrado en incorporar inteligencia autónoma de bajo nivel directamente en la prótesis. Estos sistemas autónomos pueden reaccionar y prevenir errores de agarre como el deslizamiento de un objeto o una fuerza de agarre excesiva23,24,25,26,27. Técnicas similares ya disfrutan de implementación comercial, como es el caso de la prótesis mioeléctrica Ottobock SensorHand Speed28 de control directo. Más allá de los sistemas autónomos activados por eventos, también existen controladores que intentan optimizar el rendimiento de agarre, como maximizar el área de contacto entre la mano protésica y el objeto29. De manera similar, se han propuesto controladores que predicen la secuencia probable de agarres prensiles deseados sin la intervención del usuario30,31,32.

Si bien estas estrategias de control autónomo complementan el control humano en diversos grados, no logran proporcionar una retroalimentación sensorial crítica al usuario durante la operación volitiva (es decir, manual) de la prótesis. Esta retroalimentación sensorial podría usarse para actualizar la estrategia de manipulación del usuario y, por lo tanto, mejorar el control volitivo. A su vez, el controlador autónomo podría aprender las estrategias exitosas de control volitivo del ser humano y replicarlas en manipulaciones posteriores, mejorando así el desempeño de la tarea y reduciendo el esfuerzo cognitivo.

Los enfoques de control que arbitran entre el control humano guiado hápticamente y el control autónomo pueden describirse como control compartido háptico. Las técnicas de control compartido háptico, por ejemplo, se han incorporado en aplicaciones automotrices, donde la retroalimentación háptica del sistema autónomo guía al conductor durante la navegación33,34,35,36,37. En nuestro trabajo anterior, desarrollamos un enfoque de control compartido háptico para una prótesis de miembro superior e investigamos su utilidad en el desempeño de tareas en una tarea diestra de alcanzar, recoger y colocar sin visión directa38. En este manuscrito, nos basamos en este estudio previo al investigar hasta qué punto el control compartido háptico mejora la eficiencia neuronal en una tarea diestra. La eficiencia neuronal aquí se define como la relación entre el desempeño de la tarea y el esfuerzo mental requerido para alcanzar ese nivel de desempeño39. Hemos demostrado previamente que la retroalimentación háptica proporcionada durante el control volitivo (es decir, manual) de una prótesis conduce a una mayor eficiencia neuronal en una tarea de discriminación de rigidez de objetos sobre el control volitivo sin retroalimentación háptica22. El esfuerzo mental en este estudio se evaluó mediante espectroscopía de infrarrojo cercano funcional (fNIRS), una técnica de imagen cerebral óptica no invasiva40.

En el presente estudio, empleamos las mismas medidas neurofisiológicas para proporcionar una evaluación holística del impacto del control compartido háptico en el desempeño de la tarea y la carga cognitiva en una tarea de agarre y levantamiento diestro con un objeto frágil, lo que requiere un control de fuerza preciso. En particular, investigamos la eficiencia neuronal de los participantes mientras realizan la tarea de agarrar y levantar con una prótesis mioeléctrica estándar, una prótesis mioeléctrica con retroalimentación vibrotáctil de la fuerza de agarre o una prótesis mioeléctrica con control compartido háptico, es decir, retroalimentación vibrotáctil. de fuerza de prensión y control autónomo de bajo nivel de la fuerza de prensión integrado a través de un paradigma de imitación-aprendizaje. Nuestra hipótesis es que el control compartido háptico dará como resultado la mayor eficiencia neuronal (mejor rendimiento de la tarea y menor carga cognitiva) en comparación con la prótesis estándar, seguida de la prótesis con retroalimentación vibrotáctil de la fuerza de agarre.

33 participantes no amputados (9 mujeres, edad 24,6 ± 3,2, 2 zurdos) participaron en este estudio experimental aprobado por el Instituto Médico Johns Hopkins IRB (protocolo n.º 00147458). Se obtuvo el consentimiento informado de todos los participantes y todos los métodos se realizaron de acuerdo con las pautas y regulaciones pertinentes. Los participantes fueron asignados de forma pseudoaleatoria a uno de tres grupos, y cada grupo fue equilibrado por género. Los participantes del primer grupo completaron una tarea de agarrar y levantar utilizando una prótesis mioeléctrica estándar (grupo estándar). Los participantes del segundo grupo completaron la misma tarea de agarrar y levantar utilizando una prótesis mioeléctrica con retroalimentación vibrotáctil de la fuerza de agarre (grupo vibrotáctil). Los participantes del tercer grupo completaron la tarea de agarrar y levantar utilizando una prótesis mioeléctrica con control compartido háptico (grupo de control compartido háptico). La figura 1 muestra a uno de los experimentadores demostrando la configuración experimental para el grupo de control compartido háptico.

Los dispositivos utilizados en el experimento incluyen una prótesis simulada, un actuador vibrotáctil, un dispositivo de imágenes fNIRS y un objeto instrumentado. Excluyendo el flujo de datos fNIRS, todas las señales de entrada y salida se controlaron a través de un software en tiempo real Quanser QPIDe DAQ y QUARC en MATLAB/Simulink 2017a.

El usuario agarra el frágil objeto instrumentado con una prótesis mioeléctrica con control compartido háptico. Un auricular fNIRS sobre la frente recopila medidas neurofisiológicas de carga cognitiva.

La prótesis consiste en un encaje termoplástico personalizado que pueden usar los participantes no amputados y un dispositivo terminal estilo gancho de cierre voluntario (abertura máxima de 83 mm). Un cable Bowden conecta el dispositivo terminal a un actuador lineal motorizado personalizado para controlar la apertura y el cierre del dispositivo. Esta misma prótesis y actuador han sido utilizados y descritos con más detalle en Thomas et al.9,22. Se adjuntó un sistema de contrapeso al dispositivo terminal para simular las condiciones de carga que normalmente experimentan los amputados transradiales; compensó 500 g de la masa de 800 g de la prótesis.

El actuador lineal motorizado se acciona en modo de control de velocidad de bucle abierto proporcional mediante señales de electromiografía de superficie (sEMG) de los grupos de músculos flexores y extensores de la muñeca. Las señales sEMG se adquirieron utilizando un sistema de sobremesa Delsys Bagnoli de 16 canales.

Inspirándose en investigaciones previas41,42, se diseñó un dispositivo instrumentado que simula un objeto frágil (\(77 \times 74 \times 139\,\text {mm}\)) para la tarea de agarrar y levantar. Este objeto, representado en la Fig. 2, consta de una pared plegable para indicar la rotura del objeto. El objeto cuenta con un acelerómetro para medir los movimientos del objeto, un imán y un sensor de efecto Hall para detectar roturas, una celda de carga de 10 kg para medir la fuerza de agarre y un contenedor de peso para personalizar la masa del objeto. Para el presente estudio, la masa del objeto se mantuvo constante en 310 g. Se colocó tela conductora en la base del objeto y la superficie de la plataforma de prueba para detectar la elevación del objeto.

El objeto instrumentado simula roturas utilizando una pared plegable con bisagras y es capaz de medir la fuerza de agarre y los movimientos del objeto con una celda de carga y un acelerómetro.

La espectroscopia de infrarrojo cercano funcional (fNIRS) utiliza luz infrarroja cercana para medir los cambios de oxigenación cortical con el fin de capturar la actividad neuronal. Los cambios en la concentración de oxigenación regional (hemoglobina desoxigenada y oxigenada y su sumatoria de hemoglobina total, Hb-total) son correlatos de la activación cerebral por el consumo de oxígeno de las neuronas43,44,45,46,47. Por lo tanto, los cambios en la concentración de hemoglobina están fuertemente relacionados con la oxigenación y el metabolismo de los tejidos. Fortuitamente, los espectros de absorción de oxi- y desoxi-Hb siguen siendo significativamente diferentes entre sí, lo que permite que sea posible la separación espectroscópica de estos compuestos utilizando solo unas pocas longitudes de onda de muestra. Se ha demostrado que fNIRS produce resultados similares a otros métodos de imágenes cerebrales, como la resonancia magnética funcional (fMRI)48,49 y se ha demostrado en numerosos estudios anteriores50,51,52,53,54. Además, tiene mejor resolución espacial que la electroencefalografía y también es menos susceptible a artefactos de movimiento y actividad muscular que pueden interferir con las señales de carga de trabajo mental55. Además, anteriormente usamos fNIRS para evaluar con éxito el efecto de una prótesis mioeléctrica con retroalimentación vibrotáctil sobre la carga cognitiva en una tarea de discriminación de rigidez22. Se utilizó un generador de imágenes fNIRS de cuatro optodos (Modelo 1100W; fNIR Devices, LLC, EE. UU.) para medir la actividad hemodinámica de cuatro regiones de la corteza prefrontal a una frecuencia de muestreo de 4 Hz. Las señales fueron adquiridas y post-procesadas en COBI Studio (v1.5.0.51) y fnirSoft (v4.11)56. Luego, se aplica un filtro de respuesta de impulso finito (FIR) de fase lineal y paso bajo de orden 40 diseñado con una ventana de Hamming y una frecuencia de corte de 0,1 Hz para atenuar el ruido de alta frecuencia y las oscilaciones fisiológicas como la frecuencia cardíaca y la frecuencia respiratoria. Luego se aplica el Beer Lambert modificado a los datos filtrados para obtener las concentraciones relativas de hemoglobina, que se relacionan con el esfuerzo mental a través del acoplamiento neurovascular40,57.

El procedimiento de calibración de sEMG emplea la contracción voluntaria máxima para normalizar las señales de sEMG entre los voltajes mínimo y máximo del motor de la prótesis. La amplitud de la actividad de flexión de la muñeca es proporcional a la velocidad de cierre de la prótesis. Asimismo, la amplitud de la actividad de extensión de la muñeca es proporcional a la velocidad de apertura de la prótesis. La ecuación de control y más detalles se pueden encontrar en nuestro estudio previo38; la única diferencia aquí es el rango de voltajes utilizados para impulsar la prótesis actual (1,5 a 7 V aquí en lugar de 0,55 a 1,5 V en nuestro trabajo anterior).

La retroalimentación vibrotáctil de la fuerza de agarre se proporcionó utilizando un tactor C-2 (Engineering Acoustics) impulsado por un amplificador Syntacts (v3.1)58. El factor fue atado a la parte superior del brazo del participante. La frecuencia de retroalimentación vibrotáctil se fijó en 250 Hz. El voltaje de retroalimentación vibrotáctil \(\nu\) era proporcional al voltaje L de la celda de carga del objeto instrumentado. A medida que aumentaba la fuerza sobre la celda de carga, la amplitud de la vibración aumentaba como se muestra en

El estado de reposo de la celda de carga es de alrededor de 4,5 V. A medida que se aplica fuerza a la celda de carga, este valor disminuye. Se eligió 4,3 V como umbral para detectar contacto en la celda de carga.

El esquema de control compartido háptico cambia entre el control manual del usuario (con retroalimentación vibrotáctil) de la prótesis y un sistema de control autónomo que intenta imitar la fuerza de agarre deseada por el usuario. Cuando está habilitado y posteriormente activado por el usuario, el controlador autónomo cierra de forma independiente el dispositivo terminal de prótesis hasta que se alcanza la fuerza de agarre preestablecida por el usuario.

Para habilitar el controlador, el usuario primero debe accionar manualmente la prótesis (a través de sEMG) y levantar el objeto durante un mínimo de un segundo sin romperlo ni dejarlo caer. Dichos casos se identifican mediante la evaluación de picos pronunciados en la derivada de la señal de la celda de carga, donde \({\frac{dL}{dt}} > 2,5 {\frac{\text{V}}{{\text{s}} }}\) indica un evento de deslizamiento, y \({\frac{dL}{dt}} > 5 {\frac{\text{V}}{{\text{s}}}}\) indica la rotura del objeto. Durante esta operación manual, el participante recibe retroalimentación vibrotáctil de la fuerza de agarre como se describe en la sección "Retroalimentación vibrotáctil". La fuerza de agarre promedio aplicada durante el segundo de levantamiento exitoso se almacena como la fuerza de agarre deseada para el controlador compartido. Una vez que se almacena este valor, la retroalimentación vibrotáctil se apaga y el LED azul de la prótesis se enciende, informando al usuario de la transición al control autónomo.

Para activar el cierre autónomo del dispositivo terminal de la prótesis, los participantes deben generar una señal sEMG de flexión de muñeca \(S_f\) mayor o igual al umbral de flexión de muñeca, \(f_L\) (sin necesidad de sostener la actividad). El comando de cierre al dispositivo terminal cuando se inició el agarre autónomo (\(h_c\)) ocurrió en tres etapas separadas (\(h^1_c\), \(h^2_c\), \(h^3_c\)). Primero, una señal decreciente inicial inició un cierre rápido como se muestra en

Una vez que la velocidad de cierre disminuyó por debajo de un umbral determinado heurísticamente, el comando de cierre se incrementó continuamente hasta que se detectó el contacto con el objeto como en

donde \(\frac{da}{dt}\) es la derivada de la apertura de la prótesis (es decir, la velocidad), \(a_L\) se refiere al umbral de velocidad inferior y \(a_U\) es el umbral superior.

El contacto ocurrió cuando el valor de la celda de carga L en el objeto frágil disminuyó por debajo de un umbral \(L_t\) y la apertura de la prótesis A disminuyó por debajo de un umbral \(A_t\), medido por un codificador en el motor del actuador lineal. Después del contacto, un controlador proporcional e integral cierra el dispositivo terminal hasta que la señal de la celda de carga está dentro del 5 % de la fuerza de agarre predefinida del usuario \(L_{\text {d}}\) como se muestra en

Si el control autónomo es activado accidentalmente por el usuario, el usuario puede activar sus extensores de muñeca para enviar un comando de "abrir", que cancela el cierre autónomo. Esto no desactiva el controlador; simplemente detiene el proceso de cierre autónomo. Si el objeto se rompe o se cae durante el intento de levantamiento, el controlador autónomo se desactiva por completo, lo que obliga al operador a controlar la prótesis en modo manual (con retroalimentación háptica). El usuario también puede desactivar manualmente el controlador pulsando el botón LED azul de la prótesis. Cuando el controlador está desactivado, el usuario recibe una vibración pulsada breve y el LED se apaga. Por lo tanto, el usuario continuará en el modo autónomo mientras no se detecten errores de agarre, o si el usuario no anula manualmente el controlador. Además, el controlador autónomo siempre está habilitado después de que el usuario levanta con éxito el objeto en modo manual. Los rastros de señal para un participante que usa el controlador háptico compartido se pueden ver en la Fig. 3.

Señales de ejemplo de la primera prueba de un participante en la condición de control compartido háptico cuando agarraron y levantaron el objeto frágil dos veces. Las líneas discontinuas verdes indican cuándo se levantó el objeto y las líneas punteadas marrones indican cuándo se depositó el objeto. Las líneas discontinuas de color rosa indican cuándo se habilitó el controlador autónomo. Las trazas que se muestran son la actividad de flexión sEMG \(S_f\), el comando de cierre \(u_c\), el porcentaje cerrado de la prótesis, la señal de la celda de carga L y la señal de vibración del tactor C-2 \(\nu\). Las huellas muestran dos agarres y levantamientos exitosos, donde el primer intento se realizó manualmente con retroalimentación vibrotáctil, mientras que el segundo intento se completó utilizando el control autónomo. Tenga en cuenta que es posible identificar las tres etapas del control autónomo (la primera es \(h^1_c\), el comando decreciente, la segunda es \(h^2_c\), el comando de aceleración y la tercera es \(h^ 3_c\), el comando del controlador integral proporcional).

Antes de comenzar el experimento, cada participante completó un cuestionario demográfico. A continuación, un experimentador colocó un electrodo sEMG en el grupo de músculos flexores de la muñeca derecha del participante y otro en el grupo de músculos extensores de la muñeca derecha. Los participantes calibraron sus señales sEMG utilizando la contracción voluntaria máxima (MVC) de sus grupos de músculos flexores y extensores de la muñeca. Luego, los experimentadores colocaron el auricular de imágenes fNIRS en la frente del participante utilizando puntos de referencia anatómicos. Las almohadillas sensoras se alinearon con los ejes de simetría vertical y horizontal. Se tuvo cuidado de alinear los marcadores centrales en los sensores de los hemisferios izquierdo y derecho con las pupilas de los participantes en cada hemisferio. Se usó una banda de tela oscura para cubrir los bordes del auricular y la almohadilla del sensor para bloquear la luz ambiental. Después de asegurarse de que ningún cabello obstruyera los sensores en los auriculares y de confirmar un ajuste cómodo, los experimentadores tomaron medidas de referencia de la actividad de la corteza prefrontal56.

Mientras estaban sentados frente a la mesa experimental, los participantes usaron una GUI para completar un entrenamiento y una evaluación combinados de su control de señal sEMG, modelado a partir de la prueba informada en59. Se pidió a los participantes que alcanzaran y mantuvieran tres niveles diferentes de actividad sEMG durante cinco segundos a la vez; cada uno de los niveles eran 12,5%, 25% y 37,5% del MVC del usuario. Estos valores son puntos equidistantes entre el 0% y el 50% de MVC, que se mapea a la velocidad máxima de la prótesis; estos porcentajes de MVC representan así un rango razonable de velocidades. El participante primero completó una sesión de práctica para la actividad de flexión de la muñeca, donde cada uno de los tres niveles se presentó una vez. Una vez finalizada la práctica, el participante completaba una sesión de prueba, en la que cada uno de los tres niveles se presentaba tres veces. Después de completar las sesiones de práctica y prueba para el flexor de la muñeca, los participantes repitieron el mismo procedimiento de práctica y prueba para el extensor de la muñeca.

Después de completar el entrenamiento y la evaluación de sEMG, se les pidió a los participantes que se pusieran de pie para comenzar el entrenamiento para la tarea de agarrar y levantar. Si el participante estaba en el grupo de control compartido vibrotáctil o háptico, el tactor C-2 se colocó en la parte superior del brazo derecho. Así mismo, si el participante estaba en el grupo Haptic Shared Control, se colocaba el botón LED azul en la prótesis. Luego, el experimentador instruyó al participante sobre cómo cerrar y abrir la prótesis usando su actividad muscular. Los participantes pudieron practicar el cierre y la apertura de la prótesis hasta que se sintieron cómodos. A continuación, el experimentador explicó que el objetivo de la tarea era agarrar y levantar el frágil objeto instrumentado durante tres segundos sin romperlo ni dejarlo caer.

A todos los participantes se les indicó que colocaran la prótesis justo debajo de una pequeña protuberancia en la pared plegable para garantizar una colocación uniforme. A los participantes del grupo Estándar se les permitió múltiples intentos hasta que levantaron con éxito el objeto durante tres segundos. Luego se les dieron tres intentos de práctica más antes de pasar al experimento real.

A los participantes del grupo vibrotáctil se les dio primero una descripción general de la retroalimentación y luego se les indicó que usaran la retroalimentación para encontrar la fuerza de agarre adecuada para levantar el objeto. Luego se les permitió múltiples intentos hasta que pudieron levantar con éxito el objeto durante tres segundos. Posteriormente, se les dieron tres intentos de práctica más antes de pasar al experimento real.

A los participantes del grupo de control compartido háptico se les dio primero una descripción general del controlador compartido y se les informó sobre cómo cambiar entre los modos manual y autónomo. Luego se les permitió múltiples intentos hasta que pudieron levantar con éxito el objeto durante tres segundos en el modo manual. A continuación, se les pidió que activaran el control autónomo y levantaran el objeto (consulte la sección "Controlador compartido háptico"). Luego, el experimentador demostró los dos escenarios que desactivaron automáticamente el controlador autónomo: (1) la rotura de un objeto y (2) el deslizamiento de un objeto. Luego, se le pidió al participante que agarrara y levantara el objeto en modo manual después de cada demostración para volver a habilitar el controlador autónomo. Finalmente, el experimentador demostró cómo usar el botón LED azul para anular manualmente el controlador autónomo. Posteriormente, al participante se le permitió dos intentos más de práctica antes de pasar al experimento real. Los participantes del grupo de control compartido háptico comenzaron el experimento en modo manual.

Después de completar todo el entrenamiento, los participantes completaron siete pruebas de un minuto de la tarea de agarrar y levantar, en las que intentaron agarrar y levantar el objeto tantas veces como fuera posible dentro de ese minuto sin romperlo o dejarlo caer. Los participantes tenían una vista completa de la tarea. Se pidió a los participantes que sostuvieran el objeto en el aire durante 3 s. Se proporcionó un descanso de 30 s entre ensayos.

Después de terminar los siete ensayos, los participantes completaron una encuesta sobre su experiencia subjetiva del experimento. Las preguntas se basaron en el cuestionario NASA-TLX60 e incluyeron una combinación de escala móvil y preguntas de respuesta corta.

Las siguientes métricas se utilizaron para analizar las tres condiciones desde la perspectiva del desempeño de tareas y el desempeño neuronal.

Un levantamiento exitoso se definió como levantar y sostener el objeto en el aire durante al menos tres segundos. No hubo requisitos para la altura de elevación en la tarea. Se registró el estado de cada intento de agarre (levantamiento exitoso o no). Además, también se calculó el número total de levantamientos exitosos por prueba.

Se definió un margen de agarre seguro para el objeto instrumentado como un valor de celda de carga en el rango de 3 a 4 V. Para cada intento de agarre, los 100 valores de celda de carga más pequeños (medidos durante el agarre del objeto, que representan los valores de fuerza máxima; consulte la Fig. .3) se promediaron y compararon con el intervalo de agarre seguro.

La concentración total de hemoglobina (HbT) se utilizó como proxy para medir la carga cognitiva. El valor promedio se extrajo para cada uno de los siete ensayos de cuatro regiones de la corteza prefrontal: lateral izquierda, medial izquierda, medial derecha y lateral derecha.

Estas mediciones de la carga cognitiva se combinaron con el número total de levantamientos para calcular la eficiencia neural como se describe en39. Las puntuaciones z del número de levantamientos exitosos que duraron al menos 3 s sin ningún error de agarre \(z(\text {Lift})\) y la concentración total de hemoglobina \(z(\text {HbT})\) se calcularon para derivar la métrica de eficiencia neuronal como

Aquí, la media y la desviación estándar utilizadas para calcular la puntuación z se refieren a la media y la desviación estándar de todos los participantes en todas las condiciones. Esta métrica describe el esfuerzo mental requerido para lograr un cierto nivel de rendimiento. Una mayor eficiencia neuronal se asocia con un mayor rendimiento y una menor carga cognitiva.

La encuesta posterior al experimento fue una combinación de preguntas deslizantes (0–100) y de respuesta corta. Las preguntas de la escala móvil pedían a los participantes que calificaran la demanda física, la demanda mental y el ritmo de la tarea. Además, les pidió que calificaran su capacidad percibida para completar la tarea, su nivel de frustración y cuánto usaron señales visuales, auditivas y táctiles para ayudarlos a completar la tarea. Finalmente, la encuesta los incitó a explicar la estrategia que emplearon para realizar la tarea y brindar otros comentarios sobre su experiencia.

El análisis estadístico se llevó a cabo en RStudio (v4.1.0). Se utilizó una mezcla de modelos mixtos logísticos y lineales para evaluar la tarea y el rendimiento neuronal. Los efectos aleatorios incluyeron una intersección aleatoria para el sujeto y una pendiente aleatoria para el ensayo. Se realizaron pruebas post-hoc con una corrección de Bonferroni. Los residuos del modelo se trazaron y comprobaron la homogeneidad de la varianza y la normalidad. Se utilizó un valor de p de 0,05 como umbral de significación.

Se utilizó un modelo mixto binomial logístico para evaluar la probabilidad de estar dentro del margen de agarre seguro para cada intento de agarre. Los efectos fijos incluyeron el número de prueba y el modo, donde el modo podría ser Sin retroalimentación (operación manual de la prótesis mioeléctrica), Retroalimentación (operación manual de la prótesis con retroalimentación vibrotáctil de la fuerza de agarre) o Autónomo (el controlador autónomo opera la prótesis). Los intentos de agarre con retroalimentación incluyen todos los intentos de agarre de los participantes del grupo vibrotáctil y los intentos de agarre de los participantes del grupo de control compartido háptico que operaban manualmente la prótesis (controlador autónomo desconectado).

Se utilizó un modelo mixto binomial logístico separado para evaluar la probabilidad de levantar el objeto. Se utilizaron modelos mixtos lineales individuales para evaluar el número de levantamientos, la concentración total de hemoglobina para cada una de las cuatro regiones del cerebro y la eficiencia neuronal para cada una de las cuatro regiones del cerebro. Los efectos fijos para todos los modelos fueron el grupo de participantes y el número de prueba. Para este análisis, el grupo vibrotáctil está separado del grupo de control compartido háptico y no incluye ensayos de participantes en el grupo de control compartido háptico que operan manualmente la prótesis.

Tres de los 33 participantes que dieron su consentimiento para participar en el estudio fueron excluidos del análisis de datos. De esos tres, uno no pudo terminar el experimento debido a problemas técnicos con el sistema. Otro participante no pudo producir señales sEMG satisfactorias durante el paso de calibración y un tercer participante tuvo un control deficiente durante el experimento. Este participante también exhibió un control deficiente durante la evaluación de sEMG, como lo demuestra su alto error cuadrático medio durante la evaluación de sEMG de flexión y extensión en comparación con los otros participantes. Los siguientes resultados son para los 30 participantes restantes (10 en cada grupo).

Los resultados informados para los datos indican la estimación de los efectos fijos \(\beta\) y el error estándar SE de los análisis estadísticos de modelos lineales y logísticos mixtos. Hubo 531 observaciones para el grupo estándar, 522 para el grupo vibrotáctil y 433 para el grupo de control compartido háptico. Para abreviar, se discutirán los resultados de la carga cognitiva solo de la corteza prefrontal lateral derecha, ya que esta región presentó los cambios más significativos en la actividad. Los resultados de la carga cognitiva de las otras regiones del cerebro se pueden encontrar en el material complementario asociado con este manuscrito.

La probabilidad de agarrar el objeto dentro de un margen de fuerza de agarre seguro para cada intento de agarre, donde los puntos de datos individuales representan el promedio de cada prueba (para todos los participantes en cada modo) y las líneas continuas indican la predicción del modelo. Nota: el modo Sin retroalimentación se refiere a la operación manual de la prótesis, el modo Retroalimentación se refiere a la operación manual de la prótesis con retroalimentación vibrotáctil y el modo Autónomo se refiere a la operación autónoma de la prótesis. * indica \(p<0.05\), ** indica \(p<0.01\), y *** indica \(p<0.001\).

Se utilizó un modelo mixto binomial para evaluar las probabilidades de que un intento de agarre dado fuera adecuado para levantar el objeto sin romperlo. Aquí, comparamos los modos Sin retroalimentación, Retroalimentación y Autónomo. El modo Sin comentarios incluye a todos los participantes del grupo Estándar. El modo de retroalimentación incluye a los participantes en el grupo vibrotáctil, así como a los participantes del control compartido háptico que estaban en el modo manual. El modo Autónomo incluye participantes con control compartido háptico que usan el controlador autónomo para completar la tarea de agarrar y levantar. Hubo 531 observaciones para el modo sin retroalimentación, 632 para el modo de retroalimentación y 323 para el modo autónomo. Las probabilidades de estar dentro de un margen de agarre seguro se acercaban a una diferencia positiva significativa del 50 % en el modo Estándar (\(\beta =0.96, SE=0.51, p=0.06\)). Sin embargo, tanto el modo de vibración (\(\beta =1.07, SE=0.53, p=0.045\)) como el modo autónomo (\(\beta =2.61, SE=0.57, p<0.001\)) mejoraron significativamente las probabilidades de estar dentro de un margen de agarre seguro en comparación con el modo Estándar. Además, el modo autónomo fue significativamente mejor que el modo vibrotáctil (\(\beta =1,55, SE=0,33, p<0,001\)) para garantizar un margen de agarre seguro. La experiencia con la tarea (es decir, el número de intentos) no tuvo ningún efecto sobre la capacidad de agarre dentro del margen de seguridad (\(\beta =-0,07, SE=0,06, p=0,22\)). Consulte la Fig. 4 para ver una visualización de estos resultados. Además de estos resultados estadísticos, la cantidad de objetos levantados, rotos, caídos y otros errores de agarre se informan para cada grupo en la Tabla 1. Aquí, otros errores de agarre podrían incluir intentos de levantar que no tuvieron éxito ni resultaron en una caída o descanso (por ejemplo, el participante levantó el objeto y luego lo dejó antes de la marca de 3 s).

Se utilizó un modelo mixto binomial para evaluar las probabilidades de que un intento de agarre dado resultara en un levantamiento exitoso. Aquí y en todos los resultados posteriores, comparamos los grupos de control compartido estándar, vibrotáctil y háptico. Las probabilidades de levantar el objeto en el grupo Estándar fueron significativamente inferiores al 50 % (\(\beta =-0,96, SE=0,35, p=0,006\)). El grupo Vibrotáctil no fue mejor que el grupo Estándar (\(\beta =0.30, SE=0.37, p=0.42\)). Sin embargo, el grupo de control compartido háptico mejoró significativamente la probabilidad de levantar el objeto en comparación con el grupo estándar (\(\beta =1.08, SE=0.36, p=0.003\)) y el grupo vibrotáctil (\(\beta =0.78, SE=0,37, p=0,037\)). Además, la experiencia con la tarea (es decir, el número de intentos) mejoró significativamente el rendimiento en todos los grupos (\(\beta =0,09, SE=0,04, p=0,025\)). Consulte la Fig. 5 para ver una visualización de estos resultados para cada grupo.

La probabilidad de levantar el objeto para cada grupo en las pruebas, donde los puntos de datos individuales representan el promedio de cada prueba (para todos los participantes de cada grupo) y las líneas continuas indican la predicción del modelo. * indica \(p<0.05\), ** indica \(p<0.01\), y *** indica \(p<0.001\).

La cantidad promedio de levantamientos para cada grupo en las pruebas, donde los puntos de datos individuales representan el promedio de cada prueba (para todos los participantes en cada grupo) y las líneas continuas indican la predicción del modelo. * indica \(p<0.05\), ** indica \(p<0.01\), y *** indica \(p<0.001\).

Se utilizó un modelo mixto lineal para evaluar el número promedio de levantamientos de tres segundos por prueba. El número promedio de levantamientos en el grupo Estándar fue significativamente mayor que cero (\(\beta =1.82, SE=0.42, p<0.001\)). El grupo vibrotáctil no fue diferente del grupo estándar (\(\beta =0,50, SE=0,51, p=0,34\)) o del grupo de control compartido háptico (\(\beta =-0,62, SE=0,51, p=0,22) \)). Sin embargo, el grupo de control compartido háptico mejoró significativamente la cantidad de levantamientos en comparación con el grupo estándar (\(\beta =0.96, SE=0.35, p=0.006\)). Además, la experiencia con la tarea mejoró significativamente el rendimiento en todos los grupos (\(\beta =0.19, SE=0.04, p<0.001\)). Consulte la Fig. 6 para ver una visualización de estos resultados para cada grupo.

La concentración promedio de hemoglobina total para cada prueba, donde los puntos de datos individuales representan el promedio para cada prueba (para todos los participantes en cada grupo) y las líneas continuas indican la predicción del modelo. * indica \(p<0.05\), ** indica \(p<0.01\), y *** indica \(p<0.001\).

El cambio en la concentración promedio de hemoglobina total representa la cantidad de carga cognitiva incurrida. Una mayor concentración indica una mayor carga cognitiva. Se utilizó un modelo mixto lineal para evaluar la concentración de hemoglobina. La concentración promedio de hemoglobina total en la corteza prefrontal lateral derecha fue significativamente mayor que cero en el grupo Estándar (\(\beta =0.71, SE=0.29, p=0.019\)). El grupo Vibrotáctil no fue significativamente diferente del grupo Estándar (\(\beta =-0.10, SE=0.37, p=0.77\)). De manera similar, el grupo de control compartido háptico no fue significativamente diferente del grupo estándar (\(\beta =-0.65, SE=0.37, p=0.086\)). La experiencia con la tarea estuvo cerca de mejorar significativamente la carga cognitiva (reduciendo la concentración de hemoglobina total: \(\beta =-0.05, SE=0.03, p=0.068\)). Consulte la Fig. 7 para ver una visualización de estos resultados para cada grupo.

La eficiencia neuronal de cada prueba, donde los puntos de datos individuales representan el promedio de cada prueba (para todos los participantes de cada grupo) y las líneas continuas indican la predicción del modelo. * indica \(p<0.05\), ** indica \(p<0.01\), y *** indica \(p<0.001\).

La eficiencia neuronal indica la relación entre el esfuerzo mental y el rendimiento. La eficiencia neuronal positiva indica valores superiores a la gran media de la eficiencia neuronal en todas las condiciones, mientras que la eficiencia neuronal negativa indica valores inferiores a la gran media. Se utilizó un modelo mixto lineal para evaluar la eficiencia neuronal. La eficiencia neural en el grupo Estándar fue significativamente menor que cero (\(\beta =-0.90, SE=0.30, p=0.005\)). El grupo vibrotáctil no fue significativamente diferente del grupo estándar (\(\beta =0,33, SE=0,37, p=0,38\)) o del grupo de control compartido háptico (\(\beta =-0,58, SE=0,37, p= 0.12\)). Sin embargo, la eficiencia neuronal en el grupo de control compartido háptico fue significativamente mayor que en el grupo estándar (\(\beta =0.91, SE=0.37, p=0.021\)). Además, la experiencia con la tarea mejoró la eficiencia neuronal en general (\(\beta =0.12, SE=0.03, p<0.001\)). Consulte la Fig. 8 para ver una visualización de estos resultados para cada grupo.

Se utilizó un modelo de regresión lineal para analizar los resultados de la encuesta. Los participantes en el grupo Estándar proporcionaron calificaciones para todas las preguntas de la encuesta que fueron significativamente diferentes de 0 (consulte la Tabla 2 para ver los resultados completos). Las respuestas de la encuesta solo diferían significativamente por grupo en los siguientes casos. Los participantes en el grupo Vibrotáctil calificaron su uso de señales visuales significativamente menos que el grupo Estándar, y en una prueba post-hoc con una corrección de Bonferroni, también menos que el grupo Control Compartido Háptico (\(\beta =-25.6, SE~ =~8.21, p=0.002\)). En una prueba post-hoc con una corrección de Bonferroni, los participantes en el grupo de control compartido háptico calificaron su uso de señales somatosensoriales como significativamente más bajo que los del grupo vibrotáctil (\(\beta ~=~-29.2\), SE = 12.45, p = 0,02).

Los enfoques de control compartido háptico se han utilizado en varias aplicaciones de interacción humano-robot con éxito34,37; sin embargo, faltan investigaciones sobre su efectividad en prótesis de miembros superiores. Además, no se entiende bien cómo un enfoque de control compartido háptico afecta la carga cognitiva del operador humano y su eficiencia neuronal. Para abordar esta brecha, desarrollamos un enfoque de control compartido háptico para una prótesis mioeléctrica y lo evaluamos holísticamente con métricas de rendimiento de tareas y carga cognitiva neurofisiológica. A través de esta evaluación, fue posible comprender el nivel de esfuerzo mental requerido para alcanzar un determinado nivel de rendimiento. Comparamos este esquema de control con la prótesis mioeléctrica estándar y una prótesis con retroalimentación vibrotáctil de la fuerza de agarre en una tarea de agarrar y levantar con un objeto frágil. El esquema de control compartido háptico arbitró entre el control guiado hápticamente del agarre de la prótesis y el control completamente autónomo del agarre61. Aquí, el control autónomo reprodujo la estrategia de agarre deseada del operador humano en un paradigma de imitación-aprendizaje.

Los resultados primarios indican que los participantes en el grupo de control compartido háptico exhibieron una mayor eficiencia neuronal (mayor rendimiento en tareas con un esfuerzo mental similar) en comparación con sus contrapartes en el grupo estándar. Además, la retroalimentación vibrotáctil en general fue fundamental para ajustar adecuadamente la fuerza de agarre, lo cual es consistente con la literatura anterior10,11,19. Este beneficio, combinado con la destreza mejorada que ofrece el controlador de agarre autónomo, mejoró sustancialmente la capacidad de elevación y el ajuste de la fuerza de agarre con el esquema de control compartido háptico en comparación con los esquemas de control estándar y vibrotáctil.

A pesar de los beneficios informados de la retroalimentación háptica en el desempeño de tareas diestras y la reducción del esfuerzo mental22,62,63, la retroalimentación vibrotáctil por sí sola no pudo mejorar significativamente la capacidad de levantamiento y la eficiencia neuronal en comparación con el control estándar en este estudio. Estos resultados concuerdan con los hallazgos de investigaciones previas sobre el efecto de la retroalimentación háptica en el agarre y levantamiento de un objeto frágil41,42. Esto probablemente se deba al hecho de que los comentarios solo pueden informar a los usuarios sobre los hitos de la tarea y los errores de la tarea después de que hayan ocurrido. En el control sensoriomotor humano, el control feedforward sirve para complementar las estrategias de retroalimentación al hacer predicciones que guían la acción motora64.

Por lo tanto, para nuestra difícil tarea diestra, las estrategias de control de retroalimentación por sí solas fueron insuficientes y tuvieron que complementarse con una comprensión anticipada de la fuerza de agarre adecuada necesaria para agarrar y levantar el objeto frágil. Una vez entrenado, el controlador autónomo descarga esta carga del control de avance mioeléctrico del usuario, lo que da como resultado una mejora notable tanto en el rendimiento como en el esfuerzo mental. Este concepto de control compartido háptico aprovecha las fortalezas del conocimiento del operador humano sobre los requisitos de la tarea y, posteriormente, utiliza esta experiencia para ajustar el controlador autónomo. El uso del objeto frágil en este experimento destaca la necesidad de esquemas de control avanzados en prótesis, dado que solo el control compartido háptico superó a la prótesis estándar en términos de fuerzas de agarre más apropiadas, levantamientos exitosos y eficiencia neural mejorada. Este hallazgo se alinea con los beneficios declarados del control compartido háptico en otros paradigmas de interacción hombre-máquina, como los vehículos semiautónomos y la teleoperación35,36.

Debido a la naturaleza del esquema de control compartido háptico en este estudio, los participantes en el grupo de control compartido háptico tuvieron mucha menos experiencia con la retroalimentación de vibración en comparación con los participantes en el grupo vibrotáctil en el transcurso de la sesión experimental. De hecho, los participantes en el grupo de control compartido háptico informaron un uso significativamente menor de señales somatosensoriales que los del grupo vibrotáctil. Por lo tanto, es posible que el límite entre el ser humano y la máquina se vuelva más transparente con capacitación adicional sobre la retroalimentación vibrotáctil. Otros estudios han demostrado que el entrenamiento prolongado y prolongado con retroalimentación háptica mejoró significativamente el rendimiento15,19.

Vale la pena señalar aquí que las señales auditivas del actuador vibrotáctil probablemente fueron utilizadas por algunos participantes. Dos participantes mencionaron explícitamente que el sonido del tactor era tan o incluso más destacado que la propia sensación táctil. Investigaciones anteriores han demostrado que el tiempo de reacción disminuye con la combinación de las señales táctiles y auditivas de la retroalimentación vibrotáctil en comparación con las señales táctiles solas65. Además, también se ha demostrado que la combinación de retroalimentación multimodal redundante mejora los tiempos de reacción en comparación con la retroalimentación unimodal66. Este tipo de retroalimentación incidental no se limita a las señales audio-táctiles que emanan del vibrotactor; los sonidos generados por el movimiento del motor de la prótesis también fueron utilizados por varios participantes en todas las condiciones. Aunque se ha demostrado que la retroalimentación incidental ayuda en tareas diestras67, no es suficiente para lograr el mejor desempeño en una tarea que requiere una fuerza de agarre rápida y precisa.

Aunque demostramos el éxito del esquema de control compartido háptico, el presente estudio tiene algunas limitaciones. Solo se evaluaron los participantes no amputados y la tarea se realizó con un objeto fabricado, en lugar de elementos cotidianos. Dado que la pared colapsable era un mecanismo articulado, la fuerza requerida para romper el objeto podía variar dependiendo de la colocación de la prótesis contra la pared (p. ej., se requiere más fuerza más cerca de la articulación de la bisagra en comparación con la parte superior de la pared). Esto se tuvo en cuenta en parte al instruir a los participantes para que colocaran la prótesis debajo de un marcador visual en la pared. Sin embargo, todavía es posible que la colocación inconsistente pueda resultar en que el controlador autónomo aplique fuerzas inapropiadas. Además, la gran cantidad de enfoque visual requerido para lograr esta ubicación puede haber resultado en niveles de esfuerzo mental similares en todos los grupos, según lo medido tanto por fNIRS (Fig. 7) como por la encuesta. El hecho de que los resultados de la encuesta no mostraran diferencias en el esfuerzo mental puede explicarse por la noción de que las calificaciones subjetivas con un tamaño de muestra bajo pueden no ser tan sensibles a los cambios en el esfuerzo mental. El presente estudio no incluyó una condición que implique control compartido sin ninguna retroalimentación háptica. Si bien dicho sistema puede probarse, se debe considerar cuidadosamente el método de comunicar al usuario en qué modo operativo se encuentra sin sobrecargar sus sentidos visuales o auditivos. Con base en nuestro trabajo anterior38, esperaríamos que el enfoque de control compartido háptico conduzca a una eficiencia neuronal mejorada en comparación con el enfoque de control compartido sin retroalimentación háptica.

El trabajo futuro para realizar clínicamente el concepto de control compartido háptico debería implicar la verificación de estos resultados actuales con participantes amputados y con una gama más amplia de actividades y tipos de objetos, incluidos objetos frágiles y quebradizos de la vida real. Además, la utilidad del sistema de control compartido háptico debe evaluarse longitudinalmente para comprender su impacto en la eficiencia neuronal y el control mioeléctrico directo. También valdría la pena evaluar el alcance del aprendizaje y la fatiga durante el uso a largo plazo del control compartido háptico en comparación con las condiciones de retroalimentación estándar y vibrotáctil. Una expansión adicional del sistema autónomo incluye la capacidad de reconocer tipos de objetos para facilitar el cambio entre diferentes objetos y tareas. Además, se pueden desarrollar y probar otros enfoques para el control compartido háptico que implican un arbitraje más fluido y adaptativo entre el control volitivo y autónomo. Finalmente, debido a que el control autónomo puede afectar el sentido de agencia de un usuario, la corporeidad puede verse afectada67,68. Las investigaciones futuras con el control compartido háptico deberían considerar la incorporación de evaluaciones de la corporeidad, como la deriva propioceptiva69 y los cuestionarios de corporeidad70.

Los enfoques existentes para el control compartido dentro de los sistemas protésicos se han centrado en complementar el control manual humano de la prótesis con sistemas autónomos29,32. Estos sistemas no incorporan retroalimentación háptica y, por lo tanto, dejan al usuario fuera del circuito. Por el contrario, el presente estudio integra retroalimentación háptica con un controlador autónomo en un paradigma de aprendizaje por imitación, donde el control autónomo replica la estrategia de agarre deseada del ser humano. Dicho sistema se puede expandir y generalizar aún más para facilitar otros tipos de interacción entre humanos y robots, como la cirugía robótica y la cooperación entre humanos y robots.

En resumen, nuestros resultados demuestran que fNIRS se puede utilizar para evaluar la carga cognitiva y la eficiencia neuronal en una tarea compleja y dinámica realizada con una prótesis mioeléctrica, y que una estrategia de control compartido háptico en una prótesis mioeléctrica garantiza un buen desempeño de la tarea con una carga cognitiva baja. . Esto se logra mediante los componentes individuales del sistema (retroalimentación vibrotáctil y el controlador de aprendizaje por imitación), cuyos beneficios se combinan de forma sinérgica para optimizar el rendimiento. Estos resultados respaldan la necesidad de sistemas híbridos en prótesis biónicas para maximizar el rendimiento neural y diestro.

Los conjuntos de datos generados y/o analizados durante el estudio actual están disponibles del autor correspondiente a pedido razonable.

Johansson, RS & Westling, G. Funciones de los receptores de la piel glabra y la memoria sensoriomotora en el control automático del agarre de precisión al levantar objetos más ásperos o resbaladizos. Exp. Res. cerebral. 56, 550–564. https://doi.org/10.1007/BF00237997 (1984).

Artículo CAS Google Académico

Gordon, AM, Westling, G., Cole, KJ & Johansson, RS Representaciones de memoria subyacentes a los comandos motores utilizados durante la manipulación de objetos comunes y novedosos. J. Neurofisiol. 69, 25 (1993).

Artículo Google Académico

Johansson, RS & Cole, KJ Coordinación sensoriomotora durante las acciones de agarre y manipulación. actual Opinión Neurobiol. 2, 815–823. https://doi.org/10.1016/0959-4388(92)90139-C (1992).

Artículo CAS Google Académico

Gorniak, SL, Zatsiorsky, VM & Latash, ML Manipulación de un objeto frágil. Exp. Res. cerebral. Exp. Hirnforschung Exp. Cerebrale 202, 413. https://doi.org/10.1007/S00221-009-2148-Z (2010).

Artículo Google Académico

Stephens-Fripp, B., Alici, G. y Mutlu, R. Una revisión de métodos de retroalimentación sensorial no invasivos para manos protésicas transradiales. Acceso IEEE 6, 6878–6899. https://doi.org/10.1109/ACCESS.2018.2791583 (2018).

Artículo Google Académico

Witteveen, HJB, Droog, EA, Rietman, JS & Veltink, PH Comentarios de los usuarios de vibrotáctiles y electrotáctiles sobre la apertura de la mano para prótesis de antebrazo mioeléctricas. Trans. IEEE. biomedicina Ing. 59, 2219–2226. https://doi.org/10.1109/TBME.2012.2200678 (2012).

Artículo CAS Google Académico

Antfolk, C. et al. Redirección artificial de la sensación de los dedos protésicos al mapa de la mano fantasma en amputados transradiales: retroalimentación sensorial vibrotáctil versus mecanotáctil. Trans. IEEE. Sistema neural. rehabilitación Ing. 21, 112–120. https://doi.org/10.1109/TNSRE.2012.2217989 (2013).

Artículo Google Académico

Damian, DD, Fischer, M., Hernandez Arieta, A. & Pfeifer, R. El papel de la información cuantitativa sobre el deslizamiento y la fuerza de agarre en la estabilidad del agarre protésico. Adv. Robot. 32, 12–24. https://doi.org/10.1080/01691864.2017.1396250 (2018).

Artículo Google Académico

Thomas, N., Ung, G., McGarvey, C. & Brown, JD Comparación de retroalimentación vibrotáctil y de torsión articular en una prótesis mioeléctrica de miembro superior. J. Neuroeng. rehabilitación 16, 70. https://doi.org/10.1186/s12984-019-0545-5 (2019).

Artículo Google Académico

Kim, K. et al. La retroalimentación háptica mejora el control de la fuerza de agarre de las manos protésicas controladas por sEMG en amputados de reinervación específicos. Trans. IEEE. Sistema neural. rehabilitación Ing. 20, 798–805. https://doi.org/10.1109/TNSRE.2012.2206080 (2012).

Artículo Google Académico

Rosenbaum-Chou, T., Daly, W., Austin, R., Chaubey, P. & Boone, DA Desarrollo y uso en el mundo real de un sistema de retroalimentación háptica vibratoria para usuarios de prótesis de miembros superiores. J. Prosth. Orto. 28, 136–144. https://doi.org/10.1097/JPO.0000000000000107 (2016).

Artículo Google Académico

Abd, MA, Ingicco, J., Hutchinson, DT, Tognoli, E. & Engeberg, ED La retroalimentación háptica multicanal desbloquea la destreza manual protésica. ciencia Rep. 12, 1–17. https://doi.org/10.1038/s41598-022-04953-1 (2022).

Artículo CAS Google Académico

Raveh, E., Friedman, J. y Portnoy, S. Evaluación de los efectos de agregar retroalimentación vibrotáctil a usuarios de prótesis mioeléctricas sobre el rendimiento y la atención visual en un artículo de paradigma de doble tarea. clin. rehabilitación 32, 1308–1316. https://doi.org/10.1177/0269215518774104 (2018).

Artículo Google Académico

Raveh, E., Portnoy, S. y Friedman, J. Agregar retroalimentación vibrotáctil a una mano controlada mioeléctrica mejora el rendimiento cuando se altera la retroalimentación visual en línea. Tararear. mov. ciencia 58, 32–40. https://doi.org/10.1016/J.HUMOV.2018.01.008 (2018).

Artículo Google Académico

Stepp, CE, An, Q. & Matsuoka, Y. El entrenamiento repetido con retroalimentación vibrotáctil aumentativa aumenta el rendimiento de manipulación de objetos. PLoS One 7, e32743. https://doi.org/10.1371/journal.pone.0032743 (2012).

Artículo ADS CAS Google Académico

Bark, K., Wheeler, JW, Premakumar, S. & Cutkosky, MR Comparación del estiramiento de la piel y la estimulación vibrotáctil para la retroalimentación de la información propioceptiva. En Symposium on Haptic Interfaces for Virtual Environment and Teleoperator Systems, 2008. Haptics 2008, 71–78. https://doi.org/10.1109/HAPTICS.2008.4479916 (IEEE, 2008).

Blank, A., Okamura, AM & Kuchenbecker, KJ Identificación del papel de la propiocepción en el control de prótesis de miembro superior. ACM Trans. aplicación Percepción. 7, 1–23. https://doi.org/10.1145/1773965.1773966 (2010).

Artículo Google Académico

D'Alonzo, M. & Cipriani, C. La sustitución sensorial vibrotáctil provoca el sentimiento de propiedad de una mano alienígena. PLoS One 7, e50756. https://doi.org/10.1371/journal.pone.0050756 (2012).

Artículo ADS CAS Google Académico

Clemente, F., D'Alonzo, M., Controzzi, M., Edin, BB y Cipriani, C. La retroalimentación no invasiva y temporalmente discreta del contacto y la liberación del objeto mejora el control de agarre de las prótesis transradiales mioeléctricas de circuito cerrado. Trans. IEEE. Sistema neural. rehabilitación Ing. 24, 1314–1322. https://doi.org/10.1109/TNSRE.2015.2500586 (2016).

Artículo Google Académico

Engeberg, ED & Meek, SG Control de modo deslizante adaptativo del deslizamiento del objeto agarrado para manos protésicas. En la Conferencia internacional IEEE/RSJ de 2011 sobre sistemas y robots inteligentes, 4174–4179. https://doi.org/10.1109/IROS.2011.6094500 (IEEE, 2011).

Jimenez, MC & Fishel, JA Evaluación de fuerza, vibración y retroalimentación táctil térmica en miembros protésicos. En Actas del Simposio de hápticas del IEEE (HAPTICS), 437–441. https://doi.org/10.1109/HAPTICS.2014.6775495 (2014).

Thomas, N., Ung, G., Ayaz, H. & Brown, JD Evaluación neurofisiológica de la retroalimentación háptica para prótesis mioeléctricas. Trans. IEEE. Mach humano. sist. 51, 253–264. https://doi.org/10.1109/THMS.2021.3066856 (2021).

Artículo Google Académico

Salisbury, LL & Colman, AB Una mano mecánica con control proporcional automático de prensión. Medicina. Biol. Ing. 5, 505–511. https://doi.org/10.1007/BF02479145 (1967).

Artículo CAS Google Académico

Chappell, PH, Nightingale, JM, Kyberd, PJ & Barkhordar, M. Control de una mano artificial de un solo grado de libertad. J. Biomédica. Ing. 9, 273–277. https://doi.org/10.1016/0141-5425(87)90013-6 (1987).

Artículo CAS Google Académico

Nightingale, JM Control por microprocesador de un brazo artificial. J. Microcomputadora. aplicación 8, 167–173. https://doi.org/10.1016/0745-7138(85)90015-6 (1985).

Artículo Google Académico

Matulevich, B., Loeb, GE & Fishel, JA Utilidad de los reflejos de detección de contacto en el control de manos protésicas. Actas de la Conferencia internacional IEEE sobre robots y sistemas inteligentes 4741–4746. https://doi.org/10.1109/IROS.2013.6697039 (2013).

Osborn, L., Kaliki, RR, Soares, AB y Thakor, NV Detección neuromimética basada en eventos para el control de retroalimentación táctil de circuito cerrado de prótesis de miembros superiores. Trans. IEEE. Hápticos 9, 196–206. https://doi.org/10.1109/TOH.2016.2564965 (2016).

Artículo Google Académico

Ottobock. Velocidad de la mano del sensor.

Zhuang, KZ et al. Control proporcional humano-robot compartido de una prótesis mioeléctrica diestra. Nat. Mach. Intel. 1, 400–411. https://doi.org/10.1038/s42256-019-0093-5 (2019).

Artículo Google Académico

Edwards, AL et al. Aplicación del aprendizaje automático en tiempo real al control de prótesis mioeléctricas: una serie de casos en conmutación adaptativa. prótesis Orto. En t. 40, 573–581. https://doi.org/10.1177/0309364615605373 (2016).

Artículo Google Académico

Mouchoux, J. et al. La percepción artificial y el control semiautónomo en prótesis mioeléctricas de mano aumentan el rendimiento y disminuyen el esfuerzo. Trans. IEEE. Robot. 37, 1298–1312. https://doi.org/10.1109/TRO.2020.3047013 (2021).

Artículo Google Académico

Mouchoux, J., Bravo-Cabrera, MA, Dosen, S., Schilling, AF & Markovic, M. Impacto de las modalidades de control compartido en el rendimiento y la usabilidad de las prótesis semiautónomas. Frente. neurorobot. 15, 172. https://doi.org/10.3389/FNBOT.2021.768619/BIBTEX (2021).

Artículo Google Académico

Benloucif, A., Nguyen, AT, Sentouh, C. & Popieul, JC Planificación de trayectoria cooperativa para el control compartido háptico entre el conductor y la automatización en la conducción en carretera. Trans. IEEE. Ind. Electrón. 66, 9846–9857. https://doi.org/10.1109/TIE.2019.2893864 (2019).

Artículo Google Académico

Luo, R. et al. Un esquema de control compartido háptico adaptable a la carga de trabajo para la conducción semiautónoma. Accidente Anal. Anterior 152, 105968. https://doi.org/10.1016/J.AAP.2020.105968 (2021).

Artículo Google Académico

Lazcano, AM, Niu, T., Carrera Akutain, X., Cole, D. & Shyrokau, B. Sistema de dirección compartido háptico basado en MPC: un enfoque de modelado del conductor para la conducción simbiótica. Trans. IEEE/ASME. mecánico 26, 1201-1211. https://doi.org/10.1109/TMECH.2021.3063902 (2021).

Artículo Google Académico

Zhang, D., Tron, R. & Khurshid, RP La retroalimentación háptica mejora el acuerdo entre humanos y robots y la satisfacción del usuario en la teleoperación de autonomía compartida. Actas: Conferencia internacional IEEE sobre robótica y automatización 2021-mayo, 3306–3312. https://doi.org/10.1109/ICRA48506.2021.9560991 (2021).

Selvaggio, M., Cacace, J., Pacchierotti, C., Ruggiero, F. & Giordano, PR Una arquitectura de teleoperación de control compartido para el transporte de objetos no prensiles. Trans. IEEE. Robot. 38, 569–583. https://doi.org/10.1109/TRO.2021.3086773 (2022).

Artículo Google Académico

Thomas, N., Fazlollahi, F., Kuchenbecker, KJ y Brown, JD La utilidad de los reflejos sintéticos y la retroalimentación háptica para prótesis de miembro superior en una tarea diestra sin visión directa. Trans. IEEE. Sistema neural. rehabilitación Ing.https://doi.org/10.1109/TNSRE.2022.3217452 (2022).

Artículo Google Académico

Curtin, A. & Ayaz, H. Métricas de eficiencia neuronal en neuroergonomía: teoría y aplicaciones. En Neuroergonomía vol. 22 (eds Ayaz, H. & Dehais, F.) 133–140 (Academic Press, ***, 2019). https://doi.org/10.1016/B978-0-12-811926-6.00022-1.

Capítulo Google Académico

Ayaz, H. et al. Monitoreo cerebral óptico para capacitación de operadores y evaluación de la carga de trabajo mental. Neuroimagen 59, 36–47. https://doi.org/10.1016/J.NEUROIMAGE.2011.06.023 (2012).

Artículo Google Académico

Meek, SG, Jacobsen, SC & Goulding, PP Tacción fisiológica extendida: diseño y evaluación de un sistema de retroalimentación de fuerza proporcional. J. rehabilitación. Res. desarrollo 26, 53–62 (1989).

CAS Google Académico

Brown, JD et al. Una exploración de la regulación de la fuerza de agarre con una prótesis mioeléctrica de baja impedancia con retroalimentación háptica referida. J. Neuroeng. rehabilitación 12, 104. https://doi.org/10.1186/s12984-015-0098-1 (2015).

Artículo Google Académico

Ogawa, S., Lee, TM, Kay, AR & Tank, DW Resonancia magnética cerebral con contraste dependiente de la oxigenación de la sangre. proc. nacional Academia ciencia 87, 9868–9872. https://doi.org/10.1073/PNAS.87.24.9868 (1990).

Artículo ADS CAS Google Académico

Villringer, A., Planck, J., Hock, C., Schleinkofer, L. y Dirnagl, U. Espectroscopia de infrarrojo cercano (NIRS): una nueva herramienta para estudiar los cambios hemodinámicos durante la activación de la función cerebral en adultos humanos. Neurosci. Letón. 154, 101–104. https://doi.org/10.1016/0304-3940(93)90181-J (1993).

Artículo CAS Google Académico

Villringer, A. & Chance, B. Espectroscopía óptica no invasiva e imágenes de la función del cerebro humano. Tendencias Neurosci. 20, 435–442. https://doi.org/10.1016/S0166-2236(97)01132-6 (1997).

Artículo CAS Google Académico

Obrig, H. et al. Espectroscopía de infrarrojo cercano: ¿Funciona en estudios de activación funcional del cerebro adulto?. En t. J. Psicofisiología. 35, 125–142. https://doi.org/10.1016/S0167-8760(99)00048-3 (2000).

Artículo CAS Google Académico

Heeger, DJ & Ress, D. ¿Qué nos dice la resonancia magnética funcional sobre la actividad neuronal?. Nat. Rev. Neurosci. 3, 142–151. https://doi.org/10.1038/NRN730 (2002).

Artículo CAS Google Académico

Fishburn, FA, Norr, ME, Medvedev, AV y Vaidya, CJ Sensibilidad de fNIRS al estado y la carga cognitivos. Frente. Human Neurosci.https://doi.org/10.3389/fnhum.2014.00076 (2014).

Artículo Google Académico

Liu, Y. et al. Medición del acoplamiento neuronal hablante-oyente con espectroscopia funcional de infrarrojo cercano. ciencia Rep. 7, 43293. https://doi.org/10.1038/srep43293 (2017).

Artículo ANUNCIOS Google Académico

Ayaz, H. et al. Monitoreo continuo de la dinámica cerebral con espectroscopía de infrarrojo cercano funcional como herramienta para la investigación neuroergonómica: ejemplos empíricos y un desarrollo tecnológico. Frente. Tararear. Neurosci. 7, 871. https://doi.org/10.3389/fnhum.2013.00871 (2013).

Artículo Google Académico

Perrey, S. Posibilidades para examinar el control neural de la marcha en humanos con fNIRS. Frente. Physiol.https://doi.org/10.3389/fphys.2014.00204 (2014).

Artículo Google Académico

Mirelman, A. et al. Aumento de la activación del cerebro frontal al caminar mientras se realizan tareas duales: un estudio fNIRS en adultos jóvenes sanos. J. NeuroEng. Rehabilitación. https://doi.org/10.1186/1743-0003-11-85 (2014).

Artículo Google Académico

Gateau, T., Ayaz, H. & Dehais, F. In silico vs over the clouds: Estimación del estado mental sobre la marcha de los pilotos de aviones, utilizando una BCI pasiva basada en espectroscopia de infrarrojo cercano funcional. Frente. Neurociencia Humana. 12, 187. https://doi.org/10.3389/fnhum.2018.00187 (2018).

Artículo Google Académico

Ayaz, H. et al. Imágenes ópticas y espectroscopia para el estudio del cerebro humano: informe de estado. Neurofotónicahttps://doi.org/10.1117/1.NPH.9.S2.S24001 (2022).

Artículo Google Académico

Biessmann, F., Plis, S., Meinecke, FC, Eichele, T. y Muller, K.-R. Análisis de datos de neuroimagen multimodal. IEEE Rev. Biomédica. Ing. 4, 26–58. https://doi.org/10.1109/RBME.2011.2170675 (2011).

Artículo Google Académico

Ayaz, H. et al. Uso de MazeSuite y espectroscopia de infrarrojo cercano funcional para estudiar el aprendizaje en la navegación espacial. J. Vis. Exp.https://doi.org/10.3791/3443 (2011).

Artículo Google Académico

Kuschinsky, W. Acoplamiento de función, metabolismo y flujo sanguíneo en el cerebro. neurocirugía Rev. 14, 163–168. https://doi.org/10.1007/BF00310651 (1991).

Artículo CAS Google Académico

Pezent, E., Cambio, B. & Ormalley, MK Syntacts: software y hardware de código abierto para hápticos controlados por audio. Trans. IEEE. Hápticos 14, 225–233. https://doi.org/10.1109/TOH.2020.3002696 (2021).

Artículo Google Académico

Prahm, C., Kayali, F., Sturma, A. & Aszmann, O. PlayBionic: Intervenciones basadas en juegos para fomentar la participación y el rendimiento del paciente en la rehabilitación motora protésica. PM&R 10, 1252–1260. https://doi.org/10.1016/J.PMRJ.2018.09.027 (2018).

Artículo Google Académico

Hart, SG & Staveland, LE Desarrollo de NASA-TLX (índice de carga de tareas): resultados de investigaciones empíricas y teóricas. Adv. psicol. 52, 139–183. https://doi.org/10.1016/S0166-4115(08)62386-9 (1988).

Artículo Google Académico

Losey, DP, McDonald, CG, Battaglia, E. y O'Malley, MK Una revisión de la detección de intenciones, el arbitraje y los aspectos de comunicación del control compartido para la interacción física entre humanos y robots. aplicación mecánico Rev. 70, 010804. https://doi.org/10.1115/1.4039145 (2018).

Artículo ANUNCIOS Google Académico

Zhou, M., Jones, DB, Schwaitzberg, SD & Cao, CGL Papel de la retroalimentación háptica y la carga cognitiva en la adquisición de habilidades quirúrgicas. En Proceedings of the Human Factors and Ergonomics Society, 631–635 (2007).

Cao, CG, Zhou, M., Jones, DB & Schwaitzberg, SD ¿Pueden los cirujanos pensar y operar con hápticos al mismo tiempo?. J. Gastrointestinal. Cirugía 11, 1564–1569. https://doi.org/10.1007/S11605-007-0279-8/FIGURES/5 (2007).

Artículo Google Académico

Schwartz, AB Movimiento: Cómo se comunica el cerebro con el mundo. Celda 164, 1122–1135. https://doi.org/10.1016/j.cell.2016.02.038 (2016).

Artículo CAS Google Académico

Bao, T. et al. Diseño de pantalla vibrotáctil: cuantificación de la importancia de la edad y varios factores en los tiempos de reacción. PLoS One 14, e0219737. https://doi.org/10.1371/JOURNAL.PONE.0219737 (2019).

Artículo CAS Google Académico

Diederich, A. & Colonius, H. Mejora multisensorial bimodal y trimodal: Efectos del inicio y la intensidad del estímulo en el tiempo de reacción. Percepción. psicofísica. 66, 1388–1404. https://doi.org/10.3758/BF03195006 (2004).

Artículo Google Académico

Sensinger, JW & Dosen, S. Una revisión de la retroalimentación sensorial en prótesis de miembros superiores desde la perspectiva del control motor humano. Frente. Neurosci. 14, 345. https://doi.org/10.3389/fnins.2020.00345 (2020).

Artículo Google Académico

Botvinick, M. & Cohen, J. Las manos de goma 'sienten' el tacto que los ojos ven. Naturaleza 391, 756–756. https://doi.org/10.1038/35784 (1998).

Artículo ADS CAS Google Académico

Zbinden, J., Lendaro, E. & Ortiz-Catalan, M. Realización protésica: revisión sistemática de definiciones, medidas y paradigmas experimentales. J. NeuroEng. rehabilitación 19, 1–16. https://doi.org/10.1186/S12984-022-01006-6 (2022).

Artículo Google Académico

Bekrater-Bodmann, R. Correlatos perceptivos de la interacción exitosa cuerpo-prótesis en amputados de extremidades inferiores: caracterización psicométrica y desarrollo de la escala de realización de prótesis. ciencia Rep.https://doi.org/10.1038/S41598-020-70828-Y (2020).

Artículo Google Académico

Descargar referencias

Nos gustaría agradecer a Garrett Ung por diseñar y construir el objeto instrumentado. Gracias también a Leah Jager por brindar sus servicios de consultoría estadística. También agradecemos a la Fundación Nacional de Ciencias por financiar al primer autor a través de una beca de investigación para graduados.

Departamento de Ingeniería Biomédica, Universidad Johns Hopkins, Baltimore, 21218, EE. UU.

neha thomas

Departamento de Ingeniería Mecánica, Universidad Johns Hopkins, Baltimore, 21218, EE. UU.

Alexandra J. Miller y Jeremy D. Brown

Escuela de Ingeniería Biomédica, Ciencias y Sistemas de Salud, Universidad de Drexel, Filadelfia, PA, 19104, EE. UU.

Hasan Ayaz

Departamento de Ciencias Psicológicas y del Cerebro, Universidad de Drexel, Filadelfia, PA, 19104, EE. UU.

Hasan Ayaz

Instituto de Soluciones Drexel, Universidad de Drexel, Filadelfia, PA, 19104, EE. UU.

Hasan Ayaz

Departamento de Salud Familiar y Comunitaria, Universidad de Pensilvania, Filadelfia, PA, 19104, EE. UU.

Hasan Ayaz

Centro de Investigación y Prevención de Lesiones, Children's Hospital of Philadelphia, Philadelphia, PA, 19104, EE. UU.

Hasan Ayaz

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

NT concibió el diseño experimental e integró el hardware y el software para ejecutar el experimento. NT y AM realizaron el estudio de usuarios. NT analizó los datos. HA asesoró sobre el diseño experimental, el uso de fNIRS y análisis estadísticos, y JDB asesoró sobre el experimento general y los análisis estadísticos. NT escribió el borrador del manuscrito. Todos los autores editaron el manuscrito y aprueban su envío.

Correspondencia a Neha Thomas.

fNIR Devices, LLC fabrica el instrumento óptico de imágenes cerebrales y tiene licencia de propiedad intelectual y conocimientos técnicos de la Universidad de Drexel. El Dr. Ayaz estuvo involucrado en el desarrollo de la tecnología y, por lo tanto, ofreció una participación menor en la empresa emergente fNIR Devices. Los autores declaran que la investigación se realizó en ausencia de cualquier relación comercial o financiera que pudiera interpretarse como un potencial conflicto de interés. Todos los demás autores no tienen intereses en competencia.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Thomas, N., Miller, AJ, Ayaz, H. et al. El control compartido háptico mejora la eficiencia neuronal durante el uso de prótesis mioeléctricas. Informe científico 13, 484 (2023). https://doi.org/10.1038/s41598-022-26673-2

Descargar cita

Recibido: 27 mayo 2022

Aceptado: 19 de diciembre de 2022

Publicado: 10 enero 2023

DOI: https://doi.org/10.1038/s41598-022-26673-2

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.