Modellazione neuro-computazionale del controllo di protesi a ciclo chiuso

Abstract

Nonostante siano stati ottenuti straordinari progressi per merito della comunità scientifica, il controllo mioelettrico delle protesi di arti superiori (ULP) resta difficile, richiedendo un addestramento frustrante che ne scoraggia l'uso. Qualsiasi ULP mioelettrica è sempre controllata a ciclo chiuso. Gli amputati generano il segnale elettromiografico (EMG) come comando motorio in avanti e, ricevuto il feedback, lo adattano all'ambiente esterno in base all'obiettivo. Il feedback sempre presente è chiamato "incidentale" e riguarda le vie nervose visive e uditive. Per migliorare il controllo a ciclo chiuso di una ULP e ridurre il tasso di abbandono, esistono due strategie: ridurre l'incertezza del controllo mioelettrico, migliorando qualità, invasività e posizione degli elettrodi, l'elaborazione del segnale EMG e l'individuazione dei muscoli residui migliori da registrare; oppure aggiungere un feedback "supplementare", come l'informazione vibrotattile. Sebbene molte costose ULP di ultima generazione siano dotate di feedback supplementare, il dibattito sui suoi benefici, dati gli scarsi miglioramenti in scenari reali, resta aperto e confuso. Come indagare il ruolo del feedback supplementare nel controllo a ciclo chiuso di una ULP? Ciò che emerge è l’assenza di un metodo sistematico per valutare l'adattamento del comando all'obiettivo. Questa tesi si concentra sul compito di presa, analizzando il problema dal punto di vista del controllo motorio neuro-computazionale. Abbiamo costruito un modello che quantifica e predice l'apprendimento dell'uso di una ULP con un sistema di controllo a ciclo chiuso peculiare, caratterizzato da specifiche incertezze nel controllo mioelettrico e nella misurazione del feedback supplementare.

Although astonishing progress has been made thanks to the huge effort of the scientific community, it appears clear how the myoelectric control of the upper-limb prostheses (ULPs), is still a hard task to perform requiring frustrating training that discourages their usage. Any myoelectric ULP is always controlled in closed-loop. The amputees generate the electromyographic (EMG) signal as forward motor command and, after having received the feedback, they adapt the command to the external environment according to the task goal. The always present feedback is called "incidental" and concerns visual and auditory afferent nervous pathways. To improve the closed-loop control of an ULP, trying to reduce the abandonment problem, two different approaches can be followed. The former tries to reduce the uncertainty of the myoelectric control operating on quality, invasiveness and position of electrodes, processing of the EMG signal and finding the best residual muscles to record. The latter involves the addition of "supplementary" feedback, generally as vibrotactile information. Even though many expensive latest-generation ULPs are characterised by the presence of supplementary feedback, in light of the issue of meaningful performance improvements in real-life scenarios, the debate about its benefit is open and foggy. How can we investigate the role of supplementary feedback in the closed-loop control of an ULP? What emerges is the total absence of a systematic method able to evaluate the ULPs control in closed-loop to adapt the command to the task goal. Specifically, this master thesis focuses on the grasping task and frames the issue from the perspective of neuro-computational motor control. We built a model that quantifies and predicts how the amputee learns to use an ULP that is characterised by a peculiar closed-loop control system, with specific uncertainties in the myoelectric forward control and in the supplementary feedback measure.