Forskare har utvecklat ny teknik för att avkoda neuromuskulära signaler för att styra proteser och händer. Arbetet bygger på datormodeller som nära efterliknar beteendet hos de naturliga strukturerna i underarmen, handled och hand. Tekniken skulle också kunna användas för att utveckla nya datorgränssnittsenheter för applikationer som spel och datorstödd design (CAD).

Tekniken har fungerat bra i tidiga tester men har ännu inte gått in i kliniska prövningar - vilket gör den år borta från kommersiell tillgänglighet. Arbetet leddes av forskare i det gemensamma biomedicinska ingenjörsprogrammet vid North Carolina State University och University of North Carolina vid Chapel Hill.

Nuvarande toppmoderna proteser förlitar sig på maskininlärning för att skapa ett "mönsterigenkännande" tillvägagångssätt för proteskontroll. Detta tillvägagångssätt kräver att användare "lär" enheten att känna igen specifika mönster av muskelaktivitet och översätter dem till kommandon – som att öppna eller stänga en handprotes.

"Kontroll av mönsterigenkänning kräver att patienter går igenom en lång process för att träna sin protes, " säger han (Helen) Huang, en professor i det gemensamma biomedicinska ingenjörsprogrammet vid North Carolina State University och University of North Carolina vid Chapel Hill. "Denna process kan vara både tråkig och tidskrävande.

"Vi ville fokusera på det vi redan vet om människokroppen, säger Huang, som är senior författare till en artikel om arbetet. "Detta är inte bara mer intuitivt för användare, det är också mer pålitligt och praktiskt.

"Det beror på att varje gång du ändrar din hållning, dina neuromuskulära signaler för att generera samma hand-/handledrörelseförändring. Så att enbart förlita sig på maskininlärning innebär att lära enheten att göra samma sak flera gånger; en gång för varje hållning, en gång för när du är svettig kontra när du inte är det, och så vidare. Vår strategi kringgår det mesta."

Istället, forskarna utvecklade ett användargeneriskt, muskuloskeletala modellen. Forskarna placerade elektromyografisensorer på underarmarna på sex arbetsföra frivilliga, spåra exakt vilka neuromuskulära signaler som sändes när de utförde olika åtgärder med sina handleder och händer. Dessa data användes sedan för att skapa den generiska modellen, som översatte dessa neuromuskulära signaler till kommandon som manipulerar en motordriven protes.

"När någon tappar en hand, deras hjärna är sammankopplad som om handen fortfarande är där, " säger Huang. "Så, om någon vill plocka upp ett glas vatten, hjärnan skickar fortfarande dessa signaler till underarmen. Vi använder sensorer för att fånga upp dessa signaler och sedan överföra dessa data till en dator, där det matas in i en virtuell muskuloskeletal modell. Modellen tar musklernas plats, leder och ben, beräkna de rörelser som skulle ske om handen och handleden fortfarande var hela. Den förmedlar sedan dessa data till handledsprotesen och handen, som utför de relevanta rörelserna på ett koordinerat sätt och i realtid - mer lik vätska, naturlig rörelse.

"Genom att införliva vår kunskap om de biologiska processerna bakom att generera rörelse, vi kunde producera ett nytt neuralt gränssnitt för proteser som är generiskt för flera användare, inklusive en amputerad i denna studie, och är pålitlig i olika armställningar, " säger Huang.

Och forskarna tror att de potentiella tillämpningarna inte är begränsade till proteser.

"Detta skulle kunna användas för att utveckla datorgränssnittsenheter för arbetsföra människor också, " säger Huang. "Som enheter för spel eller för att manipulera objekt i CAD-program."

I preliminära tester, både arbetsföra och amputerade frivilliga kunde använda det modellstyrda gränssnittet för att utföra alla nödvändiga hand- och handledsrörelser – trots att de hade väldigt lite träning.

"Vi söker för närvarande frivilliga som har transradiella amputationer för att hjälpa oss med ytterligare testning av modellen för att utföra aktiviteter i det dagliga livet, " säger Huang. "Vi vill få ytterligare feedback från användare innan vi går vidare med kliniska prövningar.

"För att vara tydlig, vi är fortfarande år ifrån att få detta kommersiellt tillgängligt för klinisk användning, ", betonar Huang. "Och det är svårt att förutsäga potentiella kostnader, eftersom vårt arbete är fokuserat på programvaran, och huvuddelen av kostnaderna för amputerade skulle ligga i hårdvaran som faktiskt kör programmet. Dock, modellen är kompatibel med tillgängliga protesanordningar."

Forskarna undersöker också idén om att införliva maskininlärning i den generiska muskuloskeletala modellen.

"Vår modell gör protesanvändning mer intuitiv och pålitlig, men maskininlärning kan tillåta användare att få mer nyanserad kontroll genom att låta programmet lära sig varje persons dagliga behov och preferenser och bättre anpassa sig till en specifik användare på lång sikt, " säger Huang.

Pappret, "Myoelektrisk kontroll baserad på en generisk muskuloskeletal modell:Mot ett multianvändar neural-maskingränssnitt, "publiceras i tidningen IEEE-transaktioner på neurala system och rehabiliteringsteknik .