Compared to conventional amplitude-based control, pattern recognition of forearm muscle

EMG provides intuitive control of more prosthetic functions using physiologically appropriate
contractions (Hudgins et al., 1993; Englehart and Hudgins, 2003; Kuiken et al., 2009; Li et al.,
2010; Khushaba et al., 2012). Using extrinsic hand muscles, pattern recognition has been used
to effectively classify functional hand-grasp patterns (Li et al., 2010) and even individual finger
movements (Tenore et al., 2007; Khushaba et al., 2012), although these previous studies were
focused on restoring hand function in trans radial amputees. Partial-hand amputees generally
still have an intact, functional wrist, and the muscles controlling wrist motion are also located
in the forearm, some superficially. EMG from wrist movements thus degrades the accuracy of
classifiers that rely only on extrinsic muscle EMG. Some studies have addressed this by
switching between models based on the current wrist position (Pan et al., 2014), but this
requires either a parallel classifier or additional instrumentation on the affected hand in order
to determine the wrist position in real-time. Adding classifier training data collected from
various wrist positions lessens, but does not eliminate, this effect (Adewuyi et al., 2015). Our
study expanded upon the results of previous work (Earley et al., 2014) by investigating the
interaction and simple main effects of EMG electrode placement and inclusion of EMG data
collected during different types of wrist movements; these results were used to set the
parameters of the real-time controller. Several techniques may improve classification accuracy,
such as providing more data by extracting EMG features from a longer window (Smith et al.,
2011). However, longer data windows result in an increased delay between the onset of the
intended movement and intent recognition, which has a negative effect on real-time
performance (Farrell and Weir, 2007). Accuracy can also be improved by making fewer classes
available to the classifier. Although this generally decreases the complexity of the classification
problem, it may not be as functionally useful for the patient. However, because current
myoelectric partialhand prostheses cannot switch between grasps without first being fully-
opened, we subdivided grasping tasks into two modes: grasp selection, which we define as the
initial choosing of a prehensile grasp, and grasp maintenance, which only has the option of
opening or closing the hand.

La adquisición de la señal se guió por un software informático personalizado (Kuiken et al.,

2009), que muestreó las señales de EMG a 1000 Hz con un filtro de paso de banda de 30-350
Hz utilizando chips de amplificación de bioseñales TI ADS1298. A partir de estos datos se
extrajeron cuatro características de dominio temporal y seis características autorregresivas
(Tkach et al., 2010); todas las extracciones de características se realizaron con un incremento
de trama de 25 ms. Una clasificación de análisis discriminante lineal (LDA) se utilizó un
algoritmo para el reconocimiento de patrones, aprovechando de sus cálculos relativamente
simples y eficientes, y su rendimiento equivalente a otros enfoques de clasificación (Hargrove
y otros, 2007, 2010).
El objetivo de este estudio fue desarrollar y evaluar un

sistema de control de reconocimiento de patrones específicamente para la población de

amputados de mano parcial. Este sistema fue diseñado para restaurar

un gran número de patrones de agarre al usuario y a

acomodar los movimientos residuales de la muñeca. En los ensayos fuera de línea, nosotros

probó la hipótesis de que entrenar un clasificador con (1) datos de EMG

de los músculos extrínsecos e intrínsecos de la mano, (2) datos de EMG

recogidas con la muñeca en múltiples combinaciones de muñeca estática

posiciones y movimientos dinámicos de la muñeca, (3) un dato EMG más largo

longitud de la ventana, o (4) menos agarres disponibles darían lugar a la

las tasas más bajas de error de clasificación fuera de línea. También probamos la hipótesis

que, para el control de la prótesis en tiempo real, utilizando (1) una ventana doble

clasificadora o (2) una votación por mayoría o un retraso inducido en la clasificación

la técnica resultaría en el más alto rendimiento.

Aunque los amputados de mano parcial conservan en gran medida la capacidad de usar la
muñeca, es difícil preservar el movimiento de la muñeca mientras se usa una prótesis
mioeléctrica de mano parcial sin que ello afecte gravemente al rendimiento del control. El
reconocimiento de patrones de electromiograma (EMG) es un método de control bien
estudiado; sin embargo, el EMG del movimiento de la muñeca puede ocultar las señales
mioeléctricas de control de los dedos. Por lo tanto, para acomodar el movimiento de la
muñeca y proporcionar una alta precisión de clasificación y minimizar la latencia del sistema,
desarrollamos un protocolo de entrenamiento y un clasificador que cambia entre longitudes
de ventana de análisis de EMG largas y cortas.

Diecisiete sujetos no amputados y dos sujetos con amputación parcial de la mano participaron
en un estudio para determinar los efectos de la inclusión de EMG de diferentes ubicaciones de
brazos y manos durante el movimiento estático y/o dinámico de la muñeca en los datos de
entrenamiento del clasificador. Evaluamos varias técnicas de clasificación en tiempo real para
determinar qué esquema de control producía el mayor rendimiento en tareas virtuales en
tiempo real usando un ANOVA de tres vías.

Se han utilizado resistencias sensibles al tacto y estrategias convencionales de control

mioeléctrico que dependen de la amplitud de la señal del EMG para controlar los movimientos
de las prótesis parciales de la mano. Las señales EMG se adquieren de los músculos extrínsecos
de la mano (localizados en el antebrazo) o de los músculos intrínsecos de la mano (localizados
en la mano). Los métodos de control que utilizan el EMG de los músculos extrínsecos de la
mano a menudo restringen o inmovilizan la muñeca, lo que lleva a una pérdida de
funcionalidad para el usuario. Sin embargo, debido a la importancia de la muñeca en la
realización de las actividades cotidianas, la preservación del movimiento de la muñeca es un
objetivo primordial del diseño de las prótesis parciales de mano. Aunque el control
convencional mediante el EMG intrínseco del músculo de la mano no se ve comprometido por
el movimiento de la muñeca, los usuarios deben operar un mecanismo de conmutación no
intuitivo para controlar más de una función protésica. Además, el EMG de los músculos
intrínsecos puede ser muy difícil de capturar de forma cómoda y robusta usando electrodos
montados dentro del encaje del paciente.

En comparación con el control convencional basado en la amplitud, el reconocimiento de

patrones del EMG del músculo del antebrazo proporciona un control intuitivo de más
funciones protésicas utilizando contracciones fisiológicamente apropiadas. Mediante el uso de
músculos extrínsecos de la mano, el reconocimiento de patrones se ha utilizado para clasificar
eficazmente los patrones funcionales de agarre de la mano e incluso los movimientos
individuales de los dedos, aunque estos estudios anteriores se centraron en la restauración de
la función de la mano en los amputados trans-radiales. Los amputados de manos parciales
suelen tener todavía una muñeca intacta y funcional, y los músculos que controlan el
movimiento de la muñeca también se encuentran en el antebrazo, en algunos casos
superficialmente. El EMG de los movimientos de la muñeca degrada así la precisión de los
clasificadores que dependen sólo del EMG del músculo extrínseco.

Nuestro estudio se expandió sobre los resultados de trabajos anteriores investigando la

interacción y los efectos principales simples de EMG

colocación de electrodos e inclusión de los datos de EMG recogidos durante

diferentes tipos de movimientos de la muñeca; estos resultados se utilizaron para establecer

los parámetros del controlador en tiempo real.

Varias técnicas pueden mejorar la precisión de la clasificación, como la de proporcionar más

datos extrayendo las características del EMG de una ventana más larga. Sin embargo, las
ventanas de datos más largas dan lugar a un mayor retraso entre el inicio del movimiento
previsto y el reconocimiento de la intención, lo que tiene un efecto negativo en el rendimiento
en tiempo real.

La precisión también puede mejorarse poniendo menos clases a disposición del clasificador.
Aunque esto disminuye en general la complejidad del problema de la clasificación, puede no
ser tan útil desde el punto de vista funcional

para el paciente. Sin embargo, debido a que las actuales prótesis mioeléctricas de mano parcial
no pueden cambiar entre agarres sin ser primero completamente abierto, subdividimos las
tareas de agarre en dos modos: agarre selección, que definimos como la elección inicial de un
prensil

y el mantenimiento de la misma, que sólo tiene la opción de

abriendo o cerrando la mano.

Durante la selección de agarre, el clasificador debe seleccionar de todas las clases posibles que
consisten en N agarres, mano abierta y sin movimiento, o un total de N + 2 clases. Después de
seleccionar el agarre, la prótesis cambia al modo de mantenimiento del agarre, y todos los
agarres se asignan a una clase general de mano cerrada. Esto da como resultado un
clasificador que toma una de las tres únicas decisiones posibles: sin movimiento, mano abierta
o mano cerrada (véase la figura 1). En este estudio, desarrollamos un sistema que aprovecha
este esquema de control único cambiando dinámicamente la longitud de la ventana de datos
según el número de agarres disponibles.

Este clasificador de doble ventana utiliza una ventana de datos más larga cuando hay más
clases disponibles (selección de agarre) para mejorar la predicción y cambia a una ventana de
datos más corta cuando se dispone de menos (mantenimiento del agarre) para reducir al
mínimo

retrasar. Las longitudes de estas ventanas fueron seleccionadas en base a

los análisis del experimento fuera de línea. En las pruebas que evaluaban el control en tiempo
real de una prótesis virtual, un clasificador de doble ventana fue

comparado con un clasificador que usaba una longitud de ventana de datos consistente

para cualquier número de agarres disponibles. Cada clasificador fue probado

con diferentes técnicas de clasificación para determinar la óptima

estrategia de control.

Los datos de entrenamiento EMG se obtuvieron de (1) músculos extrínsecos,

(2) músculos intrínsecos, o (3) músculos extrínsecos e intrínsecos.
Los clasificadores fueron entrenados con uno de cuatro conjuntos de datos de
entrenamiento:
(1) la muñeca solo en la posición neutral, (2) la muñeca en siete
posiciones variables de la muñeca, (3) la muñeca se mueve en cada una de las
tres
grados de libertad (movimiento dinámico de la muñeca) y (4) todo estático
y datos dinámicos de la muñeca. Todas las combinaciones posibles de
electrodo.
La posición y la posición de la muñeca produjeron un total de 12 condiciones.

Los datos muestran importantes efectos de interacción entre

Método de entrenamiento y colocación de electrodos (p <0.001), indicando
La importancia de las señales EMG intrínsecas para los casos en que la
muñeca
la información no se incluyó en los datos de entrenamiento. Nosotros
encontramos
Una disminución significativa en el entrenamiento de errores de clasificación
con solo
señales EMG intrínsecas, en comparación con solo señales EMG extrínsecas
(efectos simples: p <0.001), y entrenamiento con una combinación
de los datos de EMG muscular extrínsecos e intrínsecos fue significativamente
mejor que extrínseco o intrínseco solo (efectos simples:
p <0.05) con la excepción de la comparación entre
EMG del músculo extrínseco e intrínseco y solo músculo intrínseco
EMG cuando se entrena solo con la posición neutral de la muñeca (p>
0,99).