Repositorio Institucional de Documentos

Trabajo Fin de Máster Modelo optimizado para la estimación de pares articulares y contribución muscular a partir de información sEMG Autor Diana Teresa Ruiz Bueno Director Luis Montano Gella Máster en Ingeniería de Sistemas e Informática Departamento de Informática e Ingeniería de Sistemas Escuela de Ingeniería y Arquitectura Universidad de Zaragoza Curso 2011/2012 Junio 2012 Modelo optimizado para la estimación de pares articulares y contribución muscular a partir de información sEMG Resumen Este trabajo desarrolla una técnica basada en modelo de músculo de Hill para estimar el par de fuerza del codo humano a partir de electromiografía superficial (sEMG). Se han incluido algunos nuevos parámetros del modelo en el proceso de optimización con el fin de mejorar el par estimado resultante. Estos parámetros corresponden a los niveles de activación de los músculos involucrados en la generación de movimiento y que no se han utilizado previamente en otros trabajos que se ocupan de este tipo de modelo. Los resultados de experimentos con varios sujetos en diferentes condiciones, como fatiga y fuerzas de resistencia al movimiento, y el uso de los nuevos parámetros optimizados lleva a algunas conclusiones acerca de la generalidad del optimizado y la influencia de los nuevos parámetros en la mejora de la estimación del par de fuerza. ÍNDICE DE CONTENIDO 1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 2. Electromiografía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .5 2.1 Fundamentos de la electromiografía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .5 2.2 Procesamiento de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .6 2.3 Estimación de fuerza muscular. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 3. Estimación de pares de fuerza con el modelo de Hill . . . . . . . . . . . . . . . . . . . . .11 3.1 Modelo de Hill y parámetros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .13 3.2 Optimización de parámetros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .16 4. Experimentación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .19 4.1 Sujetos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .19 4.2 Equipo y adquisición de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .20 4.3 Protocolo experimental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .21 5. Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .23 6. Implementación del Neuroestimador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 7. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .35 Bibliografía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .37 Anexos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 Anexo 1: Abreviaturas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 Anexo 2: HYPER Consolider 2010 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 Anexo 3: Visión general OpenSim . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .49 1 1. Introducción Hay una gran variedad de trastornos motores debido a algún daño producido en el sistema nervioso central (hemiplejia, paraplejia, tetraplejia, etc.). Estos trastornos motores pueden tener origen en el cerebro o en la médula espinal y afectan a funciones motoras tales como el caminar o dificultades de movimiento de miembro superior. El proceso de rehabilitación motora puede ser mejorado mediante el uso de exoesqueletos robóticos de asistencia con el fin de realizar los ejercicios bajo el paradigma assist-as-needed. Este es uno de los objetivos del proyecto HYPER [9] en el que estamos involucrados (El Anexo 2 contiene una descripción del proyecto), el desarrollo de un dispositivo híbrido neuroprotésico (NP) y neurorrobótico (NR), Fig. 1, para la compensación funcional y la rehabilitación de los trastornos motores. Una NP constituye una forma de abordar la restauración de la función motora por medio del control artificial de los músculos o de los nervios musculares con la Estimulación Eléctrica Funcional (FES). Los impulsos eléctricos estimulan los nervios sensoriales y motores, lo que genera el movimiento mediante la activación de los músculos paralizados. Un NR utilizar los comandos volitivos (señales neurales) para controlar un exoesqueleto que, a su vez, aplica las fuerzas necesarias para impulsar las extremidades paralizadas. Figura 1. Esquema de un sistema Neurorrobótico/Neuroprotésico. El uso de robots para la neurorehabilitación ha sido una línea activa de trabajo en los últimos años en distintas disciplinas: medicina, biomecánica, electrónica, etc. En la Fig. 2 se muestran algunos de los robots más destacados actualmente. Un asunto clave para 1. Introducción 2 la buena aplicación de estos dispositivos es la integración de forma óptima de toda la información procedente del sistema sensorial del aparato híbrido NR y NP. Este trabajo se centra en el desarrollo de un Neuroestimador, que se encargará de esta tarea. Básicamente, la información sensorial es: • Señales fisiológicas: EEG y EMG. • Sensores del NR: fuerza, par, posición, velocidad y aceleración. • Electrodos de la NP: intensidad y frecuencia de la electroestimulación. •Otras: humedad, sudor, temperatura,… La integración de esta información tiene como objetivo final conseguir una interpretación funcional a través de la estimación de variables fisiológicas del paciente y parámetros de control de la NP/NR. Figura 2. Se muestran dos de los dispositivos más destacados de rehabilitación. A la izquierda: ARMEO, exoesqueleto para la rehabilitación motora de la extremidad superior que combina un soporte de brazo ajustable con feedback aumentado. A la derecha: LOKOMAT, dispositivo robótico para una terapia funcional de locomoción mejorada, con feedback aumentado. Un Neuroestimator procesará distintos tipos de señales neuronales y biológicas con el fin de controlar el robot en ese paradigma. El robot sólo proporcionará el nivel de ayuda que se defina por el terapeuta, por ello dependerá también de la fuerza / energía que el sujeto pueda ejercer, razón por la que tiene que ser estimada. Uno de los módulos de este Neuroestimador será el estimador de par ejercido por el sujeto a partir de sensores sEMG (electromiografía superficial). Para este objetivo es necesario un modelo preciso y adaptativo, sin olvidar que una característica importante de este Neuroestimador es que tiene que trabajar en tiempo real. Se han dedicado varios trabajos a desarrollar diferentes modelos para estimar los pares articulares de las extremidades para diferentes movimientos. Esta gama de modelos va desde ‘cajas negras’ (por ejemplo, las redes neuronales [3]) hasta modelos más 1. Introducción 3 fisiológicos cuyos parámetros tienen un sentido físico. En este trabajo nos hemos centrado en el clásico modelo de músculo de Hill [16] perteneciente a este último tipo, ya que los parámetros pueden ser modelados y ajustados con un razonamiento fisiológico. Este trabajo se centra en la estimación de la fuerza muscular a partir de señales EMG para elaborar una primera aproximación de un parámetro de control clave para el sistema de rehabilitación, como es el par o la fuerza ejercida. Se pueden encontrar varios trabajos en los que se intenta controlar un aparato robótico con fines de rehabilitación teniendo en cuenta la señal EMG como comando primario. Las investigaciones que más se aproximan a nuestro modo de enfocar el neuroestimador son [4, 7], por trabajar con el misma perspectiva del modelo de músculo y el mismo tipo de movimientos analíticos para la validación del modelo. En todos ellos es necesario ajustar el modelo para cada sujeto realizando una optimización. Durante los últimos años se han realizado diferentes trabajos sobre el ajuste y la experimentación de los modelos de Hill para el control de un exoesqueleto. En [8] se propone un método de optimización para el ajuste de algunos parámetros de Hill, como los ángulos de las articulaciones incluidas en el modelo, pero no se ocupa de otros parámetros fisiológicos. [10] describe una técnica de optimización de dos pasos para estimar la fuerza muscular con EMG, se centra en una comparación entre dos técnicas y en algunas restricciones fisiológicas basada en los parámetros. Por lo general, sólo algunos parámetros del modelo han sido afinados u optimizados y los experimentos se limitan a un sujeto con las condiciones de movimiento limitadas. Estas características y problemas del enfoque actual nos llevan a plantearnos preguntas fundamentales que van a ser objetivo del presente análisis. En este trabajo planteamos el estudio tratando de obtener conclusiones más generales sobre los mejores parámetros del modelo para ajustar, con varios sujetos, y en diferentes condiciones del ejercicio, tanto de fatiga como de resistencia. El objetivo general es el diseño óptimo de un estimador de par articular a partir de la señal sEMG. Por simplificación, nos hemos centrado en la estimación en el codo con los movimientos de flexión/extensión. Los cuatro objetivos específicos principales son estudios necesarios para ver la viabilidad de plantearse trabajar con un modelo genérico: i) analizar la validez del modelo optimizado para las diferentes condiciones de movimiento: diferentes niveles de resistencia impuestas en el brazo robótico, y situaciones de fatiga. ii) realizar una valoración de lo apropiado de ajustar los parámetros para diferentes personas. iii) estudiar la influencia de nuevos parámetros a optimizar en la exactitud del modelo para estimar los pares. iv) incorporación del algoritmo en una plataforma de tiempo real. 2. Electromiografía 10 11 3. Estimación de pares de fuerza con el modelo de Hill Existen diversos estudios que analizan la relación EMG- fuerza muscular, sin llegar en general a un consenso por la gran cantidad de variables y condiciones que intervienen en la generación de dicha fuerza. Se puede afirmar que la relación entre sEMG-fuerza muscular no es necesariamente lineal, sino que depende entre otros factores de las fibras musculares, de la configuración de captura de la señal y principalmente del tipo de contracción muscular. Existen diferentes tipos de contracción muscular, Fig. 7, destacan: •Contracción isométrica o estática: el músculo desarrolla tensión pero no cambia en longitud, es una contracción muscular sin que exista movimiento (el ángulo articular se mantiene). Por ejemplo, mantener un peso constante. •Contracción isotónica o dinámica: en este caso el músculo varía en longitud durante la contracción al producirse movimiento articular. Se distinguen: i) contracción isotónica concéntrica: el músculo se acorta y varía su tensión mientras vence una resistencia constante. ii) contracción isotónica excéntrica: el músculo se alarga y varía su tensión al vencer una carga constante. Por ejemplo, la contracción que se produce durante el movimiento de flexión (isotónica concéntrica) y extensión (isotónica excéntrica) de la articulación del codo. Figura 7. Contracción isométrica e isotónica, concéntrica (C) y excéntrica (E). El Neuroestimador que forma parte del sistema NR/NP debe ser capaz de estimar la fuerza muscular para alimentar al controlador del sistema durante toda la terapia de 3. Estimación de pares de fuerza con el modelo de Hill 12 rehabilitación, lo que implica la generación de contracciones isotónicas en los ejercicios terapéuticos. Los ejercicios de rehabilitación son tanto ejercicios analíticos como funcionales: •Ejercicios funcionales: ejercicios que imitan la actividad que se requiere en el trabajo, vida diaria o deporte, como caminar, beber agua, etc. •Ejercicios analíticos: ejercicios con movimientos articulares sencillos. Normalmente maniobras realizadas por un terapeuta para mejorar la actividad motora: amplitud del movimiento, flexibilidad, extensibilidad, elasticidad, etc. Un tema crucial en el estudio de las fuerzas musculares que se generan durante una contracción, es elegir un modelo muscular adecuado. Mientras que en contracciones isométricas los modelos lineales pueden proporcionar una estimación razonable de fuerza, es verdad que una configuración monopolar en la captura lleva a relaciones más lineales que una configuración bipolar. Sin embargo, en contracciones dinámicas, la fuerza muscular a una activación muscular dada, depende de la longitud de músculo y la velocidad de contracción [13], y la linealidad ya no es aplicable en este caso. La producción de fuerza activa mantiene una relación parabólica inversa con la longitud de músculo, Fig. 8. A la longitud de fibra que produce la máxima fuerza activa se le denomina longitud óptima de fibra (L CE0 ), el pico máximo se genera con la máxima activación muscular y en todos los casos se reduce a cero en longitudes aproximadamente de 0.5L CE0 y 1.5L CE0 . Además de la fuerza activa, debido al estiramiento de los tejidos elásticos del músculo, se produce una fuerza pasiva. Esta fuerza pasiva aumenta exponencialmente. Destacar que el elemento pasivo sólo ejerce tensión cuando el músculo se extiende más allá de la longitud óptima de fibra (L CE0 ). La fuerza total ejercida por el músculo es la suma de la fuerza activa y la fuerza pasiva, cuyo resultado es un aumento más o menos monótono en la fuerza con la longitud. Esta dependencia de la fuerza muscular con la longitud implica que la estimación de la fuerza requiera de información cinemática, además de los datos de EMG. Figura 8. Relación de la fuerza muscular con la longitud de fibra normalizada con la longitud de fibra óptima (L CE0 ). 3. Estimación de pares de fuerza con el modelo de Hill 13 En cuanto a la relación con la velocidad de contracción, cuando un músculo se acorta, la fuerza disminuye de forma hiperbólica con velocidad creciente. Durante el estiramiento, se produce un leve aumento de la fuerza con una velocidad cada vez mayor. Los modelos basados en el modelo de Hill [16] (HB: Hill-Based) son bien conocidos por representar adecuadamente el comportamiento del músculo. Entre las distintas formulaciones de los modelos HB, uno de los más consistentes fue el desarrollado en [15], que tiene en cuenta la relación fuerza-longitud de músculo (f l ) y la fuerzavelocidad de contracción (f v ). Además, cabe destacar que sus parámetros tienen un significado fisiológico, a diferencia de otros, como los basados en redes neuronales, lo que permite incluir nuevos parámetros de acuerdo con la fisiología del sujeto para obtener una estimación del mejor par. 3.1 Modelo de Hill y parámetros El músculo se modela por un elemento contráctil (CE, parte activa, fibra), un elemento elástico y paralelo (PE, parte pasiva), y un elemento elástico en serie con CE (SE, parte pasiva, tendón), Fig. 9 . Figura 9. Elemento contráctil, elemento serie y paralelo del modelo de Hill. Lo que hace que se cumplan las siguientes ecuaciones para cualquier músculo i:     (1)       (2) Las ecuaciones de fuerza de cada elemento presentadas en detalle, bajo la perspectiva de Winters [15], son las siguientes (en el Anexo1 se lista el significado de los parámetros y abreviaturas, no obstante, en esta sección se explican las más destacadas por ser los parámetros a optimizar): F           e   ∆ ! ∆"" ! # $1& (3) Donde S SE es el factor de forma del elemento en serie y: 3.1 Modelo de Hill y parámetros 14 ∆L ()* 0.03L ./ (4) F ()* 1.3F 0()* (5) F 1        2  e  2 ∆3,5, !6 ∆"" 5 ," ! # $1& (6) Donde S PE el factor de forma del elemento paralelo, L CE0 la longitud de fibra óptima, y: ∆L 1()* L ()* $L 07 L ./  (7) F 1()* 0.05F 0()* (8) F 0 F 0()* u∙f < L 07 ∙f = V 07 u,L 07 ,α (9) Siendo u la activación muscular normalizada, α el porcentaje de fibras rápidas del elemento contráctil y f l y f v la relación fuerza-longitud de músculo y fuerza-velocidad de contracción respectivamente, que se pueden expresar de la siguiente forma: @ A B 7 expE$0.5F ∆ G 7.7H 7.I J K L (10) f = V 07  7.MNN 7.7OMP*Q.N/RSTK.U V VG P.WM# (11) Con: V 07 0.5u1V 0()* (12) V 0()* 2L 07 8L 07 α (13) La implementación de este modelo se ha realizado como muestra la Fig. 10: Figura 10. Implementación derivada. L m es la longitud de músculo. 3.1 Modelo de Hill y parámetros 15 El momento neto generado en el codo es el sumatorio de los momentos individuales generados por cada uno de los músculos que intervienen: Z[ \]^_ ∑  \a b (14) Siendo n el número de músculos considerados, r el brazo de momento de cada músculo para el movimiento coplanario que estamos considerando, y   es la fuerza total generada por el músculo i. En este trabajo se estima el par del codo en los movimientos de flexión/extensión, a partir de este modelo, con los músculos agonistas y antagonistas implicados. Para la selección de los músculos que más contribuyen al momento en el codo, hemos utilizado el software OpenSim [1]. Esta plataforma nos permite estudiar las características musculares durante los movimientos. Una descripción del software puede encontrarse en el Anexo 3. La Fig. 11 muestra los músculos a modelar: Figura 11. Músculos modelados para la estimación del par en movimientos de flexión/extensión. Trabajos anteriores sobre este tema consideran en el modelo sólo un subconjunto de estos músculos. Aquí añadimos al Biceps long head (BIClong), Biceps short head (BICshort), Brachioradialis (BRD), Brachialis (BRA), Triceps long head (TRIlong), Triceps lateral head (TRIlat), Triceps medium head (TRImed), los nuevos: Anconeus (ANC), Extensor carpi radialis longus (ECRL), Flexor carpi radialis (FCR) and Pronator 3.1 Modelo de Hill y parámetros 16 Teres (PT), cuya activación dan nuevos parámetros a ser optimizados, introduciendo mejoras en la estimación del par en el codo. Debido a que algunos músculos importantes del brazo y el antebrazo que se quieren tener en cuenta, no son superficiales, y por lo tanto no somos capaces de medir su actividad eléctrica, Tabla 1, se ha asumido que la actividad del BIClong, BRA, ANC and PT, respectivamente, es igual que la de su músculo vecino: BICshort, BRD, ECRL, FCR, pero con un factor de escala (basado en la teoría de las sinergias musculares [6]). ABREVIATURA NOMBRE ¿MEDIDO? 1 BIC long Biceps long head NO 2 BICshort Biceps short head SI 3 BRD Brachioradialis SI 4 BRA Brachialis NO 5 TRIlong Triceps long head SI 6 TRIlat Triceps lateral head SI 7 TRImed Triceps médium head NO 8 ANC Anconeus NO 9 ECRL Extensor carpi radialis longus SI 10 PT Pronator teres NO 11 FCR Flexor Carpi Radialis SI Tabla 1. Músculos modelados medidos y no medidos con los sensores sEMG. 3.2 Optimización de parámetros Se quiere lograr un ajuste óptimo de los parámetros. El método ajusta el par estimado del codo con la medida del sensor de fuerza del antebrazo. Se utiliza un algoritmo no lineal ‘trust-region-reflective’ [5] disponible en el Matlab Optimization toolbox para resolver este problema de ajuste de curvas mediante mínimos cuadrados ('lsqcurvefit "función de Matlab). Con un modelo completo experimental de la extremidad superior [1, 2], se obtuvieron los parámetros genéricos, para el percentil 50 de un varón de 170cm de altura, de Lmax, LC0, LTS, y Fcemax, Tabla 2. También usamos la longitud del tendón del músculo y brazos de momento de este trabajo experimental como datos para nuestro modelo. La Tabla 3 representa los parámetros del modelo que se optimizan y los límites utilizados. Los parámetros α, SPE, y SSE fueron tomados de [4], al igual que algunos de los valores sobre los límites del intervalo inferior y superior de los parámetros. En total nuestro modelo contiene 60 parámetros que optimizar, 5 para cada músculo y 5 factores globales (los factores de activación de BIClong, BRA, ANC, PT y un factor de escala geométrico). Hay que tener en cuenta que los parámetros añadidos corresponden a los niveles de activación para los nuevos músculos considerados en el modelo. 3.2 Optimización de parámetros 17 Músculo 1 2 3 4 5 6 7 Lmax [cm] Lceo [cm] LTS [cm] Fcemax [N] α [%] Spe Sse 1 BIClong 43.1 11.57 27.23 624.3 56 9 2.8 2 BICshort 34.8 13.21 19.23 435.56 56 9 2.8 3 BRD 33.2 17.26 13.3 261.33 75 9 2.6 4 BRA 14.6 8.58 5.35 987.26 38 9 3 5 TRIlong 32.6 13.4 14.3 798.52 66 10 2.3 6 TRIlat 21.5 11.38 9.8 624.3 66 10 2.3 7 TRImed 20.2 11.38 9.08 624.3 66 10 2.3 8 ECRL 33.4 8.1 22.4 304.89 50 8 3 9 FCR 31.2 6.28 24.4 73.96 58 6 3 10 ANC 4.8 2.7 1.8 350 50 8 2.6 11 PT 15.8 4.92 9.8 566.22 50 8 2.6 Tabla 2. Parámetros genéricos usados para todos los sujetos en la optimización El valor genérico de los factores de activación de BIClong (f_BIC), BRA (f_BRA), ANC (f_ANC), PT (f_PT) y el factor de escala geométrico (f_geom) son: 1, 3, 1, 1 y 1 respectivamente. Parámetro Límites Característica Lce o [0.8,1.2] por músculo Fce max [0.5,1.5] por músculo α [0.5,1.5] por músculo S PE [0.8,1.2] por músculo S SE [0.8,1.2] por músculo f_BIC [0.8,1.2] Global f_BRA [0.5,4] Global f_ANC [0.3,1.5] Global f_PT [0.3,1.5] Global f_geom [0.8,1.2] Global Tabla 3. Límites superiores e inferiores impuestos en el proceso de optimización. 3. Estimación de pares de fuerza con el modelo de Hill 18 19 4. Experimentación Se realizaran una serie de sesiones experimentales con varios sujetos sanos que repetirán ejecuciones del movimiento analítico de flexión/extensión del codo guiado por el robot KUKA con asistencia del 0%, mientras se registra de forma simultánea la actividad EMG y la fuerza ejercida por el robot en el end-effector. Para este movimiento analítico pasivo se definirán dos condiciones, la primera son diferentes niveles de fuerza de resistencia en condición de no fatiga, en la segunda, el participante realizará el movimiento con las mismas fuerzas de oposición pero en condiciones de fatiga. El resultado esperado de esta experimentación es la validación de nuestra estimación de par a lo largo de la trayectoria tras la optimización de parámetros, por comparación con los pares medidos en el end-effector del robot. En la Fig.12 se muestra un esquema del estudio. Figura 12. Esquema de estudio experimental. 4.1 Sujetos Los experimentos se han realizado con cuatro sujetos varones, diestros y sanos (en esta etapa del proyecto nos interesa validar nuestro Neuroestimador, por lo que sujetos con trastornos neuromusculares podrían presentar problemas en la interpretación del EMG y afectar a esta primera valoración), que se ofrecieron voluntariamente para el estudio, entre 25 y 31 años de edad, y un peso y altura media de 78 ± 15 kg y 1,75 ± 0,05 m respectivamente. 5. Resultados 26 Naturalmente, si se tienen en cuenta más músculos que contribuyen al par en una articulación, se aumenta claramente la exactitud en la estimación. Figura 19. La media y la desviación estándar del error máximo y el error cuadrático medio de nuestro modelo con 11 músculos frente a considerar sólo 7 de ellos. 27 6. Implementación del Neuroestimador El Neuroestimador trata de integrar de forma óptima toda la información procedente de los sistemas sensoriales del dispositivo Neurorrobótico/Neuroprotésico para establecer y desarrollar los mecanismos de control para los dispositivos de rehabilitación. En base a esta necesidad se trabaja en el Neuroestimator bajo el paradigma “assist-as-needed” con las adaptaciones dinámicas de acuerdo a las capacidades motoras latentes de los usuarios. Este Neuroestimador alimenta al controlador del sistema según Fig. 20. Figura 20. Neuroestimador (NE) en el esquema general del control de HYPER. Este Neuroestimator se ocupará de señales muy heterogéneas: • Los electrodos de EEG y EMG: señales fisiológicas. • Sensores de movimiento del NR: señales de posición, velocidad, aceleración, fuerza, etc. 6. Implementación del Neuroestimador 28 • Otros: humedad o el sudor. Todo ello, con el fin de proporcionar al sistema de control las mejores estimaciones en cada momento de: • Movimientos involuntarios: por ejemplo, temblores o espasmos para poder ser reducidos. • El movimiento voluntario real. • La fuerza muscular del paciente: para saber cuánta fuerza debe ser compensada. • Fatiga: con el fin de evitar sus efectos. • Otros: La intención del paciente. Todas estas variables modifican los parámetros de sistema de control para caracterizar los requerimientos del balance NR / NP teniendo en cuenta las capacidades latentes de los pacientes, es decir, qué porcentaje de compensación de movimiento debe realizar la NP y cuál el NR. Y por tanto modifican la consigna de fuerza del robot para que el NR aplique la fuerza compensatoria y la señal FES (intensidad y frecuencia) a los puntos de aplicación de la estimulación. Estos parámetros cambiarán a lo largo de la terapia de rehabilitación. La interconexión de hardware HYPER cuenta con dos buses, Fig. 21. Un bus CAN (representado por las líneas rojas) que se utilizará para la comunicación en tiempo real, y un bus Ethernet (UDP o TCP / IP, representado por líneas azules) a la comunicación de alto nivel. Figura 21. Esquema general de integración de HYPER Medical Interface (MI) VICOMTECH Hardware Abstraccion Layer (HAL) CSIC High Level Control (HLC) IBEC / CSIC CSIC Motor CSIC Virtual Reality (VR) VICOMTECH FES TECNALIA Platform CIDETEC Potentiometer, Strain Gauge, FSR CSIC UC3M Motor UC3M IMUs CSIC Microclimate CIDETEC UDP UDP CAN ANALOG ANALOG Neuroestimator (NE) UNIZAR EEG UNIZAR EMG UNIZAR 6. Implementación del Neuroestimador 29 La interfaz del Neuroestimator (NE), se muestra en la Fig. 22. La información necesaria para el NE estará disponible en el bus CAN (ángulos articulares, pares articulares, etc.) y enviará la información que estime al bus CAN y a la interfaz médica a través de UDP para permitir el análisis de datos a los clínicos. Figura 22. Esquema integración del Neuroestimador dentro de HYPER Una característica importante de este Neuroestimador es que tiene que trabajar en tiempo real, por ello se usará un PC104 (Modelo PCM-4153-A2) como plataforma hardware para conseguir este objetivo y se implementará un primer prototipo en el entorno Simulink. El sistema completo se muestra en la Fig. 23. El bloque g.USBamp es proporcionado por Simulink Highspeed On-line Processing software [20], y nos permite capturar de forma sencilla la señal EMG y almacenarla en el entorno Simulink para poder postprocesarlar. El sistema se ha dividido en subsistemas atendiendo a su funcionalidad: bloque de captura de la señal EMG (azul oscuro), bloque de transformación de EMG en activación muscular (rosa), modelado de las activaciones de los músculos no medidos (naranja), subsistema de la cinemática (blanco), estimación de la fuerza muscular con el modelo de Hill (amarillo), y el cálculo del par en la articulación (verde). A continuación se muestran más en detalle cada uno de los subsistemas. El bloque de captura de la señal EMG, Fig. 24, almacena en una variable el valor de tiempo de la CPU a la vez que captura el EMG crudo, almacenándolo en una variable y visualizándolo. De los 16 canales del amplificador sólo se usan los canales impares usar una configuración bipolar de captura. El bloque de transformación de EMG en activación muscular, Fig. 25, simplemente realiza músculo a músculo los pasos descritos en la sección 2.2 de procesamiento de datos. Como entradas al subsistema se tienen las máximas contracciones voluntarias de los músculos medidos, y la señal EMG en crudo. La activación muscular normalizada es la salida. Medical Interface (MI) VICOMTECH High Level Control (HLC) IBEC / CSIC UDP CAN Neuroestimator (NE) UNIZAR EEG UNIZAR EMG UNIZAR Info available @ CAN bus: <= Joint Angles @ 100 Hz <= Joint Torques @ 100 Hz <= Trunk Inclination @ 100 Hz <= FSR @ 100 Hz <= Platform Pressure @ 100 Hz <= Microclimate @ 1 Hz <= FES Stimulation <= ... 6. Implementación del Neuroestimador 30 Figura 23. Sistema Simulink para la estimación del par en la articulación. Moment.mat net moment sf_gUSBamp g.USBamp UB-2010.09.15 Force.mat fuerzatotal Total Force Angle Subsystem EMG.mat Raw EMG matrix Rate Transition Ftotal Marm Net Moment Net moment estimation Net Moment -C- MVC Normalized U Lm Ftotal HB model Raw EMG MVC Activ ations EMG2Activation USBamp Time v ariable EMG Variable Raw EMG EMG Recording Robot_Position Lm Marm Calculate Lm and Marm Activaciones.mat Activations matrix y norm Unorm Activation_Modeller Activation Ttiempo.mat time 6. Implementación del Neuroestimador 31 Figura 24. Subsistema de captura de la señal EMG. El modelado de las activaciones de los músculos no medidos consiste en multiplicar el factor de escala para obtener la activación de los músculos imposibles de medir con sEMG. El bloque ‘transition rate’, Fig. 23, asegura la transmisión de datos entre dos subsistemas que trabajan a distinta frecuencia. Mientras que la parte de adquisición de datos se ejecuta a 2400Hz, la estimación del par se realiza a 10Hz. El subsistema de la cinemática (ángulos articulares), Fig. 23, simula un movimiento de flexión y extensión de codo de robot de 0° a 130°. Este módulo se suprime con el uso del robot real, pues la cinemática se obtendría del robot. A continuación se necesita el subsistema de cálculo de la longitud y el brazo de momento para cada uno de los músculos modelados, Fig. 26. OpenSim permite exportar tablas de datos del modelo de extremidad superior utilizado [2]. El modelo de Hill necesita las longitudes y brazos de momento del músculo con el movimiento de flexión/extensión del codo, y este subsistema se encarga de buscar en esas tablas los datos geométricos correspondientes a la cinemática en cada instante y multiplicarlo por el factor geométrico. Por último el cálculo del par en la articulación, Fig. 27, es un subsistema que multiplica la fuerza total obtenida de cada músculo por su correspondiente brazo de momento en ese instante y realiza el sumatorio para hallar el momento neto instantáneo. En la Fig. 4 se han representado señales reales de sEMG y procesadas utilizando el sistema descrito. 3 Raw EMG 2 EMG Variable 1 Time variable Unbuffer Step Scope Interpreted MATLAB Fcn MATLAB Fcn double Data Type Conversion1 1 USBamp 6. Implementación del Neuroestimador 32 Figura 25. Subsistema de transformación de EMG en activación muscular. Figura 26. Subsistema de cálculo de la longitud de músculo y el brazo de momento para cada uno de los músculos modelados. 1 Activations Scope2Scope1Scope Biquad LP 4 Butterwo rth Filter Fc6 Fs7 Biquad LP 4 Butterworth Filter Fc6 Fs6 Biquad LP 4 Butterworth Filter Fc6 Fs5 Biquad LP 4 Butterworth Filter Fc6 Fs4 Biquad LP 4 Butterworth Filter Fc6 Fs3 Biquad LP 4 Butterworth Filter Fc6 Fs2400 Biquad LP 4 Butterworth Filter Fc6 Fs2 Biquad LP 4 Butterworth Filter Fc6 Fs1 Biquad HP 4 Butterworth Filter Fc30 Fs7 Biquad HP 4 Butterworth Filter Fc30 Fs6 Biquad HP 4 Butterworth Filter Fc30 Fs5 Biquad HP 4 Butterworth Filter Fc30 Fs4 Biquad HP 4 Butterworth Filter Fc30 Fs3 Biquad HP 4 Butterworth Filter Fc30 Fs2400 Biquad HP 4 Butterworth Filter Fc30 Fs2 Biquad HP 4 Butterworth Filter Fc30 Fs1 Interpreted MATLAB Fcn Full Rectification7 Interpreted MATLAB Fcn Full Rectification6 Interpreted MATLAB Fcn Full Rectification5 Interpreted MATLAB Fcn Full Rectification4 Interpreted MATLAB Fcn Full Rectification3 Interpreted MATLAB Fcn Full Rectification2 Interpreted MATLAB Fcn Full Rectification1 Interpreted MATLAB Fcn Full Rectification Divide7 Divide6 Divide5 Divide4 Divide3 Divide2 Divide1 Divide 2 MVC 1 Raw EMG 2 Marm 1 Lm i 0.6 geometric factor angle i calculate_index_table calculate_index_table XY Graph Scope1 Scope Marm Scope Lm Robot Angle Product1 Product i Marm Calculate_Marm i Lm Calculate_Lm 1 Robot_Position 6. Implementación del Neuroestimador 33 Figura 27. Subsistema de cálculo del momento neto en la articulación. 1 Net Moment Sum of Elements Product9 Product8 Product7 Product6 Product5 Product4 Product3 Product2 Product10 Product1 Product 2 Marm 1Ftotal 6. Implementación del Neuroestimador 34 35 7. Conclusiones Este trabajo desarrolla una técnica basada en modelo de músculo de Hill para estimar el par de fuerzas en codo humano a partir de mediciones de electromiografía superficial. Se han incluido algunos nuevos parámetros en el proceso de optimización con el fin de mejorar el par estimado resultante. Estos parámetros corresponden a niveles de activación de los músculos que intervienen en la generación de movimiento, pero no utilizados anteriormente en otros trabajos relacionados con este tipo de modelos. Con los resultados experimentales de diferentes sujetos, en diferentes condiciones de movimiento, y utilizando los nuevos parámetros optimizados se obtienen algunas conclusiones acerca de la generalidad de los modelos de músculos optimizados y de la influencia de los nuevos parámetros en la mejora de la estimación. Los resultados indican que un modelo general de músculo es posible para un grupo de la población con similares características fisiológicas (como el presente estudio). Para hacer frente a la heterogeneidad de la población, en un sentido físico, se cree que la población se puede agrupar en conjuntos y proporcionar un "banco" de sub-óptimos parámetros para cada grupo, en lugar de cada persona. Esto podría representar un gran avance en la ingeniería de rehabilitación, ya que reduce la tediosa tarea de calibrar el modelo para diferentes personas. Validado con sujetos sanos, este trabajo ha puesto de manifiesto la influencia, en la mejora de la estimación del par en el codo, de los nuevos parámetros fisiológico en el modelo de Hill correspondientes al nivel de activación de los músculos involucrados en el movimiento, pero no tratados en obras anteriores, incluyendo en el estudio diferentes condiciones de movimiento. El modelo propuesto es capaz de estimar, con errores bajos, el par para las condiciones de diferentes resistencias, incluso con bajas velocidades. Sin embargo, en condiciones de fatiga la estimación puede ser mejorada. Ya hay estudios actuales en esta línea de investigación [11]. La fatiga muscular aparece durante las sesiones de rehabilitación y se requiere que el modelo pueda hacer frente a este cambio en las señales de sEMG. Puesto que los datos de prueba de cuatro sujetos son insuficientes para sacar conclusiones universales, en el trabajo futuro incluirán poblaciones más grandes, lo que permitirá incluir discusiones acerca de las tendencias y los patrones de los parámetros cada músculo en detalle. Además, se pretende extender el estudio del modelo a movimientos de rehabilitación, tanto analíticos como funcionales (movimientos de caminar), para los miembros superiores e inferiores. En la misma dirección se incluirán 43 ANEXO 1: Abreviaturas α % de fibras rápidas del elemento contráctil ANC Anconeus BIC long Biceps long head BICshort Biceps short head BRA Brachialis BRD Brachioradialis ECRL Extensor carpi radialis longus Emax error máximo Erms error cuadrático medio f_ANC factor de escala de la activación de músculo ANC f_BIC factor de escala de la activación de músculo BIC long f_BRA factor de escala de la activación de músculo BRA FCE fuerza del elemento contráctil FCEmax fuerza máxima del elemento contráctil FCR Flexor Carpi Radialis f_geom factor geométrico del modelo Fi Fuerza muscular total del músculo i fl relación entre fuerza muscular y longitud de músculo FPE fuerza del elemento paralelo FPEmax fuerza máxima del elemento paralelo f_PT factor de escala de la activación de músculo PT Anexo 1: Abreviaturas 44 FSE fuerza del elemento en serie FSEmax fuerza máxima del elemento en serie fv relación entre fuerza muscular y velocidad de contracción HB modelos de músculo basado en los modelos de Hill LCE0 longitud de fibra óptima ∆LCE variación de longitud del elemento contráctil con respecto al reposo ∆LCEmax variación máxima de la longitud del elemento contráctil Lm longitud de músculo Bd s longitud de músculo-fibra normalizada ∆LPE variación de longitud del elemento paralelo con respecto al reposo ∆LPEmax variación máxima de la longitud del elemento paralelo ∆LSE variación de longitud del elemento en serie con respecto al reposo ∆LSEmax variación máxima de la longitud del elemento en serie LTS longitud del tendón en reposo Mneto momento neto en la articulación MVC maxima contracción voluntaria PT Pronator teres SPE factor de forma del elemento paralelo SSE factor de forma del elemento contráctil TRIlat Triceps lateral head TRIlong Triceps long head TRImed Triceps medium head U activación muscular normalizada VCE0 máxima velocidad elemento contráctil con nivel de activación máximo VCE velocidad de contracción del elemento contráctil VCEmax velocidad máxima del elemento contráctil con 45 ANEXO 2: HYPER Consolider 2010 El proyecto HYPER pretende representar un avance significativo en la investigación de dispositivos neurorrobóticos (NR) y neuroprotésicos (MNP) en interacción cercana con el cuerpo humano, tanto en la rehabilitación como en la compensación funcional de trastornos motores en actividades de la vida diaria. El proyecto centrará sus actividades científico-tecnológicas en el desarrollo de configuraciones novedosas de neurorrobots y neuroprótesis que, mediante su acción combinada, potenciarán y ayudarán a restablecer las capacidades latentes de personas que, afectadas de lesiones cerebrovasculares, parálisis cerebral o lesión medular, presentan trastornos motores en miembro inferior o superior. Los principales objetivos del proyecto son la restauración de la función motora en pacientes con lesión medular a través de la compensación funcional y promover el reaprendizaje del control motor en pacientes afectados por accidente cerebro vascular y parálisis cerebral, por medio de un uso integrado de neurorrobots y neuroprótesis. El proyecto validará funcional y clínicamente el concepto de sistemas neurorrobóticosneuroprotésicos híbridos para la rehabilitación compensación funcional de trastornos motores bajo el paradigma de asistencia bajo demanda. En la visión HYPER, se asume que el avance en las terapias de rehabilitación física depende de la obtención de una comunicación más transparente entre los sistemas humanos y las máquinas, y por lo tanto, se explorarán diferentes niveles de actividad neural humana. El proyecto plantea preguntas fundamentales en diferentes disciplinas tecnológicas y científicas. Estas preguntas dan lugar al planteamiento de seis líneas de investigación (biomecánica, control neuromotor, tecnologías de control, tecnologías de sensores, actuadores y energía, interfaces multimodales cerebro-máquina, adaptación de sistemas híbridos a escenarios de aplicación) con interacciones horizontales: • Los sistemas tratarán la variabilidad en las estructuras neuromusculares humanas, con adaptaciones dinámicas acordes a las capacidades (motrices) latentes de los usuarios. • La aproximación propuesta promoverá el reentrenamiento del control sensorial y motor, y la plasticidad cerebral. Esto podrá conducir a potenciales soluciones de rehabilitación de pacientes con apoplejía y parálisis cerebral, y a soluciones para la compensación funcional de pacientes con lesión medular. Anexo 2: HYPER Consolider 2010 46 HYPER propone una interfaz multimodal cerebro-máquina(BNMI), cuyo objetivo principal es la exploración de diferentes niveles de actividad neural, caracterizando las demandas específicas de apoyo y la participación del paciente, y poder así modificar la intervención a nivel periférico con los sistemas híbridos NR-MNP. HYPER adopta un enfoque nuevo y poco convencional. El control motor de las extremidades humanas durante la manipulación y la locomoción será el resultado de tres sistemas que actúan mecánicamente en paralelo: • El sistema biológico a través de las capacidades motoras latentes de los pacientes. •El control del motor de las extremidades humanas por medio de la neuroprótesis (NP). •El control motor de las extremidades humanas por medio de un neurorrobot (NR), ligero y portátil. El "Assist-as-Needed" paradigma supone, tener en cuenta la variabilidad en las estructuras neuromusculares humanos, una propiedad intrínseca del control neuromuscular en la actuación. Por lo tanto, la actuación en paralelo (NR-NP) no es fija sino que se adapta de manera dinámica y está sujeta a los cambios debidos a las organizaciones neuronales y adaptaciones musculares. Con el fin de cumplir con este ambicioso objetivo, se deben abordar: • El desarrollo de un modelo preciso del sistema músculo-esquelético humano (ambos miembros superiores e inferiores) para una aplicación segura y eficiente de la FES por el NP y un modelo preciso de la anatomía humana (tanto las articulaciones de los tejidos superiores y las extremidades inferiores) para una transmisión segura y eficaz de las fuerzas de la NR para al usuario. •El desarrollo de modelos de los mecanismos neuromotores humanos para ser implementados en el control de caminar, balance, alcanzar y agarrar objetos en los seres humanos sanos. Se cuantificará en el modelo para el control el papel relativo del control del motor volitivo, los reflejos, generadores de patrones centrales y otros mecanismos en el desempeño de la función. •Desarrollar una estructura de control y los algoritmos que imitan el modelo biológico para un trabajo eficiente y seguro de los tres actores: (1) características humanas latentes, (2) NP y NR (3), en dos escenarios: (a) la compensación funcional de los pacientes de lesión medular (3) control de motor re-entrenamiento en los lesionados cerebrovasculares. • Desarrollar el actuador, sensor y tecnologías de gestión de energía para que el NR-NP pueda ser incorporado en un portátil, una solución ambulatoria, útil y aceptable para el paciente y el terapeuta. •Desarrollar un cerebro multimodal y neuronal a la interfaz de la máquina (BNMI) capaz de descifrar los comandos volitivos de manera exhaustiva. Esto también involucra Anexo 2: HYPER Consolider 2010 47 el manejo de movimiento no deseado, por ejemplo, espasmos o temblores, y la evaluación de la capacidad humana latente. •Obtener del paciente y terapeutas sus necesidades para una solución aceptable y proporcionar medios para el compromiso del paciente y la validación del sistema HYPER. Con el apoyo del desarrollo de realidad virtual (VR), el sistema permitirá la simulación fiel de todo el proceso, la obtención de la información sensorial y la generación de la respuesta de los actuadores. Se utiliza tanto para poner a prueba el sistema como para poner en marcha programas de rehabilitación con los usuarios reales, sin riesgo. Los siguientes párrafos dan más detalles de la investigación científica y tecnológica que se están llevando a cabo en el marco de HYPER. • Biomecánica. El desarrollo de híbridos de NR y NP requerirá el apoyo científico biomecánico para superar los problemas críticos para la eficiencia, la seguridad y la fiabilidad. El nuevo concepto implica nuevos retos en Biomecánica •Control neuromotor. El desarrollo de controladores robustos y viables para el sistema híbrido requiere un conocimiento preciso de diversos mecanismos de control biológico. Este itinerario de investigación tiene como objetivo desplegar los principios de control del movimiento humano en los niveles neuronales y musculoesqueléticos mediante el desarrollo de modelos funcionales. Estos modelos, más allá de su verosimilitud biológica, se pueden utilizar para controlar el NP y dispositivos NR. •Tecnologías de control. NR y NP son integrados. La naturaleza de esta integración se rige por el sistema de control. Este arbitra cómo las estructuras biológicas y artificiales se coordinan de manera dinámica. En HYPER, esta integración tiene lugar en una estructura de control motor complejo en el que dos sistemas artificiales interactúan con el cuerpo humano. De este modo, diversos retos científicos necesitan superarse para diseñar los diferentes controladores con nuestro enfoque. •Actuadores, sensores y tecnologías de gestión de energía. Tecnologías que la mayoría de las veces representan cuellos de botella en soluciones portátiles y fiables en los escenarios de rehabilitación. •Cerebro Multimodal e Interfaces Neuronales de la máquina (BNMI). Mejora de las terapias de rehabilitación, con nuevos sistemas híbridos requiere la exploración de los diferentes niveles de la actividad neuronal humana. Esto ha sido demostrado ser muy importante en: (1) evaluar la calidad de las intervenciones, y (2) obtener una comunicación más transparente y relacionándose entre sí entre el sistema nervioso humano y las máquinas. •Adaptación de la NP y el NRS a los usuarios y los escenarios de aplicación. La aplicación de los NR y MNPS requiere una evaluación funcional y clínica. Anexo 2: HYPER Consolider 2010 48 49 ANEXO 3: Visión general de OpenSim En los últimos años, ha aumentado de forma considerable la utilización de los llamados sistemas de análisis de movimiento humano por parte de la industria de animación por ordenador y de videojuegos en el sector audiovisual, para generar movimientos tridimensionales análogos a los realizados por un objeto o persona real. OpenSim es un software libre que permite crear y analizar modelos del sistema musculoesquletal y simulaciones dinámicas de su movimiento. El software proporciona una plataforma que facilita a todos los investigadores, en particular de la biomecánica, la creación de una biblioteca de simulaciones que se pueden intercambiar, probar, analizar y mejorar. El software está escrito en C++, y la interfaz de usuario gráfica (GUI) está escrito en Java. OpenSim permite el desarrollo de modelos personalizados, análisis, y modelos de músculos entre otras cosas. Estos complementos pueden ser compartidos sin necesidad de modificar o compilar el código fuente. Se pueden analizar los modelos y las simulaciones existentes y desarrollar nuevos modelos y simulaciones dentro de la interfaz gráfica. OpenSim incluye varias características. Algunas de las características más útiles: • La escala en tamaño y peso de un modelo músculo-esquelético. • Realizar análisis de cinemática inversa para el cálculo de ángulos de las articulaciones a partir de las posiciones de marcadores. • Realizar análisis de la dinámica inversa para el cálculo de momentos netos en las articulaciones y las fuerzas externas. • Generación de la dinámica directa para simulaciones de movimiento. • Análisis de simulaciones dinámicas. OpenSim proporciona una interfaz gráfica de usuario que da acceso a muchas de las características del software. Por ejemplo, puede importar datos de análisis de movimiento, la escala de un modelo del sistema músculo-esquelético, realizar análisis de la dinámica inversa, y los resultados de la trama, todo desde la interfaz gráfica. A continuación se muestra el aspecto de la interfaz: Anexo 3: Visión general de OpenSim 50 En cuanto a las opciones de menú: Permite importar y exportar información, cargar modelos y movimientos. Anexo 3: Visión general de OpenSim 51 Permite modificar las características o parámetros de los músculos, activaciones musculares, marcadores virtuales o ficheros del musculoesqueleto. La opción de Tools permite de forma fácil acceder a las herramientas para generar y analizar simulaciones del musculoesqueleto. Window simplemente controla qué ventana es visible en la interfaz gráfica. Más en profundidad, estas ventanas son: