• arto superiore
• controllo protesico
• interfaccia miocinetica
• magnetic marker
• marker magnetici
• muscular synergies
• myokinetic interface
• pattern recognition
• prosthetic control
• sinergie muscolari
• upper limb

L’interfaccia miocinetica rappresenta un innovativo approccio per il controllo di protesi di arto superiore basato sulla decodifica delle intenzioni motorie attraverso magneti permanenti impiantati nei muscoli residui. In attesa della prima sperimentazione clinica è necessario testare l’interfaccia miocinetica con dati realistici in grado di simulare le sinergie muscolari naturalmente presenti nell’avambraccio. In questo lavoro è presentato un modello di generazione di dati miocinetici relativi all’attivazione di muscoli dell’avambraccio durante sei prese della mano e la classificazione delle stesse tramite un algoritmo di pattern recognition. I dati miocinetici sono stati generati partendo da un dataset di dati elettromiografici (EMG) di 16 soggetti e un modello agli elementi finiti di contrazione muscolare. Il protocollo di simulazione dei dati è stato diviso in una serie di passi consecutivi comprendenti: normalizzazione dei segnali EMG, applicazione del modello FEM, interpolazione della traiettoria dei magneti, applicazione di trasformazioni rigide alla traiettoria, reimpostazione dell’orientazione dei magneti, simulazione della localizzazione dei magneti e classificazione dei dati ottenuti tramite un algoritmo di pattern recognition. Per ciascun soggetto l’algoritmo è stato in grado di discriminare correttamente almeno cinque movimenti, nonostante la grande variabilità di contrazione muscolare identificata nel dataset. I risultati ottenuti sono molto incoraggianti e permettono di valutare preliminarmente l’efficacia dell’interfaccia miocinetica, in attesa di dati sperimentali derivanti da un futuro trial clinico.

The myokinetc interface consists of an innovative prosthetic control approach of upper limb based on decoding motion intentions through permanent magnets implanted on residual muscles. Before the first clinical trial it is necessary to test the myokinetic interface with realistic data which can simulate the muscular synergies that are naturally found in the forearm. In this work, a generation model of myokinetic data is presented for some forearm muscles during the execution of six different hand grasps with the classification of the same grasps through a pattern recognition algorithm. Myokinetic data were generated starting from an electromyographic dataset of 16 subjects and a finite elements model of muscular contraction. The simulation protocol was divided into several consecutive parts: EMG signals normalization, FEM model application, interpolation of the magnet trajectory, application of rigid transformations to the trajectory, magnets orientation elaboration, simulation of magnets localization and classification through a pattern recognition algorithm. Despite the great variability of muscular contraction shown by the dataset, the classification algorithm was able to recognize correctly at least five movements. The final results are encouraging and make a preliminary evaluation of the myokinetic interface possible, waiting for experimental data from the first clinical trial.