Bidirectional control in lower limb prosthesis

This doctoral thesis presents the definition and implementation of a bidirectional neural control for a powered knee prosthetic device. A detailed review of the different implementations of EMG-driven controllers for lower limb prostheses is offered to the reader with the intentof acknowledging the necessity of paradigm shift with respect to standard pattern recognition approaches. Additional literature investigation is presented on sensory restoration through implanted neural electrodes and further previous attempts in closing the sensory-motor control loop with prosthetic devices. This thesis dissertation proposes the exploration of subject specific Neuromusculoskeletal (NMS) models for the direct control of the prosthetic joint through its forward dynamic simulation using only a limited number of sensors that can be embedded in the prosthesis. Machine Learning (ML) regression algorithms are used to solve the highlighted limitations, such asthe requirement for a high number of EMG electrodes and total body motion capture system. The developed framework, based on the hybrid ML-NMS model, has been, in the end, tested successfully for the control in real-time of a lower limb powered knee prosthesis prototype using healthy subjects, during simple tasks. Methodologies for employing the developed hybrid ML-NMS modelto restore proprioceptive feedback through intraneural electrical interfaceare moreover discussed, introducing a novel bio-inspired stimulus encod-ing algorithm. The presented approach proposes to use the estimation of Ia afferent fibers neural natural activity to modulate charge and frequency of the electrical stimulation .Combining the developed NMS model and computational modeling of themuscle spindle transducer sensory organ, we tested the proposed encodingalgorithm (ProprioStim) during in-silico simulations, employing an electro-neural model replicating a realistic neural-electric interface. The simulations showed the advantages and benefits of using ProprioStim with respect to standard stimulation protocols and provided encouraging results on thepossibility of restoring quasi-natural proprioceptive feedback in future human trials. Based on the obtained results authors consider the developed frameworkas a novel solution for the definition of bidirectional prosthetic control. Moreover, this work provides the basis for the formulation of a holistic approach for innovative human-machine interfaces. Modelization of the human NMS system is employed to optimize the information exchange with the human nervous system through optimal decoding and encoding of theneural activity.

Questa tesi di dottorato presenta la definizione e l'implementazione di un controllo neurale bidirezionale per un dispositivo protesico di ginocchio attivo.Una rassegna dettagliata delle diverse implementazioni di controller EMG-driven per protesi di arto inferiore è offerta al lettore con l'intento di riconoscere la necessità di un cambiamento di paradigma rispetto agli approcci standard di pattern recognition. Questa tesi di laurea propone l'esplorazione di modelli Neuromuscoloscheletrici (NMS) specifici del soggetto per il controllo diretto della protesi attraverso la sua simulazione dinamica in avanti utilizzando solo un numero limitato di sensori che possono essere incorporati nella protesi. Ulteriori indagini della letteratura sono presentate sul ripristino sensoriale attraverso elettrodi neurali impiantati e ulteriori tentativi precedenti nella chiusura del ciclo di controllo sensoriale-motorio con dispositivi protesici. Questa tesi di laurea propone l'esplorazione di modelli Neuromuscoloscheletrici (NMS) soggetto-specifici per il controllo diretto dell'articolazione protesica attraverso la sua simulazione dinamica diretta utilizzando solo un numero limitato di sensori che possono essere incorporati nella protesi. Gli algoritmi di regressione Machine Learning (ML) sono utilizzati per risolvere le limitazioni evidenziate, come il requisito di un elevato numero di elettrodi EMG e il sistema di acquisizione del movimento del corpo totale. La struttura sviluppata, basata sul modello ibrido ML-NMS, è stata, infine, testata con successo per il controllo in tempo reale di un prototipo di protesi di ginocchio attivo per arti inferiori utilizzando soggetti sani, durante semplici compiti. Le metodologie per l'impiego del modello ML-NMS ibrido sviluppato per ripristinare il feedback propriocettivo attraverso l'interfaccia elettrica intraneurale sono inoltre discusse, introducendo un nuovo algoritmo di codifica dello stimolo bio-ispirato. L'approccio presentato propone di utilizzare la stima dell'attività naturale neurale delle fibre afferenti Ia per modulare la carica e la frequenza della stimolazione elettrica. Combinando il modello NMS sviluppato e la modellazione computazionale dell'organo sensoriale del trasduttore del fuso muscolare, abbiamo testato l'algoritmo di codifica proposto (ProprioStim) durante simulazioni in-silico, utilizzando un modello elettro-neurale che replica un'interfaccia neurale-elettrica realistica. Le simulazioni hanno mostrato i vantaggi e i benefici dell'uso di ProprioStim rispetto ai protocolli di stimolazione standard e hanno fornito risultati incoraggianti sulla possibilità di ripristinare un feedback propriocettivo quasi naturale in future prove su paziente. Sulla base dei risultati ottenuti gli autori considerano la metodologia sviluppata come una nuova soluzione per la definizione del controllo protesico bidirezionale. Inoltre, questo lavoro fornisce la base per la formulazione di un approccio olistico per interfacce innovative uomo-macchina. La modellazione del sistema NMS umano è impiegata per ottimizzare lo scambio di informazioni con il sistema nervoso attraverso la decodifica e la codifica ottimale dell'attività neurale.