Implementazione e validazione di un algoritmo per il controllo proporzionale della forza in una mano bionica = Implementation and validation of an algorithm for the proportional control of the force in a bionic hand

L'amputazione della mano è una lesione devastante che influenza le attività quotidiane, il lavoro, gli hobby, la cura di sé e ha anche implicazioni sociali. L’utilizzo di protesi attive può ridurre queste problematiche. Recentemente sono state sviluppate protesi a controllo mioelettrico che integrano metodi avanzati di signal processing e tecniche di intelligenza artificiale (AI) con l’obiettivo di consentire un controllo più naturale e intuitivo della protesi. Il presente lavoro di tesi è stato sviluppato presso BionIT Labs (Lecce, Italia), azienda che sviluppa e produce Adam's Hand, una mano bionica completamente adattiva che utilizza una procedura di calibrazione combinata a tecniche di AI per adattare l’output meccanico della protesi all’attività muscolare residua. Lo scopo di questa tesi è implementare e ottimizzare un algoritmo sviluppato e brevettato per Adam's Hand, che consente di migliorare il controllo proporzionale della forza esercitata dallla protesi. L'algoritmo implementato permette di stimare la forza che l'utente esercita utilizzando il segnale sEMG in ingresso ad un modello matematico che comprende pesi lineari e non lineari. Questa stima è progressivamente migliorata attraverso ottimizzazioni iterative. Hanno partecipato allo studio 6 soggetti di cui una con amputazione transradiale all'arto destro. Sono state implementate tre interfacce software, una per ogni fase della procedura sperimentale. La prima fase è relativa alla "Configurazione" del sistema. Come fatto durante la normale calibrazione dell’algoritmo di riconoscimento dei comandi di apertura e chiusura della protesi, durante questa fase, si richiede al soggetto di esercitare una forza massima di flessione e si usa il segnale EMG registrato dai flessori e dagli estensori del polso per determinare una relazione lineare tra forza e segnale. La seconda interfaccia è stata implementata per eseguire il "Training". Durante questo step, è richiesto al soggetto di seguire, per cinque volte consecutive, il profilo di una rampa mostrato a video, utilizzando la contrazione muscolare di flessione per modulare la stima della forza mostrata anch’essa a video in tempo reale. Al termine di ciascuna rampa, l'errore tra la rampa target e quella stimata è minimizzato dalla funzione di ottimizzazione. L'ultima interfaccia permette di eseguire la validazione dell'algoritmo. È stato richiesto al soggetto di seguire il profilo di tre nuove rampe utilizzando i pesi che hanno permesso di ottenere nella fase di training una percentuale di correlazione superiore al 94% e un valore RMSE minore del 14%. I risultati della procedura di validazione mostrano una percentuale di correlazione ad ogni esecuzione superiore al 90% e un valore RMSE inferiore al 12%. Oltre a misurare l’errore e la correlazione, è stato chiesto un giudizio ai soggetti sul confort riscontrato durante l’esecuzione della fase di validazione. È stata utilizzata una scala numerica da 1 a 5 e tutti i soggetti hanno espresso un punteggio pari a 5. I risultati del presente lavoro hanno permesso di validare l'usabilità in modo preliminare dell'approccio proposto, di definire un algoritmo automatico di ricerca dei parametri del modello di stima della forza, di definire i range di ricerca e avere dei feedback soggettivi sull'effettivo controllo proporzionale.