Objetivos

Exoesqueletos, devido a sua ampla possibilidade de aplicações como aumento de performance do usuário, aperfeiçoamento militar e exercícios teraupêuticos para reabilitação, tem sido tema de estudo durante os últimos anos (FU et al., 2022). Como são dispositivos robóticos projetados para serem vestíveis ao corpo humano e sincronizados aos movimentos dos membros é necessário uma estreita sincronia entre o controle motor do indivíduo e o dispositivo, como método de controle destaca-se o controle mioelétrico. A eletromiografia mede a atividade elétrica das fibras musculares durante a contração, no qual uma força é transmitida aos ossos pelo tendão, gerando um torque resultante no membro, afirma-se que as informações contidas em uma janela de EMG são relacionadas intrinsecamente aos torques musculares. Portanto, esse projeto busca prover melhores relações entre as informações contidas em uma janela de EMG e o torque muscular, permitindo, dessa forma, um controle mais fluido e preciso de exoesqueletos.

Métodos e Procedimentos

Os dados utilizados nesse estudo foram coletados em (LEVIN et al., 2008), estudo aprovado pelo Comitê de Ética Médica do Hospital Universitário de KU Leuven. Os dados são compostos por dados de movimento dos membros superiores e gravações de EMG de seis voluntários saudáveis (4 destros e 2 canhotos; média ± desvio padrão: idade 28 ± 4 anos, altura 1.79 ± 0.06 m, massa 74.67 ± 12.99 kg). Cada voluntário foi submetido a um procedimento experimental baseado em realizar movimentos com seu braço dominante, a direção de cada movimento é determinada por linhas com direções denominadas de médio lateral (ML), diagonal direita (RD), diagonal esquerda (LD) e anteroposterior (AP), com diferença angular de 45°, formando um desenho semelhante a uma estrela. Os dados de sEMG foram extraídos a partir de um eletromiógrafo Myosistem, em que foram gravados comportamentos dos músculos peitoral (PEC), deltoide posterior (DP), deltoide anterior (DA), bíceps (BRI), braquiorradial (BRA) e tríceps (TRI), além disso, as posições de cada membro superior foram obtidas por um sistema tridimensional de captura de movimento, OPTOTRACK, em que seis diodos emissores de infravermelho foram posicionados no acrômio, no braço e no antebraço.

Com isso, todos os sinais de EMG foram segmentados em janelas de tempo de 150 ms com sobreposição de 100 ms (BECMAN et al., 2023). Paralelamente, foi calculado o torque muscular médio nas janelas para cada uma das articulações (ombro e cotovelo). Essa segmentação gerou múltiplas tuplas com dimensões 6x150 para os canais de EMG e 2x1 para o torque médio de cada articulação referente as janelas. Baseado nos sinais de EMG de cada janela foram calculadas 60 features (uma para cada canal), gerando uma entrada nos modelos Multilayer Perceptron (MLP) um sinal 1x360 atrelado ao torque médio 2x1. A arquitetura do modelo MLP foi selecionada através da otimização do número de camadas escondidas, número de neurônios por camada, learning rate e número de épocas de treino.

Resultados

Para efetuar a avaliação dos torques calculados utilizam-se a correlação de Pearson, a inclinação resultante e o erro quadrático normalizado entre os valores alvos e os valores preditos pelo modelo. Os resultados, apresentados na tabela 1, indicam que o treinamento da MLP apresenta performance inferior a modelos propostos na literatura para cálculo de dados cinemáticos (BECMAN et al., 2024).

Conclusões

O presente trabalho foca em estudar a performance de um modelo MLP para estimativa de torques musculares a partir de dados de eletromiografia. Com base nos resultados atuais, a performance do modelo MLP para cálculo de torques musculares foi inferior a performances de modelos presentes na literatura para cálculos de dados cinemáticos, como ângulo, velocidade e aceleração. No futuro, investigaremos o uso de outros modelos mais complexos de machine learning, bem como a melhora do modelo físico para cálculo dos torques a partir dos dados cinemáticos, utilizado para fornecer os dados de torque muscular resultante para treinamento.

Referências Bibliográficas

1. FU, J. et al. Myoelectric control systems for upper limb wearable robotic exoskeletons and exosuits—a systematic review. Sensors, MDPI, v. 22, n. 21, p. 8134, 2022.
2. LEVIN, O. et al. Evidence for adaptive shoulder-elbow control in cyclical movements with different amplitudes, frequencies, and orientations. Journal of motor behavior, Taylor & Francis, v. 40, n. 6, p. 499–515, 2008.
3. BECMAN, E. C. et al. Asymmetric effects of different training-testing mismatch types on myoelectric regression via deep learning. IEEE Journal of Biomedical and Health Informatics, IEEE, v. 27, n. 4, p. 1857–1868, 2023.
4. BECMAN, E. C. et al. A comparison study of myoelectric regression performances when estimating different types of joint kinematic data. Expert Systems with Applications, Elsevier, p. 124345, 2024.