Les chercheurs ont développé une nouvelle technologie pour décoder les signaux neuromusculaires afin de contrôler la puissance, poignets et mains prothétiques. Le travail s'appuie sur des modèles informatiques qui imitent étroitement le comportement des structures naturelles de l'avant-bras, poignet et main. La technologie pourrait également être utilisée pour développer de nouveaux dispositifs d'interface informatique pour des applications telles que les jeux et la conception assistée par ordinateur (CAO).

La technologie a bien fonctionné lors des premiers tests, mais n'est pas encore entrée dans les essais cliniques, ce qui la rend à des années de sa disponibilité commerciale. Les travaux ont été dirigés par des chercheurs du programme conjoint de génie biomédical de l'Université d'État de Caroline du Nord et de l'Université de Caroline du Nord à Chapel Hill.

Les prothèses de pointe actuelles reposent sur l'apprentissage automatique pour créer une approche de « reconnaissance de modèle » pour le contrôle des prothèses. Cette approche oblige les utilisateurs à « apprendre » à l'appareil à reconnaître des modèles spécifiques d'activité musculaire et à les traduire en commandes, telles que l'ouverture ou la fermeture d'une prothèse de main.

« Le contrôle de la reconnaissance des motifs nécessite que les patients passent par un long processus de formation de leur prothèse, " dit He (Helen) Huang, professeur au programme conjoint de génie biomédical de la North Carolina State University et de la University of North Carolina à Chapel Hill. « Ce processus peut être à la fois fastidieux et chronophage.

"Nous voulions nous concentrer sur ce que nous savons déjà du corps humain, " dit Huang, qui est l'auteur principal d'un article sur l'œuvre. "Ce n'est pas seulement plus intuitif pour les utilisateurs, il est également plus fiable et pratique.

"C'est parce que chaque fois que vous changez de posture, vos signaux neuromusculaires pour générer le même changement de mouvement main/poignet. Donc, s'appuyer uniquement sur l'apprentissage automatique signifie apprendre à l'appareil à faire la même chose plusieurs fois; une fois pour chaque posture différente, une fois pour quand vous transpirez contre quand vous ne l'êtes pas, etc. Notre approche contourne la plupart de cela. »

Au lieu, les chercheurs ont développé un utilisateur générique, modèle musculo-squelettique. Les chercheurs ont placé des capteurs d'électromyographie sur les avant-bras de six volontaires valides, suivi exactement quels signaux neuromusculaires ont été envoyés lorsqu'ils ont effectué diverses actions avec leurs poignets et leurs mains. Ces données ont ensuite été utilisées pour créer le modèle générique, qui a traduit ces signaux neuromusculaires en commandes qui manipulent une prothèse motorisée.

"Quand quelqu'un perd une main, leur cerveau est en réseau comme si la main était toujours là, " dit Huang. " Alors, si quelqu'un veut prendre un verre d'eau, le cerveau envoie toujours ces signaux à l'avant-bras. Nous utilisons des capteurs pour capter ces signaux, puis transmettre ces données à un ordinateur, où il est introduit dans un modèle musculo-squelettique virtuel. Le modèle prend la place des muscles, articulations et os, calculer les mouvements qui auraient lieu si la main et le poignet étaient encore entiers. Il transmet ensuite ces données au poignet et à la main prothétiques, qui effectuent les mouvements pertinents de manière coordonnée et en temps réel, ressemblant plus à du fluide, mouvement naturel.