Myoelectric control for locomotion. Restoration: from methodological innovation into the clinical application

Ripristinare una mobilità naturale per gli individui che utilizzano dispositivi protesici e assistivi per gli arti inferiori rimane una sfida centrale nell'interazione uomo-macchina. Un controllo affidabile richiede la decodifica accurata e in tempo reale dell'intenzione dell'utente a partire da segnali neurofisiologici, eppure i sistemi attuali sono limitati da configurazioni di sensori poco pratiche, spesso incompatibili con gli amputati transfemorali (TF), e da modelli di apprendimento profondo che richiedono dati e risorse computazionali estese. Di conseguenza, il campo di ricerca manca di strategie di sensing minime e prossimali e di algoritmi di decodifica efficienti adatti per un'implementazione embedded e nel mondo reale. Questa tesi affronta queste lacune attraverso due pilastri complementari. Il primo pilastro stabilisce un paradigma di sensing neuromecchanico minimo e prossimale. I Capitoli 2-5 dimostrano che è possibile ottenere una stima accurata della cinematica di caviglia e ginocchio, delle forze di reazione verticale del terreno e delle fasi del passo utilizzando solo pochi sensori posizionati sopra il ginocchio. Questi risultati mostrano che le configurazioni minime e compatibili con amputati TF possono supportare molteplici obiettivi di controllo e spianano la strada verso interfacce protesiche unificate e indossabili per l'arto inferiore. Il secondo pilastro sviluppa algoritmi di decodifica computazionalmente efficienti e consapevoli del contesto per un uso pratico e in tempo reale. I Capitoli 6-8 introducono PHASORS, TAP, DAS, Myoelectric Temporal Patching (MTP) e WaveLSTM, che sono framework di estrazione di caratteristiche spaziali, temporali e spaziotemporali in grado di catturare la dinamica neuromuscolare con alta precisione ma con una complessità di gran lunga inferiore rispetto ai modelli di apprendimento profondo. WaveLSTM offre un'ulteriore alternativa spaziotemporale, mentre la convalida in tempo reale utilizzando un braccialetto Myo a basso costo ne conferma l'effettiva implementabilità. Il Capitolo 9 migliora ulteriormente la sicurezza del controllo incorporando la biomeccanica del passo attraverso un metodo di fusione bayesiana informata dalla fisica, migliorando la stabilità ed eliminando transizioni improvvise e indesiderate. Il Capitolo 10 sintetizza questi contributi, mostrando come il sensing minimo, l'ingegneria delle caratteristiche informata dal contesto e i priori biomeccanici abilitino collettivamente un controllo protesico guidato dall'intenzione, scalabile, a basso consumo e clinicamente valido. Supportato da test clinici su amputati TF e dal rilascio di dataset e strumenti open-access, questo lavoro getta le basi per tecnologie protesiche di prossima generazione che siano indossabili, robuste e pronte per la traduzione nel mondo reale.