Myoelectric_Control_for_Upper_Limb_Prostheses.en.es (2).pdf

electrónica
Revisar
Control mioeléctrico para prótesis de miembros superiores
carles igual1, , Luis A. Pardo, Jr.2, Janne M. Hahne2y jorge igual1,*
1 Instituto de Telecomunicaciones y Aplicaciones Multimedia (ITEAM), Departamento de Comunicaciones,
Universitat Politècnica de València, 46022 Valencia, España; carigba@etsii.upv.es
Laboratorio de Tecnología de Rehabilitación Aplicada (ART-Lab), Departamento de Traumatología, Cirugía Plástica y Ortopédica,
Centro Médico Universitario de Göttingen, 37075 Göttingen, Alemania;
luis.pardo-sanchez@bccn.uni-goettingen.de (LAPJ); janne.hahne@med.uni-goettingen.de (JMH)
* Correspondencia: jigual@dcom.upv.es
2
- - - -
- - -
-
Recibido: 2 de octubre de 2019; Aceptado: 28 de octubre de 2019; Publicado: 30 de octubre de 2019
Abstracto:Las prótesis de última generación son electromecánicamente capaces de proporcionar una gran variedad
de movimientos. Sin embargo, para poder sustituir funcionalmente un miembro humano, es fundamental que cada
movimiento esté adecuadamente controlado. Este es el objetivo del control de prótesis, que se ha convertido en un
campo de investigación en crecimiento en las últimas décadas, con el objetivo final de reproducir el control biológico
de las extremidades. Por tanto, la exploración y el desarrollo del control de las prótesis son cruciales para mejorar
muchos aspectos de la vida de un amputado. Hoy en día, se ha hecho evidente una gran divergencia entre la
academia y la industria en los sistemas comerciales. Aunque varios estudios proponen sistemas de control más
naturales con resultados prometedores, con un grado de libertad básico (DoF), un sistema de conmutación de
control es la opción más utilizada en la industria debido a su simplicidad, robustez e inercia. En los últimos años han
surgido algunas prótesis de clasificación controlada pero todavía representan un porcentaje bajo de las utilizadas.
Uno de los factores que genera esta situación es la falta de robustez de algoritmos de control más avanzados en
actividades de la vida diaria fuera de condiciones de laboratorio. Debido a esto, la investigación se ha orientado hacia
un control más funcional de las prótesis. Este trabajo revisa la literatura más reciente en control protésico de
miembro superior. Cubre variantes comúnmente utilizadas de posibles insumos biológicos, su procesamiento y
traducción al control real, centrándose principalmente en electromiogramas, así como en los problemas que tendrán
que superar en un futuro próximo.
Palabras clave:control mioeléctrico; prótesis; electromiografía; EMG; miembro superior; extracción de
características; adquisición de datos; frecuencia de muestreo; segmentación; aprendizaje automático; clasificación;
regresión; comentario; adaptación humana; coadaptación; robustez; usabilidad; revisar
1. Introducción
Sólo en EE.UU. cada año se amputan unas 158.000 personas [1]. En 2005, 1,6 millones de personas vivían en
Estados Unidos con pérdida de una extremidad, y se prevé que para el año 2050 serán 3,6 millones.2]. Para los
amputados, el uso de miembros artificiales (prótesis) es vital para su calidad de vida. Desafortunadamente, el rechazo
y el uso no funcional ha sido tradicionalmente alto, especialmente en casos de amputación de miembros superiores.3,
4] y la satisfacción con las prótesis fue limitada [5].
El control de prótesis de miembro superior ha sido un tema de investigación en crecimiento en las últimas décadas.
Diferentes estudios se centraron en desarrollar un control robusto de las prótesis para ayudar a las miles de personas que
sufren una pérdida importante de un miembro superior. Intentar predecir la intención del usuario a partir de las señales
biológicas disponibles ha sido un problema desafiante. La electromiografía (EMG) es la fuente de información más importante
para el control de las prótesis de miembros superiores. En los últimos 15 años se han probado numerosos métodos que
presentan diferentes enfoques a este problema y dan lugar a una literatura diversificada. El desempeño de los diferentes
métodos depende en gran medida del entorno y la configuración experimental, lo que demuestra la inexistencia de una
solución única para el control de las prótesis.
Electrónica2019,8, 1244; doi:10.3390/electrónica8111244 www.mdpi.com/journal/electronics
Traducido del inglés al español - www.onlinedoctranslator.com

Electrónica2019,8, 1244 2 de 21
A pesar de la gran cantidad de intentos diferentes, no muchas de las propuestas recientes, complejas y poderosas han
surgido como una opción funcional diaria. Algunas empresas han desarrollado prótesis utilizando sofisticados controladores
de clasificación, pero la diferencia entre el mundo académico y la industria sigue siendo una de las situaciones más
intrigantes. Como consecuencia, la usabilidad clínica se ha convertido en una cuestión clave en la comunidad investigadora.
La necesidad de controles más intuitivos, naturales y robustos es el tema principal en muchos artículos recientes [6–9]. Las
prótesis tienen que mejorar mucho para poder sustituir de forma natural un miembro humano. El rechazo de prótesis
disminuyó hasta un 20% en los últimos años [3,10]. Este porcentaje de rechazo sube hasta el 35% para los dispositivos
impulsados por el cuerpo en general [11].
Se consideraron diversas fuentes de señal para una mejor estimación de la intención del usuario. Se han
comparado métodos invasivos y no invasivos para establecer una preferencia en función de la condición del usuario.
Dependiendo de la fisiología del paciente, existen diferencias en la disponibilidad de músculos y señales. Para el
proceso de adquisición de datos (ver Figura1), las señales EMG de superficie son las más comunes. Se utilizan para
obtener las características en el dominio del tiempo o de la frecuencia que son la base del algoritmo de control de la
prótesis. Dependiendo de cómo se recopilen y procesen los datos, se pueden utilizar métodos en línea y fuera de
línea, es decir, el aprendizaje se puede realizar con señales pregrabadas o en tiempo real. La oportunidad que tiene el
usuario de adaptarse durante una experimentación en línea y en la vida real hace que estas versiones sean más
realistas y precisas.
Figura 1.Bucle cerrado para control mioeléctrico protésico. Primer paso, adquisición de múltiples canales EMG de los
músculos de las extremidades superiores. En segundo lugar, mapear señales de control con técnicas de aprendizaje
automático (clasificación o regresión) utilizando las funciones EMG como entradas. En tercer lugar, la estimación del
modelo de la salida de la prótesis para el control y, por último, la retroalimentación al usuario desde la prótesis (u otra
interfaz de salida).
Otro desafío fundamental es el modelo de aprendizaje, el segundo paso del circuito de control en la
Figura1. Los sistemas comerciales generalmente funcionan con un control codificado que utiliza dos canales.
Una opción es que con una cocontracción, el usuario cambie entre funciones. Además, las contracciones en
diferentes canales generan salidas en la función seleccionada. El otro es donde la pendiente de la señal de cada
canal determina la función utilizada. La prótesis no tiene ningún proceso de aprendizaje. Aquí, el usuario ajusta
los parámetros al mejor ajuste, pero la máquina ya está programada para funcionar de una manera específica.
Por el contrario, los modelos de aprendizaje automático deben entrenarse para

aprender. Saben cuál es el objetivo, normalmente, una función de coste de error que debe minimizarse, y tratan de aprender
de los datos de entrada. Durante el entrenamiento, la máquina encuentra la transformación más adecuada para los datos de
entrada para estimar el mejor resultado de acuerdo con el objetivo establecido y los parámetros del modelo. Esto se conoce
como adaptación de la máquina; la máquina se adapta para mejorar su rendimiento utilizando la información de entrada.
Después del entrenamiento, se prueba en condiciones desconocidas para evaluar su rendimiento. Los modelos de
clasificación, que asignan los datos actuales a movimientos específicos (un alfabeto de longitud finita de movimientos
permitidos) fueron los modelos más comunes en investigaciones anteriores. Buscando un control más natural y fluido, los
investigadores están implementando recientemente modelos de regresión de alto rendimiento. Esto permite un control más
continuo de la salida del modelo.
Para completar la estructura de circuito cerrado de la Figura1, el último elemento es el canal de
retroalimentación. La retroalimentación más común es el canal visual, cuando el usuario observa las reacciones de la
prótesis o las representaciones gráficas del resultado del modelo en tareas virtuales. Se ha demostrado que la
importancia de la retroalimentación es fundamental en el proceso de aprendizaje.12], optimizando el rendimiento si el
usuario es capaz de predecir el comportamiento de la prótesis e interactuar con el sistema. Al principio, los estudios se
centraron únicamente en el proceso de adaptación de la máquina. Pero recientemente los investigadores han
descubierto que la adaptación humana es igualmente importante y debería estudiarse con el mismo esfuerzo. La
adaptación humana es el proceso en el que un humano aprende de las acciones de la máquina y cambia su
comportamiento para lograr los mejores resultados.13]. El gran impacto del concepto de adaptación humana en el
control de prótesis motivó a los investigadores a investigarlo más a fondo. Debido a esto, surgió la coadaptación [14].
La aplicación de este concepto, entendido como la adaptación simultánea de máquina y usuario, ha mostrado
resultados prometedores. Ambos alumnos son capaces de adaptarse a la respuesta del otro. Esto ayuda a que el
control sea más dinámico y preciso en tiempo real, evitando soluciones no óptimas. Otro concepto interesante
desarrollado es el aprendizaje por transferencia, que permite utilizar conocimientos previos de una tarea diferente
para realizar una nueva tarea con alta precisión y dentro de un período de entrenamiento más corto.15].
Los algoritmos alcanzaron el máximo rendimiento en entornos controlados, pero su adaptación a entornos
realistas y situaciones de la vida diaria mostró problemas de robustez.dieciséis,17]. Muchos factores, como cambios en
la posición del brazo [18], pequeños cambios de electrodos [19], condiciones de la piel [12], carga mecánica debido al
peso de la prótesis [20] o tiempo entre el entrenamiento del algoritmo y la aplicación [21] puede afectar la
confiabilidad y contribuir al uso limitado de métodos de control de prótesis más sofisticados en los usuarios finales.
Para intentar solucionar este problema, se ha iniciado una nueva área de investigación centrada en la usabilidad
clínica. Estudiar, es decir, los efectos del cambio de sensores o el uso a largo plazo, ayuda a mejorar el rendimiento de
la prótesis en el mundo real. Además, los ensayos en prótesis reales se han vuelto más habituales, siendo conscientes
de la necesidad de analizar los avances teóricos en entornos reales [22,23].
Este trabajo presenta una revisión de la literatura relacionada con el control de prótesis de miembro superior.
Buscamos aclarar los diferentes métodos que han sido utilizados por los laboratorios de investigación de todo el
mundo. Esta revisión permitió identificar la gran cantidad de alternativas utilizadas para el control de prótesis en la
literatura. Estos fueron analizados en profundidad, con el fin de presentar sus ventajas y desventajas. En las
siguientes Secciones revisaremos en detalle cada uno de los bloques de la Figura1y en la última Sección, discutimos
los desafíos futuros en el control de prótesis mioeléctricas de miembros superiores.
2. Adquisición de datos
2.1. Fuente de entrada
Decodificar la información transmitida desde el cerebro a los músculos es una tarea complicada. El acceso a él
puede realizarse de forma invasiva o no invasiva y puede verse como un procedimiento sencillo, pero su
decodificación, interpretación y uso como entrada de control para una prótesis son más desafiantes. En principio, la
expectativa de la intención de movimiento de una persona puede extraerse normalmente de diferentes etapas de la
transmisión.
Es posible acceder a señales directamente desde el cerebro, utilizando, por ejemplo, electroencefalografía
(EEG).24–27]. Ganguly et al. [28] pudieron generar un mapa cortical estable para la función protésica. El

El problema es crear una interfaz neuronal estable que permanezca sin cambios con el tiempo. Debido a la plasticidad de los
circuitos corticales, se ha demostrado que las representaciones neuronales de los movimientos naturales son inestables, pero
con el uso prolongado del control protésico se puede crear un mapa estable. Esta representación puede persistir en el tiempo
incluso con la adición de otros mapas corticales. Encontrar una característica EEG estable es clave para el control cerebral de
una prótesis. Galán et al. [29] controló una silla de ruedas después de que los usuarios pudieran realizar funciones de EEG
estables que maximizan la separabilidad entre tareas. Sin embargo, el proceso de adquisición de datos, así como el hardware
necesario, todavía no son adecuados para el uso diario.
Otra opción es acceder a él directamente desde los músculos activados mediante EMG. Hoy en día, estas son las
señales más utilizadas para el control de prótesis de miembro superior y se han utilizado desde la década de 1940.30–
32]. EMG mide los potenciales eléctricos generados en un músculo durante su contracción que representan
actividades neuromusculares. Por tanto, contienen información sobre la señal neuronal enviada para intentar un
movimiento específico. Por su fácil acceso y la información disponible, los EMG son la primera opción para el control
de las prótesis. Se pueden grabar colocando electrodos superficiales no invasivos sobre la piel del muñón u otros
músculos activos. Trabajar con EMG como entradas para modelos de estimación de la intención del usuario ha
entrenado sistemas con excelente rendimiento [6,7,dieciséis,33–36]. Sartori et al. desarrollaron un estudio más
profundo sobre EMG. [37], en el que generaron un decodificador basado en modelos biomiméticos que sintetiza la
dinámica del sistema musculoesquelético controlado por la EMG residual medida. Además, es posible extraer las
"funciones de fuerza" del sistema nervioso central (SNC) de las sinergias musculares de las grabaciones EMG, que
representan las señales de control de grados de libertad (DoF) que los modelos deben estimar.
Además, si la disponibilidad de músculos activos es limitada, la reinervación muscular dirigida (TMR) [38–42], es
un procedimiento eficaz para generar información significativa y tratar el dolor del miembro fantasma [43]. Con TMR,
los nervios residuales se transfieren quirúrgicamente a músculos alternativos donde se pueden registrar las EMG de
superficie. Después de reinervaciones exitosas, los nuevos músculos se contraen mediante órdenes motoras enviadas
a la extremidad perdida. De este modo se crean nuevos puntos calientes para prótesis intuitivas impulsadas por EMG [
44]. Los experimentos con pacientes sometidos a cirugía TMR demuestran que la actividad nerviosa se amplifica hasta
un nivel de amplitud aceptable. Con esto es posible desarrollar un control con los EMG generados tan bueno como los
sistemas con EMG biológicamente naturales. Esta situación es más frecuente en pacientes con un alto nivel de
amputación como transhumeral o desarticulación del hombro donde algunos nervios ya no son biomecánicamente
útiles.44]. Además, para estas personas la necesidad de crear fuentes de señal adicionales es especialmente grande,
ya que es necesario sustituir un gran número de funciones mientras que sólo se dispone de unas pocas fuentes
naturales. La cirugía TMR ayuda a superar esta paradoja y ofrece a estos pacientes un uso funcional de las prótesis.
Como las señales EMG son las más adecuadas y comunes en la literatura, a partir de ahora nos
centraremos en ellas.
2.2. Cantidad de datos: número de canales y frecuencia de muestreo
Cantidades mayores de datos adquiridos contienen más información que se puede utilizar como insumo
para una prótesis. Sin embargo, es posible que esta información adicional no siempre sea valiosa. En cierto
punto, aumentar el número de canales en un espacio limitado proporcionará mucha información redundante y,
por tanto, inútil. Esto se convierte en un problema si aumenta el costo computacional necesario para procesar
los datos en un período de tiempo razonable, disminuyendo en consecuencia la eficiencia y el rendimiento
generales del sistema. Por tanto, antes de realizar la adquisición, es necesario establecer el número de canales
a registrar y, con ello, la cantidad de datos a recopilar. Algunos estudios utilizan un sistema de adquisición de
datos de alta densidad que alcanza hasta 192 canales de señales EMG.13,45–47], pero esta cantidad de datos
no es necesaria para un alto rendimiento. Joven y col. [45] probó el efecto de la cantidad de canales durante la
adquisición de datos EMG, lo que sugiere que tener más de seis canales no redujo el error de estimación y, por
lo tanto, el rendimiento no mejoró. Hahne et al. [47] realizó un estudio similar y demostró que cuantos menos
canales eran más óptimos, debido a la menor cantidad de datos de entrenamiento necesarios. El aumento de
rendimiento no fue significativo respecto al costo computacional implicado.

y la mayor parte de la información adicional obtenida era redundante. Los métodos más modernos se basan
normalmente en cuatro a doce canales que utilizan EMG.34,48–52]. Dentro de este rango, los modelos alcanzan su
máximo rendimiento con una alta eficiencia durante el proceso de adquisición de datos.
Dado que el ancho de banda de las señales EMG es de alrededor de 400 a 500 Hz [53], una frecuencia de muestreo
típica es 1000 Hz (teorema de muestreo de Nyquist-Shannon) [54–56]. Otros estudios utilizan una frecuencia de muestreo más
baja con resultados similares. Para obtener una comparación de las frecuencias de muestreo y el rendimiento, consulte [57].
En algunos dispositivos comerciales, la frecuencia de muestreo se reduce a 200 Hz para capturar suficiente información de la
señal a un costo menor.58].
2.3. Segmentación de datos: tamaño de muestra para extracción de funciones
Una vez digitalizada la fuente de entrada y configurado correctamente el número de canales, se debe procesar
la señal EMG para utilizarla posteriormente para alimentar el sistema. Por lo tanto, la siguiente fase consiste en la
segmentación, donde la señal de entrada se ventana con fines de extracción de características: de todos los datos,
solo se utilizará una cantidad específica (tamaño simple definido por el tamaño de la ventana) para extraer la
información en cada paso de tiempo, ya que está esbozado en la figura2. La ventana se mueve continuamente
aceptando nuevas muestras. Farrell et al. [59] propuso un retraso máximo de 300 ms para evitar retrasos inaceptables
en las operaciones en tiempo real. La longitud óptima de la ventana estuvo entre 100 y 125 ms. Encontrar el equilibrio
entre precisión y tiempo de respuesta es una clave para determinar el tamaño de la ventana. Nielsen et al. [60]
establecen que el sistema disminuye el rendimiento con ventanas menores a 100 ms.
Figura 2.Esquema que representa el proceso de extracción de características. El gráfico superior representa datos sin
procesar de EMG de los cuales solo se procesa una parte en cada paso de tiempo. La parte actualmente procesada,
denominada ventana, se desplaza en el tiempo en cada iteración con un tamaño de paso definido (Disp 1 para la primera
iteración, Disp 2 para la segunda). Este ejemplo utiliza un esquema de superposición en el que ventanas consecutivas se
superponen para compensar el retraso en la adquisición de datos y suavizar el vector de características. Los datos de la
ventana se actualizan con los datos más recientes registrados. Las características (la raíz cuadrática media RMS) se extraen
constantemente de la ventana actual en cada paso de tiempo. El gráfico inferior corresponde a las características
extraídas de los datos. (Ni los tamaños de ventana ni de desplazamiento ejemplifican la dimensión real, pero tuvieron que
ampliarse para simplificar visualmente).
El segundo punto en la segmentación de datos es la técnica de ventanas. La forma de la ventana es la
rectangular. Con respecto al desplazamiento, hay dos opciones: ventanas adyacentes (segmentos separados) y
ventanas superpuestas (las ventanas se deslizan una sobre otra, suavizando el vector de características). Si bien la
variación también se puede reducir en ventanas no superpuestas mediante el uso de ventanas más grandes, son más
lentas e introducen retrasos. Estos retrasos exacerban la experiencia del usuario en las operaciones en tiempo real. La
superposición reducirá estos retrasos, al no tener que esperar un tiempo marcado por la ventana

tamaño para generar una nueva salida. Al mismo tiempo, la superposición utiliza suficientes datos para no generar
resultados de alta variación. Phinyonmark et al. [61] probó diferentes opciones de superposición, lo que sugiere que
la superposición no mejora la precisión de los métodos, pero ayuda a reducir el retraso al utilizar ventanas de mayor
tamaño.
2.4. Extracción de características
Como se indicó anteriormente, alimentar el sistema directamente con señales mioeléctricas no es práctico
debido a la aleatoriedad y la no estacionariedad de las entradas. Algunos estudios recientes han estado trabajando
con señales EMG completas utilizando una red neuronal convolucional (CNN) para extraer la información principal.15],
pero el flujo de trabajo común consiste en mapear las señales en dimensiones más pequeñas, aumentando la
densidad de la información. Este método se llama extracción de características y reside en la condensación de la
información relevante, redactada en la Figura2. Este proceso es fundamental para el éxito de cualquier modelo.
Hay tres categorías diferentes de características para la extracción de características: dominio del tiempo (TD), dominio
de la frecuencia (FD) y dominio de la escala de tiempo (TSD). Oskoei et al. [48] realizó un profundo estudio teórico sobre las
diferentes categorías y características que se pueden extraer de los EMG. Las características del dominio del tiempo a menudo
investigan la amplitud y las características relacionadas de los EMG, mientras que las características del dominio de la
frecuencia se centran más en los parámetros del espectro de potencia. El uso de wavelets cae dentro del dominio de la escala
de tiempo. Las características en el dominio del tiempo son las más comunes en los controles mioeléctricos debido a su
simplicidad y a que se calculan rápidamente. La raíz cuadrática media (RMS) es un ejemplo de características TD que funciona
mejor con contracciones de alto nivel siguiendo un modelo gaussiano. Otros, como el valor absoluto medio (MAV), funcionan
mejor con contracciones de bajo nivel (o efectos de fatiga) utilizando un modelo laplaciano. Phinyomark et al. [58] estudió 26
características individuales diferentes y ocho conjuntos de características múltiples. Con frecuencias de muestreo más bajas,
que pueden reducir el consumo de energía y los costos computacionales en una aplicación clínica, la selección de la
característica tiene un efecto crítico. El efecto de reducir la frecuencia de muestreo fue inevitable, pero las características de
amplitud o potencia de la señal sufrieron menos reducciones. Funciones como estimadores de amplitud EMG, por ejemplo,
valor absoluto integrado (IAV), valor absoluto medio (MAV), raíz cuadrática media (RMS) y longitud de forma de onda (WL) y
funciones de potencia, por ejemplo, diferencia de valor medio absoluto (DAMV), diferencia valor de desviación estándar
absoluta (DASDV) y valor medio de la raíz cuadrada (MSR)) obtuvieron buenos resultados.
3. Aprendizaje
Las características extraídas son la entrada al sistema de aprendizaje. Se utilizarán funciones para entrenar el
modelo para estimar la intención del usuario. Mapeará las características a una salida de varios grados de libertad. La
mayoría de los dispositivos comerciales son sistemas sin aprendizaje que controlan un DoF a la vez. Un patrón de
activación permite al usuario cambiar entre las funciones disponibles. Mientras usa otros patrones, el usuario puede
controlar la salida de la prótesis en la función activada. El DoF que se controle dependerá de la función. Buscando un
control más realista y natural de la salida, los investigadores desarrollaron algoritmos más complejos.
Hay dos agentes que participan en este proceso de aprendizaje: la máquina y el humano. Centrándose
primero en el sistema de aprendizaje automático, los modelos se basan principalmente en dos enfoques
fundamentales: clasificación y regresión. Dependiendo de la aplicación final para la que lo queramos usaremos
uno u otro.
3.1. Clasificación
Un clasificador está diseñado para identificar patrones en los datos y categorizarlos. Los clasificadores
reconocen patrones en los datos generados durante la fase de entrenamiento y asignan una entrada particular a la
clase de movimiento objetivo correspondiente durante la fase de aplicación. Por tanto, el concepto se puede aplicar
para reconocer y separar señales EMG y relacionarlas con la intención del usuario. En las últimas décadas se
investigaron varios enfoques lineales y no lineales. Los primeros intentos utilizaron un enfoque lineal basado en
parámetros de series de tiempo que fue capaz de separar clases correctamente [62]. Neuronas artificiales

Las redes, que son redes modeladas matemáticamente inspiradas en neuronas biológicas, agregaron la
capacidad de aprender la distinción entre diferentes condiciones en patrones y, con ello, las relaciones lineales
y no lineales directamente a partir de los datos que se clasifican. Kelly y col. [63] demostró que un modelo de
Hopfield discreto es capaz de generar los mismos parámetros de series de tiempo que los producidos por el
algoritmo de mínimos cuadrados secuencial convencional con mayor eficiencia computacional. Además, el
modelo podría distinguir entre cuatro funciones separadas del brazo utilizando un perceptrón de dos capas,
aunque con costos computacionales aún altos.
Hasta ahora, se han explorado muchos clasificadores, como el Análisis Discriminante Lineal (LDA) [33,64],
modelos de mezcla gaussiana [sesenta y cinco,66], Máquinas de vectores de soporte (SVM) [48,67,68], Modelos
Ocultos de Markov (HMM) [69], K-Vecinos más cercanos (KNN) [70], Perceptrones multicapa (MLP) [63,71],
Análisis Discriminante Cuadrático (QDA) [dieciséis] y Computación Hiperdimensional (HDC) [72].
Actualmente, se acepta ampliamente que un conjunto de características simples en el dominio del tiempo, como lo
propuso Hudgins [73] en combinación con un clasificador LDA es suficiente y presenta un buen equilibrio entre la precisión de
la clasificación y el uso computacional, así como robustez frente a algunas no estacionariedades [19].
Debido al uso de múltiples canales para la adquisición de señales, la dimensión del vector de características extraídas
puede volverse grande. Para superar los problemas de dimensionalidad, comúnmente se realiza la reducción de
características (FR) o la selección de características (FS). El uso del Análisis de Componentes Principales como método para FR
disminuye los costos computacionales al proyectar el conjunto de características de alta dimensión en un espacio de
dimensión relativamente baja, preservando aún la linealidad [74]. FS se logra con métodos como la selección directa
secuencial [74,75], Algoritmos genéticos [76,77], Mapa autoorganizado de Kohonen [78] y optimización del enjambre de
partículas [79]. Además, se ha demostrado que los patrones espaciales comunes (CSP), un método generalmente empleado
para superar los problemas de clasificación binaria de las señales EEG, también mejoran el rendimiento y la robustez frente al
ruido en el reconocimiento de patrones EMG.80].
De hecho, no muchos métodos de clasificación alcanzaron uso clínico, en parte debido a la falta de confiabilidad
fuera de las condiciones de laboratorio.12,81–83]. Todos los clasificadores necesitan una formación exhaustiva para
identificar la intención del usuario y los altos niveles de rendimiento obtenidos con las técnicas aplicadas a menudo
caen cuando se introducen variaciones naturales en los patrones EMG y las fuentes de ruido, típicas de las condiciones
del mundo real.21,84,85]. Estas no estacionariedades [86,87] puede deberse a cambios en las impedancias de los
electrodos debido al sudor o la piel seca [12], posiciones de brazos alteradas [18,88], cargas mecánicas debidas al peso
de la prótesis [20,89], pequeños cambios de posicionamiento de los electrodos [19,90] o variaciones en las
contracciones del usuario. Además, un clasificador proporciona sólo una estimación sobre el movimiento ejecutado
pero no el nivel de contracción que se necesita para controlar la velocidad o la fuerza de agarre de una prótesis. Para
obtener un control proporcional, que es clínicamente importante, las señales discretas de la salida del clasificador se
combinan con una estimación de fuerza [66], logrado promediando la amplitud de todos los canales EMG [12].
3.2. Regresión
Los modelos de regresión no clasifican las señales de entrada en un conjunto discreto de clases, sino que
aproximan salidas multivariadas continuas. Los clasificadores tienen la desventaja de que sólo se puede aprender un
número finito de patrones previamente entrenados. Los regresores no tienen esa desventaja y dan más libertad al
usuario. Un mapeo continuo de la salida permite un control completo y muchas combinaciones de valores. El usuario
puede realizar cualquier movimiento generado por la activación de DoFs controlados incluso si no ha sido entrenado.
La clasificación tiene otras limitaciones. La necesidad de reentrenamiento para los EMG no estacionarios es una de
ellas. Como se mencionó anteriormente, los clasificadores no manejan bien los pequeños cambios en las señales EMG, por
ejemplo, fatiga, desplazamiento de electrodos o sudor. El usuario es más capaz de adaptarse a estos efectos en regresión [91
]. Pequeños cambios en la señal de entrada pueden generar pequeñas variaciones en la predicción, lo que podría dar lugar a
una clasificación errónea. Una pequeña variación en la predicción de un regresor se maneja mejor debido a su continuidad.
No hay cambios abruptos como límites de clase, por lo que el usuario puede reaccionar directamente y compensar mejor los
posibles errores en la estimación.

En resumen, los modelos de regresión incluyen el control de todos los DoF de forma simultánea, independiente
y proporcional, generando un comportamiento más suave y natural de la prótesis [35]. Por lo tanto, se podrían utilizar
una gran cantidad de movimientos diferentes para el control de la prótesis. Pero por ahora, sólo se pueden controlar
de forma fiable dos o tres DoF [14,46,47,92–98]. La regresión permite al usuario saltarse el control separado y
secuencial de los diferentes DoF que propone la clasificación.
Hahne et al. [47] comparó diferentes técnicas de regresión lineal y no lineal para dos controles de DoF. Estas técnicas
incluyen regresión lineal (LR), mezcla de expertos lineales (ME), perceptrón multicapa y regresión de crestas del núcleo (KRR).
Los resultados han demostrado que KRR superó a los otros regresores. Pero con una linealización básica en el espacio de
características, regresores más simples como ME o LR pudieron funcionar tan bien como KRR, lo que demuestra que los
modelos lineales simples con las características correctas son perfectamente adecuados para el control de prótesis,
aumentando la eficiencia del modelo. También se demostró en el estudio cómo los regresores pudieron generalizar para
combinaciones DoF, donde no se proporcionaron datos de entrenamiento, lo que demuestra su solidez frente a situaciones
desconocidas para el modelo.
Este control más natural fue llevado a un escenario de manipulación realista por Strazzulla et al. [99]. Pudieron
controlar dos brazos robóticos que tenían diez DoF independientes entre ambos, utilizando un regresor lineal para
cada DoF. Con ellos controlaron el par y la fuerza de cada uno de los motores. Los modelos de aprendizaje se basaron
en una regresión incremental de crestas con características aleatorias de Fourier. Lograron una tasa de finalización del
95 % de las tareas con una sola mano y del 84 % de las tareas bimanuales.
Otro enfoque de regresión muy común es la máquina de vectores de soporte basada en regresión (rSVM).
Ameri et al. [15] comparó este regresor con una nueva red convolucional de regresión (rCNN). Los regresores
mostraron ventajas sobre estudios de clasificación anteriores de CNN al enfrentar el control simultáneo
independiente de los movimientos. Además, la capacidad de rCNN para extraer información motora
subyacente en el EMG sin necesidad de seleccionar características se presentó como una ventaja sobre rSVM y
una opción para resolver problemas de robustez.
En el control de la regresión, ha habido dos estrategias. Uno puede controlar la posición [14,91] o la velocidad [
15,97,100] de movimiento. Esos dos enfoques estaban codificados y arreglados. Recientemente, Igual et al. [96]
presentó un algoritmo de filtro adaptativo autorregresivo basado en la teoría de filtrado adaptativo de respuesta de
impulso infinito. Este método lineal es un algoritmo generalizado que incluye ambos protocolos de control y es
ajustable a más opciones. Esta fue la primera estrategia adaptativa para aprender directamente el control de
velocidad proporcional. La máquina es quien aprende un protocolo u otro, en función de las acciones del usuario. Los
estudios mostraron una clara tendencia hacia el control de la velocidad. Esta opción parece ser más natural para el
usuario y tiene una serie de beneficios en la práctica [101] como menos esfuerzo general y sin limitaciones en el
rango de movimiento.
3.3. Comentario
El control mioeléctrico biológico no consiste únicamente en que el cerebro active un músculo para controlar una
extremidad. Una característica fundamental de nuestro aparato motor es un sistema de retroalimentación sensorial
altamente eficiente. En una mano humana, esta retroalimentación transporta información sobre su posición, la presión que
aplica sobre algo o incluso el nivel de estiramiento de sus tendones. Sin retroalimentación sensorial, una prótesis seguirá
siendo una herramienta simple sin posibilidades de reemplazar completamente una extremidad perdida.
Por lo tanto, después de generar los datos y aprender un modelo de predicción, la retroalimentación es el último elemento de la
estructura de circuito cerrado de última generación. La retroalimentación aumenta la eficiencia del proceso de aprendizaje. Está
demostrado que, proporcionando retroalimentación al usuario, éste puede corregir el movimiento intuitivamente. Los problemas que
aparecen en el proceso de aprendizaje del modelo, como errores de estimación y poca robustez en condiciones cambiantes, se pueden
evitar con una retroalimentación adecuada. Esto también ayudará a evitar soluciones mínimas locales y brindará al usuario la
capacidad de interactuar con el sistema cuando el resultado no sea el deseado.
Ha habido diferentes enfoques a lo largo del tiempo. Una forma de generar retroalimentación y reemplazar la
extremidad afectada fue el entrenamiento en espejo bilateral.102]. Se pide al usuario que realice el movimiento
deseado con ambos brazos. Nielsen et al. [60] utilizó esto para generar datos para controlar la fuerza y el torque de
la extremidad afectada. Ejecutar la tarea con la extremidad completa ayuda al usuario a reproducir la

movimiento en el otro lado, mientras que la generación de EMG no es tan fácil. En el mismo estudio también demostraron que
al generar ambas señales al mismo tiempo, los modelos en un miembro también son adecuados para el otro miembro.
Registraron datos de la fuerza y el torque en la extremidad sana y generaron un modelo para controlar esos resultados con
los EMG. Luego, aplicaron ese modelo a la otra extremidad para poder controlar la fuerza y el torque con sus propios EMG.
Ameri et al. [94,103] utilizó el mismo procedimiento de entrenamiento para ayudar también al usuario y reflejar los datos
registrados del miembro intacto en el miembro fantasma.
Este método de retroalimentación es natural pero no funcional para amputados bilaterales, donde no hay una
extremidad intacta desde la cual medir. Entonces, Ameri et al. [95] propuso una retroalimentación visual virtual. Con
este enfoque, el sistema genera una representación visual del desempeño de los usuarios. Es esencial que los
usuarios comprendan el significado de la retroalimentación visual. Cuanto mayor sea la relación entre la
representación visual y el movimiento realista, más fácil será la comprensión para los participantes. Mostrar
virtualmente los resultados de los usuarios ha sido el feedback más común utilizado por los investigadores. Los
usuarios pueden controlar los cursores como en la Figura3a [14,24,93–96,104] o incluso prótesis virtuales. Powell y
cols. [105] desarrolló una prótesis virtual que ejecutaba la salida del sistema según la intención del usuario. Luego, el
usuario pudo compararlo con el resultado deseado e intentar corregirlo si era necesario.
Figura 3.Comentarios de uso común. (a) Interfaz visual que representa el resultado de la estimación del modelo como una cruz
roja y el objetivo como un círculo verde; (b) Entorno de Realidad Virtual para realizar tareas de control de prótesis de miembro
superior; (C) Vibrotactores utilizados para proporcionar retroalimentación sensoriomotora al usuario; (d) Una prótesis real con dos
grados de libertad y tipo de agarre intercambiable utilizada por un participante sano.
El siguiente nivel de retroalimentación visual llegó con la Realidad Virtual (VR) (Figura3b) [13]. Esto permite al
usuario entrenar en un entorno realista donde el paciente puede utilizar la prótesis tal como se va a utilizar en la vida
real. El usuario ve cómo reaccionará la prótesis a las entradas y puede ajustar el comportamiento de una manera más
realista, lo que ayuda a la aceptación y adaptación del usuario.
Otra clase de retroalimentación se basa en la comunicación mecánica. Con ello se busca generar algún
tipo de estimulación no visual en el usuario. Peerdman et al. [49] desarrolló un estudio entre usuarios de
prótesis para conocer cuáles eran sus necesidades. La necesidad de una adecuada retroalimentación
ambiental fue una de las principales peticiones que tenían en común los usuarios. Descubrieron que es
extremadamente importante implementar un sistema de retroalimentación ambiental adecuado que les ayude
a controlar la prótesis e interactuar con su entorno.

Por un lado, los métodos no invasivos, como los vibrotactores (Figura3c), se introducen fácilmente en la prótesis
[106,107]. Por otro lado, los electrodos invasivos que inervan directamente los nervios podrían simular la
retroalimentación sensorial humana en un grado mucho mayor. Markovic et. Alabama. [108] demostró que al
proporcionar retroalimentación no invasiva en forma de vibraciones sobre el muñón restante, los sujetos podían
escalar mejor la fuerza de sus prótesis.
3.4. Adaptación humana
La máquina no es la única que aprende en el sistema de control. Los humanos tienen que aprender a utilizar el sistema
para generar señales más estables y consistentes. La práctica hace que el humano sea un mejor usuario, por lo tanto, todo lo
que ayude al humano a adaptarse al sistema aumentará el rendimiento del sistema [109]. Ison et al. [13] demostró que estas
habilidades de aprendizaje influyen positivamente en el sistema. El aprendizaje humano es consistente con las etapas típicas
del aprendizaje de habilidades motoras para nuevas tareas. Primero, requiere recopilar mucha información. Luego, con la
repetición, el usuario empieza a comprender la tarea y se acostumbra a ella. Finalmente, la tarea se vuelve autónoma. Los
efectos de esta adaptación humana también fueron descritos por Strazzulla et al. [99]. Los usuarios experimentados (los que
están familiarizados con la configuración experimental) necesitaron menos tiempo para completar las tareas, mientras que los
sujetos ingenuos fueron mucho más lentos. Las tasas de finalización fueron similares para ambos grupos de pacientes, lo que
llevó a los investigadores a concluir que no se trataba de un efecto de la máquina, sino de un efecto humano. Los usuarios
expertos estaban más adaptados al sistema por lo que tenían un comportamiento más eficiente.
Los datos se pueden recopilar fuera de línea y utilizar para entrenar el modelo. Posteriormente, el usuario
obtiene el control en línea creando un circuito cerrado con un algoritmo fijo. Este control online ha mostrado una
mejora con respecto a su homólogo offline [85,97,110]. Descubrieron que incluir al usuario en el circuito de
aprendizaje y permitirle interactuar en tiempo real ayuda a resolver problemas como el cambio de posición del brazo
u otras situaciones no estacionarias. La retroalimentación en tiempo real que recibe el usuario le permite superar el
impacto de interferencias e interactuar con el sistema instantáneamente. Hahne et al. [91] agregó ruido a las señales
EMG para probar cómo se comportaban los métodos de regresión y clasificación. Los resultados muestran que en los
experimentos de control en línea el usuario era más capaz de compensar estas perturbaciones externas y que esta
capacidad era mejor para la regresión que para la clasificación, debido a la retroalimentación continua que ofrece la
regresión.
Los datos también se pueden recopilar y entrenar el modelo en línea. De esta forma, el usuario pasa a formar
parte del circuito cerrado mientras el algoritmo se adapta, dándole la capacidad de interactuar con el proceso de
aprendizaje automático.111,112]. Esto lleva al concepto de coadaptación.
3.5. Coadaptación
La máquina y el ser humano son capaces de aprender. Pero hasta ahora, cada agente aprende por su propio
interés. Hacer que cooperen y aprendan en nombre de todo el sistema es lo que recientemente se ha denominado
coadaptación. Los diferentes agentes tienen un aprendizaje online enfocado a un mismo objetivo para maximizar el
rendimiento del modelo. En este caso habrá dos alumnos: humano y máquina. La coadaptación también permite que
algoritmos más simples obtengan un alto rendimiento [14].
El factor clave de la coadaptación es que ambos agentes aprenden hacia un objetivo común.113]. Conocer la
salida del otro y cómo está trabajando en ese objetivo ayuda a conseguirlo. Como se introdujo anteriormente, se debe
brindar una retroalimentación adecuada al usuario para generar patrones de EMG óptimos, lo que, en combinación
con el aprendizaje en línea, conduce a un modelo de control óptimo; En esta situación, las entradas para la máquina
son las señales generadas por el humano. Para el humano, la entrada es la información que representa la estimación
de la máquina. Luego, iniciarán un proceso de aprendizaje cooperativo. Durante el entrenamiento ambos son capaces
de adaptarse continuamente. Esta capacidad ha sido ignorada durante mucho tiempo.
Müller et al. [113] modeló el problema de los dos alumnos. En general, existen dos canales diferentes de información.
Primero, de humano a máquina, a través de donde el humano envía las señales mioeléctricas, transportando la información
de lo que pretende el usuario. En segundo lugar, de máquina a humano, mediante el cual un sistema de retroalimentación
programada le brinda al humano la información sobre lo que predice la máquina.

El canal humano a máquina se ha desarrollado durante décadas como se describe anteriormente. Este canal es
el que tiene la información codificada más compleja. El canal máquina a humano se utiliza para mostrar al
usuario cómo se entienden sus datos y le permite corregirlos. Ambos lados del problema tienen parámetros de
aprendizaje que influyen en el proceso de aprendizaje coadaptativo. Estos dos procesos de adaptación tendrán
un efecto sobre la función de costos. Adaptar ambos canales al mismo tiempo ha sido un descubrimiento
reciente y prometedor para un mejor control de las prótesis. El usuario minimizará el error intentando
adaptarse a los parámetros de la máquina. El usuario sabe lo que la máquina entiende sobre lo que está
haciendo. Con esta información buscará en el espectro de señales las señales adecuadas para generar la salida
deseada. Al mismo tiempo, la máquina se adaptará a las señales del usuario con algoritmos adaptativos. El
proceso de adaptación continuará durante toda la formación. Al final, ambos convergerán hacia una solución
común. Esta colaboración permite evitar la convergencia a mínimos locales u otros problemas donde el usuario
no puede estar satisfecho con la solución y obliga a seguir buscando una mejor. Podrá probar otras entradas
que variarán los parámetros de la máquina para lograr un mejor rendimiento.
La necesidad de una buena interacción trasladará la experimentación a un formato online. El beneficio es la
reacción inmediata de un sistema a la adaptación del otro actor. Si una parte se adapta, la otra recibe la nueva
información y se adaptará también para lograr el objetivo común. Durante un experimento fuera de línea, el agente
que no está activado no puede responder a la adaptación del otro actor e interactuar con esta nueva información de
inmediato. Al mismo tiempo, la parte de adaptación no puede ver la reacción del sistema a sus nuevos datos. Esto
hará que el proceso sea más lento y tal vez converja hacia una solución no óptima. Las reacciones en tiempo real
combinadas dan soluciones más óptimas y evitan posibles resultados no deseados. Se han realizado algunos
experimentos con grabaciones intercaladas en períodos cortos, pero la capacitación se realiza principalmente en línea
para sistemas coadaptativos.
Todo esto se traduce en un sistema de adaptación más rápido que permite el uso de modelos más simples con
alta precisión. Igual et al. [96] aplicó este esquema de aprendizaje de circuito cerrado en tiempo real. La nueva
estrategia de coadaptación presentó retroalimentación instantánea a un sistema de aprendizaje en tiempo real,
alcanzando un rendimiento máximo para el algoritmo de regresión lineal. La regresión lineal mejoró gradualmente
mientras el usuario aprendía a controlar el sistema. Esta adaptación también ayudó a mejorar la usabilidad para
personas con deficiencia congénita de extremidades. Sus resultados fueron comparables a los de sujetos sanos. La
simplicidad del modelo y la interacción entre los dos alumnos demostraron ser realmente eficientes y mejoraron el
control de regresión de última generación. El tiempo de cálculo se redujo drásticamente al cambiar a algoritmos
menos complicados y se mejoró el rendimiento en comparación con métodos más complejos en situaciones fuera de
línea. El agente humano podía detectar problemas que la máquina no era capaz de resolver y encontrar una solución
para ellos. El paciente buscó otras formas de generar el patrón deseado hasta que la máquina lo aprendió
correctamente.
Couraud et al. [114] generó datos para experimentar los efectos de la coadaptación. Se utilizó un modelo de
adaptación humana para realizar diferentes niveles de coadaptación. El parámetro de ganancia determinó la velocidad
y la estabilidad de la adaptación siendo un valor de 1 una adaptación rápida. Las bajas ganancias redujeron el error
final pero no realizaron una adaptación completa. Si bien las ganancias más altas ayudaron a la adaptación a corregir
casi todos los errores en una prueba, aumentaron los errores generados por el ruido agregado. Una compensación
entre ambas propuestas terminó con un sistema de ganancia variable que combinaba ambas opciones manteniendo
los beneficios de ambas.
4. Usabilidad
Si bien los modelos de investigación y prototipos se actualizan continuamente, la transferencia a prótesis
comerciales aún es limitada. La gran mayoría de las prótesis todavía se adaptan a sistemas simples de dos electrodos
sin aprendizaje automático y sólo se encuentran en el mercado dos controladores simples basados en clasificación
que no permiten movimientos simultáneos.115,116]. Se han desarrollado modelos más nuevos y mejores, pero estos
esquemas de control aún no tienen un desempeño consistente en ambientes no controlados. Con las primeras
pruebas de los algoritmos en situaciones clínicas surgieron muchos problemas que no se estaban solucionando

en cuenta apareció. Hasta ahora los modelos se basaban en el EMG utilizado para entrenar, pero con el tiempo, esas señales EMG
mostraron un comportamiento no estacionario. Esto se ha relacionado con el desplazamiento de los electrodos [13], fatiga [98],
ponerse/quitarse [97], posición del brazo [18,112], etc. Los investigadores tuvieron que superar esta situación para obtener un nivel de
funcionalidad decente para actividades de la vida real con sistemas más robustos y estables, especialmente cuando se deben tener en
cuenta la motivación y las emociones del usuario.
Una de las soluciones propuestas es el uso de reentrenamiento o recalibración [110]. La idea es agregar una pequeña
cantidad de datos que representen las condiciones no entrenadas al conjunto de entrenamiento. Chen et al. [51] también
utilizó esta técnica. Agregar los datos utilizados para la prueba al conjunto de entrenamiento una vez que los datos se
etiquetaron correctamente durante la fase de prueba mejoró el proceso de clasificación. Aumentar la cantidad de datos de
entrenamiento ayuda a lidiar con entradas desconocidas. Yeung et al. [117] propuso un nuevo sistema de reentrenamiento,
en el que, dependiendo de los nuevos datos agregados al conjunto de entrenamiento, se borraban datos antiguos específicos.
Este olvido direccional eliminó datos antiguos que estaban en la misma dirección que agregó el nuevo. Así, este proceso de
actualización de la dirección indujo una menor distorsión en cada región, al tiempo que descartó datos de entrenamiento que
estaban obsoletos.
El reentrenamiento se utiliza para corregir la degradación del rendimiento del sistema. Sin embargo, con el desarrollo
de modelos más nuevos y más robustos, las necesidades de reentrenamiento se han minimizado [118]. Sin embargo, sobre la
base de este concepto, se desarrolló el protocolo de aprendizaje por transferencia [15,119]. Los investigadores vieron que
diferentes tareas o movimientos tenían alguna relación entre ellos [120]. Después de haber aprendido una tarea o un
movimiento, se dieron cuenta de que existen movimientos asociados que pueden aprovechar el modelo de tarea anterior.
Algunas tareas son similares a otras, por lo que la base de la información está relacionada. Esto permite, en lugar de volver a
entrenar todo el sistema para un nuevo movimiento, aprender nuevos modelos de movimiento utilizando los datos anteriores
y agregando una pequeña cantidad de datos nuevos para superar las diferencias. También se puede utilizar cuando los datos
hayan sufrido mayores cambios, de modo que la información fundamental sea la misma pero el modelo antiguo no funcione.
Paassen et al. [119] utilizó el concepto de aprendizaje por transferencia en lugar de volver a aprender un modelo nuevo,
reutilizar una versión anterior y adaptarla a la nueva situación.
El uso prolongado también supone un problema para el control de las prótesis. Los usuarios deben llevar la
prótesis durante varias horas al día y el control debe ser estable. Inicialmente, esto se asoció con protocolos de
reentrenamiento menos eficientes que se necesitaban con frecuencia.50]. Sin embargo, la reentrenamiento se ha
desarrollado hacia otras más eficientes [85,110]. Además, se han desarrollado modelos que tienen en cuenta estas
necesidades no deseadas, intentando evitarlas. Es por eso que algunos estudios se han centrado en el uso a largo
plazo de sus modelos [85,105] logrando modelos que funcionan correctamente durante 8 horas. sin volver a entrenar.
Estos protocolos de entrenamiento suelen tardar varios días, donde en diferentes días se entrena el modelo para
aprender las no estacionariedades que el tiempo y la fatiga podrían generar en los EMG. Al final, los usuarios quieren
volver a entrenar lo más rápido (mejores métodos de reentrenamiento) y menos (estabilidad a largo plazo) como sea
posible.
Una vez que los modelos mejoran su robustez frente a las posibles no estacionariedades de los datos EMG, es
interesante ver cómo se desempeñan en tareas de la vida real utilizando prótesis (Figura3d). La vida diaria desafiará el control
de las prótesis para realizar tareas que no se han considerado en un entorno de laboratorio. Probar el control en tareas como
la prueba de reubicación de pinzas para la ropa [118] y sostener y agarrar objetos [66,99]. Estas tareas representan un
desempeño más realista de lo que experimentará el usuario final. Los resultados mostraron que los algoritmos académicos
que superaron a los comerciales en entornos de laboratorio están reduciendo la brecha en términos de usabilidad con la
industria. Algunos de ellos incluso empezaron a superar a los algoritmos comerciales en aplicaciones de la vida diaria.
5. Discusión
Hemos presentado el estado del arte en el control de prótesis y hemos brindado información sobre
los diferentes elementos del esquema de control. Además, revisamos cómo las técnicas novedosas no
han logrado una transición estable al mercado. Por ello, vamos a esbozar algunos de los retos que este
campo tendrá que superar en un futuro próximo.

Hasta ahora, el objetivo final de reemplazar completamente una extremidad humana está lejos de alcanzarse y
es obligatorio un conocimiento más profundo sobre los cambios neuronales y de comportamiento que resultan de la
amputación.121]. Sin embargo, el campo del control de prótesis ha ido en constante crecimiento durante las últimas
décadas. Recientemente se han logrado grandes ventajas y el ritmo de mejora parece crecer constantemente. A pesar
del objetivo principal de alcanzar una alta funcionalidad, algunos de los avances académicos no han llegado a la
industria debido a una falta de solidez y usabilidad. Por lo tanto, algunas propuestas más nuevas, de las que podría
beneficiarse la tecnología protésica, no son apropiadas para el uso diario. Por lo tanto, brindar al usuario un control
más natural que se acerque a la forma en que se acciona una mano intacta y una mejor evaluación de la adaptación,
utilidad y aprendizaje motor del dispositivo seguirá siendo un objetivo esencial.
El control de la prótesis consiste en una bioseñal, un sistema para procesar la entrada y la traducción al
control real de la prótesis. En la comunidad de control de prótesis, existe una enorme brecha entre la academia
y la industria. Las prótesis comerciales están lejos del potencial que ha presentado la literatura en las últimas
décadas.
Algunos sistemas de clasificación recientes están siendo utilizados por algunos dispositivos protésicos, aplicando un
control secuencial, lo que está lejos de ser una implementación precisa del comportamiento biológico de una extremidad.
Recientemente, los esquemas de regresión comenzaron a proponer mejores soluciones [15,47,96] en comparación con los
clasificadores realmente utilizados. En general, los nuevos modelos de aprendizaje desarrollados logran grandes resultados
en entornos de laboratorio, pero no llegan al uso comercial. Esto se debe a la falta de robustez y de superación de las no
estacionariedades que aparecen en el uso real. Reducir este problema de funcionalidad se ha convertido en el foco de los
últimos años con resultados prometedores. Los usuarios tienen que lidiar con sistemas que están muy distantes para ofrecer
una condición natural de las extremidades con un control anticuado de DoF en un sistema de conmutación entre funciones.
Nuevos estudios están empezando a proponer controles más naturales [25,122,123]. En consecuencia, es necesario mejorar
los regresores para desarrollar un control sólido en más de dos o tres grados de libertad, para poder implementarlos en
prótesis comerciales. Alternativamente, en lugar de utilizar la clasificación o la regresión por sí solos, podría resultar favorable
una fusión de ambos sistemas. Con este sistema, los beneficios de un método podrían aprovecharse para superar las
limitaciones del otro. Esta idea es el foco de algunos estudios en curso. Al no existir todavía un modelo de aprendizaje
perfecto, un modelo mixto de clasificación y regresión parece ser una buena propuesta [122].
La implementación de la retroalimentación es otro de los principales campos abiertos y activos. Cómo
integrar al usuario en el sistema parece ser una de las claves para mejorar el control de la prótesis y dar un
manejo más adecuado al usuario. Las personas sanas con extremidades intactas reciben información de
retroalimentación: tacto, visión, presión, etc. Por lo tanto, como siguiente paso, es necesario que esta
información recopilada por los sensores de la prótesis sea accesible para los usuarios, para acercarse más. a la
funcionalidad de un miembro biológico. Hoy en día, las prótesis reales se limitan principalmente a la
retroalimentación visual y acústica intrínseca, disponible mediante la observación de la prótesis y los sonidos
de los motores, por lo que la implementación de todos los demás tipos de retroalimentación debe investigarse
más a fondo, como es el caso de los vibrotactores o presión [124]. Esto aumentará la aceptación de la prótesis
con los correspondientes efectos positivos.
La potencia computacional requerida por los nuevos sistemas es superior a la que realmente se utiliza en
las prótesis comerciales. En términos de hardware, el uso de características complejas, modelos, el control de
múltiples DoF y la implementación de retroalimentación requiere altos recursos computacionales [125]. Para
algunas de las características propuestas, aún está por demostrar si se pueden calcular en un hardware
minimalista de bajo consumo en el corto tiempo disponible para cumplir con las limitaciones de tiempo real.
Algunos ejemplos de sistemas complejos que funcionan en tiempo real utilizando interfaces informáticas son [
15,93,96]. Además, algunos otros de los nuevos modelos se han probado en sistemas integrados, demostrando
su capacidad para lograr el rendimiento deseado y superar las limitaciones tecnológicas.118,123], pero aún
están en desarrollo.
Actualmente, el mercado de prótesis de miembro superior es relativamente pequeño. Por tanto, el
desarrollo se vuelve lento y costoso. Sin embargo, la industria protésica puede aprovechar nuevas tecnologías
emergentes adicionales y beneficiarse de los rápidos desarrollos, como el sector de los teléfonos inteligentes,
la robótica inteligente y otros sectores industriales y de consumo. Las prótesis podrían aprovecharse

del campo de rápido crecimiento de la impresión 3D que reduce los costos de fabricación [125,126]. Las capacidades
computacionales de los procesadores de bajo consumo aumentan constantemente, impulsadas en parte por el gran mercado
de dispositivos inteligentes. Esta situación ayudará a generar nuevos sistemas integrados, adecuados para el control de
prótesis. Además, Internet de las cosas [127–130] o 5G [131] podría surgir como una posible solución, utilizando, por ejemplo,
la computación en la nube en tiempo real para eliminar los altos requisitos computacionales del dispositivo. Estas nuevas
tecnologías permiten la integración de nuevos protocolos de procesamiento como la fusión de datos. La computación en la
nube podría utilizarse para recopilar datos de diferentes usuarios generando conjuntos de datos más grandes. El uso de estos
conjuntos de datos para extraer información común entre pacientes podría mejorar el rendimiento y la adaptabilidad del
modelo. Esto puede entenderse como un proceso de transferencia de aprendizaje entre diferentes usuarios.
Las prótesis deben adaptarse a la importante variabilidad en la población de usuarios [132]. Esta variabilidad
exige que el control de la prótesis sea utilizable en una amplia gama de condiciones fisiológicas. Además, las prótesis
deben ser sencillas para que puedan ser configuradas por un experto en procesamiento de señales, como los técnicos
ortopédicos. El usuario final debe tener una prótesis fácil de utilizar y debe poder entender cómo utilizarla sin ayuda.
Es necesario un simple aprendizaje del usuario para llegar a una población más amplia. Los procesos complicados de
aprendizaje del manejo de prótesis no serán adecuados para principiantes que podrían abandonar la dificultad y
considerarlo inútil. Los sistemas tienen que ser accesibles para todos y no sólo para usuarios avanzados. Por tanto,
trabajar en el protocolo de entrenamiento final y en la configuración de la prótesis para que sea lo más sencillo
posible, incluso utilizando modelos complejos, es una tarea de futuro para la comunidad investigadora.
Por último, uno de los mayores problemas es que la mayoría de los modelos se han probado exhaustivamente
en entornos controlados, pero a menudo faltan pruebas de robustez en las condiciones no estacionarias de la vida
diaria. Esto debe reflejarse en los procedimientos de evaluación, que deben incluir factores como fatiga, posición del
brazo, sudor y uso prolongado. La prueba final de robustez debe realizarse en la vida diaria de los usuarios finales, lo
que revela la necesidad de realizar pruebas a gran escala en entornos clínicos.
Contribuciones de autor:Conceptualización de la estructura y contenidos, CI y AC; redacción: borrador
original, CI y LAPJ; cifras, CI y LAPJ; redacción: revisión y edición, CI, LAPJ, JMH y JI
Fondos:Este trabajo cuenta con el apoyo parcial del Ministerio de Educación, Cultura y Deporte (España) bajo la subvención
FPU15/02870.
Expresiones de gratitud:Los autores desean agradecer a Marko Markovic y Jérémy Mouchoux por proporcionar contenido
visual para las figuras.
Conflictos de interés:Los autores declaran no tener ningún conflicto de intereses.
Referencias
1. Dillingham, TR; Pezzin, LE; MacKenzie, EJ Amputación de extremidades y deficiencia de extremidades: epidemiología y tendencias
recientes en los Estados Unidos.Sur. Medicina. J.2002,95, 875–884.
2. Ziegler-Graham, K.; MacKenzie, EJ; Efraín, PL; Travison, TG; Brookmeyer, R. Estimación de la prevalencia de la pérdida de
extremidades en los Estados Unidos: 2005 a 2050.Arco. Física. Medicina. Rehabilitación.2008,89, 422–429, doi:10.1016/
j.apmr.2007.11.005.
3. Biddiss, E.; Chau, T. Prótesis de miembro superior: factores críticos en el abandono del dispositivo.Soy. J. Física. Medicina.
Rehabilitación.2007,86, 977–987.
4. Datta, D.; Selvarajá, K.; Davey, N. Resultado funcional de pacientes con deficiencia proximal de las extremidades superiores,
adquirida y congénita.Clínico. Rehabilitación.2004,18, 172-177.
5. Davidson, J. Una encuesta sobre la satisfacción de los amputados de miembros superiores con sus prótesis, sus estilos de vida y sus
habilidades.J. Mano Ther.2002,15, 62–70.
6. Esquema, E.; Englehart, K. Reconocimiento de patrones de electromiograma para el control de prótesis motorizadas de miembros superiores:
estado del arte y desafíos para el uso clínico.J. Rehabilitación. Res. Desarrollo.2011,48, 643–659.
7. Esquema, E.; Fougner, A.; Stavdahl, O.; Chan, ADC; Englehart, K. Examinar los efectos adversos de la posición de las
extremidades en el control mioeléctrico basado en el reconocimiento de patrones. En Actas de la Conferencia
Internacional Anual de 2010 del IEEE Ingeniería en Medicina y Biología, Buenos Aires, Argentina, 31 de agosto al 4 de
septiembre de 2010; págs. 6337–6340, doi:10.1109/IEMBS.2010.5627638.

8. Dohnálek, P.; Gajdoš, P.; Peterek, T. Reconocimiento de actividad humana a partir de datos de sensores sin procesar mediante
aproximación escasa. En Actas de la 36.ª Conferencia Internacional sobre Telecomunicaciones y Procesamiento de Señales (TSP)
de 2013, Roma (Italia), 2 a 4 de julio de 2013; págs. 700–703, doi:10.1109/TSP.2013.6614027.
9. Marasco, PD; Hebert, JS; Sensinger, JW; Shell, CE; Schofield, JS; Thumser, ZC; Nataraj, R.; Beckler, DT; Dawson, señor;
Blustein, DH; et al. La percepción del movimiento ilusorio mejora el control motor de las manos protésicas.Ciencia.
Traducción Medicina.2018,10, doi:10.1126/scitranslmed.aao6990.
10. Biddiss, EA; Chau, TT Uso y abandono de prótesis de miembro superior: una encuesta de los últimos 25 años.Prótesis.
Ortot. En t.2007,31, 236–257.
11. Vujaklija, I.; Fariña, D.; Aszmann, OC Nuevos desarrollos en sistemas de prótesis de brazo.Ortopédico. Res. Rdo.
2016,8, 31–39.
12. Jiang, N.; Dösen, S.; Müller, K.; Farina, D. Control mioeléctrico de miembros artificiales: ¿es necesario cambiar el enfoque?
Proceso de señal IEEE. revista2012,29, 150–152, doi:10.1109/MSP.2012.2203480.
13. Ison, M.; Vujaklija, I.; Whitsell, B.; Fariña, D.; Artemiadis, P. Electromiógrafo de alta densidad y aprendizaje de habilidades motoras para un
control sólido a largo plazo de un brazo robótico de 7 grados de libertad.Sistema neuronal. Rehabilitación. Ing. Traducción IEEE.2016, 24,
424–433.
14. Hahne, JM; Dähne, S.; Hwang, HJ; Müller, KR; Parra, LC La adaptación simultánea de humanos y máquinas mejora el control
mioeléctrico simultáneo y proporcional.Traducción IEEE. Sistema neuronal. Rehabilitación. Ing.2015, 23, 618–627.
15. Ameri, A.; Akhaee, MA; Esquema, E.; Englehart, K. Red neuronal convolucional de regresión para mejorar el control
EMG simultáneo.J. Ing. Neural.2019,dieciséis, 036015, doi:10.1088/1741-2552/ab0e2e.
16. Esquema, EJ; Englehart, KB; Hudgins, BS Clasificación selectiva para mejorar la solidez del control mioeléctrico en
condiciones no ideales.Traducción IEEE. Biomédica. Ing.2011,58, 1698-1705.
17. Jiang, N.; Farina, D. Control mioeléctrico de prótesis de miembro superior: estado actual, desafíos y avances
recientes.Frente. Neuroing.2014, doi:10.3389/conf.fneng.2014.11.00004.
18. Fougner, A.; Esquema, E.; Chan, ADC; Englehart, K.; Stavdahl, O. Resolución del efecto de la posición de las extremidades en el
reconocimiento de patrones mioeléctricos.Traducción IEEE. Sistema neuronal. Rehabilitación. Ing.2011,19, 644–651, doi:10.1109/
TNSRE.2011.2163529.
19. Joven, AJ; Hargrove, LJ; Kuiken, TA Los efectos del tamaño y la orientación de los electrodos sobre la sensibilidad de los sistemas de
reconocimiento de patrones mioeléctricos al cambio de electrodos.Traducción IEEE. Biomédica. Ing.2011,58, 2537–2544.
20. Cipriani, C.; Sassu, R.; Controzzi, M.; Carrozza, MC Influencia de las acciones del peso de la prótesis de mano en el
desempeño del control mioeléctrico basado en el reconocimiento de patrones: estudio preliminar. En Actas de la
Conferencia Internacional Anual de 2011 de la Sociedad de Ingeniería en Medicina y Biología del IEEE, Boston, MA, EE.
UU., 30 de agosto al 3 de septiembre de 2011; págs. 1620–1623, doi:10.1109/IEMBS.2011.6090468.
21. Amsuess, S.; Paredes, LP; Rudigkeit, N.; Graimann, B.; Herrmann, MJ; Farina, D. Estabilidad a largo plazo de la
clasificación de patrones EMG de superficie para el control protésico. En actas de la 35ª Conferencia
Internacional Anual de 2013 de la Sociedad de Ingeniería en Medicina y Biología (EMBC) del IEEE, Osaka, Japón, 3
a 7 de julio de 2013; págs. 3622–3625, doi:10.1109/EMBC.2013.6610327.
22. Vujaklija, I.; Roche, AD; Hasenoehrl, T.; Sturma, A.; Amsuess, S.; Fariña, D.; Aszmann, OC Traducción de la
investigación sobre el control mioeléctrico en la clínica: ¿son adecuados los métodos de evaluación del
desempeño? Frente. Neurorobot.2017,11, 7, doi:10.3389/fnbot.2017.00007.
23. Hargrove, LJ; Miller, Luisiana; Turner, K.; Kuiken, TA El reconocimiento de patrones mioeléctricos supera al control
directo para amputados transhumerales con reinervación muscular dirigida: un ensayo clínico aleatorizado.
Ciencia. Reps.2017,7, 2045–2322, doi:10.1038/s41598-017-14386-w.
24. Hochberg, LR; Serruya, MD; Friehs, gerente general; Mukand, JA; Saleh, M.; Caplan, AH; Branner, A.; Chen, D.; Penn, RD;
Donoghue, JP Control del conjunto neuronal de dispositivos protésicos por parte de un ser humano con tetraplejía.
Naturaleza2006,442, 164-171.
25. Velliste, M.; Perel, S.; Spalding, MC; Whitford, AS; Schwartz, AB Control cortical de una prótesis de brazo para
autoalimentación.Naturaleza2008,453, 1098-1101.
26. McMullen, director de fotografía; Hotson, G.; Katyal, KD; Wester, Licenciatura en Letras; Pífano, MS; McGee, TG; Harris, A.; Johannes,
MS; Vogelstein, RJ; Ravitz, AD; et al. Demostración de una interfaz híbrida cerebro-máquina semiautónoma que utiliza EEG
intracraneal humano, seguimiento ocular y visión por computadora para controlar una prótesis robótica de extremidad
superior.Traducción IEEE. Sistema neuronal. Rehabilitación. Ing.2014,22, 784–796, doi:10.1109/TNSRE.2013.2294685.

27. Frisoli, A.; Loconsole, C.; Leonardis, D.; Banno, F.; Barsotti, M.; Chisari, C.; Bergamasco, M. Un nuevo control impulsado por Gaze-BCI
de un exoesqueleto de miembro superior para rehabilitación en tareas del mundo real.Traducción IEEE. Sistema. Hombre
Cibernético. Parte C (Rev. Aplic.)2012,42, 1169–1179, doi:10.1109/TSMCC.2012.2226444.
28. Ganguly, K.; Carmena, JM Aparición de un mapa cortical estable para el control neuroprotésico.PLoS Biol. 2009,7,
1–13, doi:10.1371/journal.pbio.1000153.
29. Galán, F.; Nuttin, M.; Lew, E.; Ferrez, P.; Vanacker, G.; Philips, J.; del R. Millán, J. Una silla de ruedas accionada por el
cerebro: interfaces cerebro-computadora asíncronas y no invasivas para el control continuo de robots.
Clínico. Neurofisiol.2008,119, 2159–2169, doi:10.1016/j.clinph.2008.06.001.
30. Sherman, ED Una prótesis rusa controlada por bioelectricidad.Poder. Medicina. Asociación. J.1964,91, 1268-1270.
31. Childress, DS Aspectos históricos de las prótesis motorizadas de extremidades.Clínico. Prótesis. Ortot.1985,9, 2–13.
32. Marquardt, E. La prótesis neumática de brazo de Heidelberg.J. Hueso Jt.1965,47, 425–434.
33. Englehart, K.; Hudgins, B. Un esquema de control robusto en tiempo real para el control mioeléctrico multifunción.Traducción IEEE.
Biomédica. Ing.2003,50, 848–854.
34. Parker, P.; Englehart, K.; Hudgins, B. Procesamiento de señales mioeléctricas para el control de prótesis de extremidades motorizadas.
J. Electromiogr. Kinesiol.2006,dieciséis, 541–548.
35. Fougner, A.; Stavdahl, Ø.; Kyberd, PJ; Losier, YG; Parker, PA Control de prótesis de miembros superiores:
terminología y control mioeléctrico proporcional: una revisión.Traducción IEEE. Sistema neuronal. Rehabilitación.
Ing. 2012,20, 663–677.
36. Resnik, L.; Huang, HH; Winslow, A.; Agacharse, DL; Zhang, F.; Wolk, N. Evaluación del reconocimiento de patrones EMG para el
control de prótesis de miembros superiores: un estudio de caso en comparación con el control mioeléctrico directo.
J. Neuroeng. Rehabilitación.2018,15, 23, doi:10.1186/s12984-018-0361-3.
37. Sartori, M.; Durandau, G.; Dosen, S.; Farina, D. Control mioeléctrico simultáneo robusto de múltiples grados de libertad en
prótesis de muñeca-mano mediante modelado neuromusculoesquelético en tiempo real.J. Ing. Neural.2018, 15, 066026,
doi:10.1088/1741-2552/aae26b.
38. Kuiken, TA; Li, G.; Bloquear, Licenciatura en Letras; Lipschutz, RD; Miller, Luisiana; Stubblefield, KA; Englehart, KB Reinervación
muscular dirigida para el control mioeléctrico en tiempo real de brazos artificiales multifunción. JAMA2009,
301, 619–628.
39. Huang, H.; Zhou, P.; Li, G.; Kuiken, TA Un análisis de la configuración de electrodos EMG para la interfaz de máquina neuronal
basada en reinervación muscular dirigida.Traducción IEEE. Sistema neuronal. Rehabilitación. Ing.2008,dieciséis, 37–45,
doi:10.1109/TNSRE.2007.910282.
40. Souza, JM; Cheesborough, JE; Ko, JH; Cho, MS; Kuiken, TA; Dumanian, GA Reinervación muscular dirigida: un nuevo
enfoque para el dolor del neuroma posamputación.Clínico. Ortopédico. Relacionado. Res.2014, 472, 2984–2990,
doi:10.1007/s11999-014-3528-7.
41. Miller, Luisiana; Lipschutz, RD; Stubblefield, KA; Bloquear, Licenciatura en Letras; Huang, H.; Williams, TW; Vertedero, RF; Kuiken, TA Control de
una prótesis de brazo de seis grados de libertad después de una cirugía de reinervación muscular dirigida.Arco. Física. Medicina.
Rehabilitación.2008,89, 2057–2065, doi:10.1016/j.apmr.2008.05.016.
42. Kuiken, TA; Dumanian, Georgia; Lipschutz, RD; Miller, Luisiana; Stubblefield, KA El uso de reinervación muscular dirigida
para mejorar el control de la prótesis mioeléctrica en un amputado por desarticulación bilateral del hombro. Prótesis.
Ortot. En t.2004,28, 245–253, doi:10.3109/03093640409167756.
43. Dumanian, GA; Potter, BK; Miotón, LM; Ko, JH; Cheesborough, JE; Souza, JM; Ertl, WJ; Tintle, SM; Nanos, médico de
cabecera; Valerio, IL; et al. La reinervación muscular dirigida trata el neuroma y el dolor fantasma en amputados de
extremidades mayores: un ensayo clínico aleatorizado.Ana. Cirugía.2019,270, 238–246.
44. Mioton, LM; Dumanian, GA Reinervación muscular dirigida y rehabilitación protésica después de la pérdida de una extremidad.
J. Cirugía. Oncol.2018,118, 807–814.
45. Joven, A.; Smith, L.; Rouse, E.; Hargrove, L. Clasificación de movimientos simultáneos mediante el reconocimiento de patrones EMG
de superficie.Biomédica. Ing. Traducción IEEE.2013,60, 1250-1258.
46. Hahne, JM; Rehbaum, H.; Biessmann, F.; Meinecke, FC; Müller, KR; Jiang, N.; Fariña, D.; Parra, LC Control simultáneo y
proporcional de movimientos 2D de muñeca con señales mioeléctricas. En actas del Taller internacional IEEE de 2012
sobre aprendizaje automático para procesamiento de señales, Santander, España, 23 a 26 de septiembre de 2012; págs.
1 a 6, doi:10.1109/MLSP.2012.6349712.
47. Hahne, J.; Biessmann, F.; Jiang, N.; Rehbaum, H.; Fariña, D.; Meinecke, F.; Müller, KR; Parra, L. Técnicas de regresión lineal y
no lineal para el control mioeléctrico simultáneo y proporcional.Sistema neuronal. Rehabilitación. Ing. Traducción IEEE.
2014,22, 269–279.

48. Oskoei, MA; Hu, H. Sistemas de control mioeléctrico: una encuesta.Biomédica. Proceso de señal. Control2007,2, 275–294.
49. Peerdeman, B.; Boere, D.; Witteveen, H.; Huis en 'tVeld, R.; Hermens, H.; Stramigioli, S.; Rietman, H.; Veltink, P.;
Misra, S. Prótesis mioeléctricas de antebrazo: estado del arte desde una perspectiva centrada en el usuario.
J. Rehabilitación. Res. Desarrollo.2011,48, 719–737.
50. Sensinger, JW; Bloquear, Licenciatura en Letras; Kuiken, TA Reconocimiento de patrones adaptativos de señales mioeléctricas:
exploración del marco conceptual y algoritmos prácticos.Traducción IEEE. Sistema neuronal. Rehabilitación. Ing.2009,17, 270–
278, doi:10.1109/TNSRE.2009.2023282.
51. Chen, X.; Zhang, D.; Zhu, X. Aplicación de un método de clasificación de mejora automática al reconocimiento de patrones
de electromiografía para el control de prótesis multifuncionales. J. NeuroEng. Rehabilitación.2013,10, 44,
doi:10.1186/1743-0003-10-44.
52. Pilarski, P.; Dawson, M.; Degris, T.; Fahimi, F.; Carey, J.; Sutton, R. Entrenamiento humano en línea de un controlador de
prótesis mioeléctrica mediante aprendizaje por refuerzo actor-crítico. En Actas de la Conferencia Internacional IEEE
sobre Robótica de Rehabilitación (ICORR) de 2011, Zurich, Suiza, 29 de junio a 1 de julio de 2011.
53. Clancy, EA; Morín, EL; Merletti, R. Problemas de muestreo, reducción de ruido y estimación de amplitud en
electromiografía de superficie.J. Electromiogr. Kinesiol.2002,12, 1–16.
54. Ajiboye, AB; Weir, RF Un enfoque heurístico de lógica difusa para el reconocimiento de patrones EMG para el control de prótesis
multifuncionales.Traducción IEEE. Sistema neuronal. Rehabilitación. Ing.2005,13, 280–291.
55. Chu, JU; Luna, yo; Mun, MS Un sistema de reconocimiento de patrones EMG en tiempo real basado en una proyección de características
lineales y no lineales para una mano mioeléctrica multifunción.Traducción IEEE. Biomédica. Ing.2006,53, 2232–2239.
56. Fariña, D.; Merletti, R.; Enoka, RM La extracción de estrategias neuronales de la EMG de superficie.J. Aplica. Fisiol. 2004,96,
1486-1495.
57. Li, G.; Li, Y.; Yu, L.; Geng, Y. Problemas de acondicionamiento y muestreo de señales EMG en el reconocimiento de movimiento de
prótesis mioeléctricas multifuncionales.Ana. Biomédica. Ing.2011,39, 1779–1787.
58. Phinyomark, A.; Khushaba, RN; Esquema, E. Extracción y selección de funciones para el control mioeléctrico basado en
sensores EMG portátiles.Sensores2018,18, 1615, doi:10.3390/s18051615.
59. Farrell, TR; Weir, RF El retardo del controlador óptimo para prótesis mioeléctricas.Traducción IEEE. Sistema neuronal.
Rehabilitación. Ing.2007,15, 111–118, doi:10.1109/TNSRE.2007.891391.
60. Nielsen, JL; Holmgaard, S.; Jiang, N.; Englehart, KB; Fariña, D.; Parker, PA Estimación de fuerza simultánea y proporcional
para prótesis mioeléctricas multifunción mediante entrenamiento bilateral reflejado.Biomédica. Ing. Traducción IEEE.
2011,58, 681–688.
61. Phinyomark, A.; Quaine, F.; Charbonnier, S.; Serviére, C.; Tarpin-Bernard, F.; Laurillau, Y. Evaluación de funciones EMG para
mejorar la solidez del reconocimiento de patrones mioeléctricos.Sistema experto. Aplica.2013,40, 4832–4840,
doi:10.1016/j.eswa.2013.02.023.
62. Graupé, D.; Cline, WK Separación funcional de señales EMG mediante métodos de identificación ARMA para fines de
control de prótesis.Traducción IEEE. Sistema. Hombre, Cybern.1975,1, 252–259.
63. Kelly, MF; Parker, Pensilvania; Scott, RN La aplicación de redes neuronales al análisis de señales mioeléctricas: un estudio
preliminar.Traducción IEEE. Biomédica. Ing.1990,37, 221–230.
64. Españas, JA; Perreault, EJ; Hargrove, LJ Detección y compensación de alteraciones EMG para el control eléctrico de prótesis
de miembros inferiores.Traducción IEEE. Sistema neuronal. Rehabilitación. Ing.2015,24, 226–234.
65. Huang, Y.; Englehart, KB; Hudgins, B.; Chan, AD Un esquema de clasificación basado en un modelo de mezcla gaussiana para el
control mioeléctrico de prótesis motorizadas de miembros superiores.Traducción IEEE. Biomédica. Ing.2005,52, 1801–1811.
66. Castellini, C.; van der Smagt, P. EMG de superficie en prótesis de mano avanzadas.Biol. Cibern.2009,100, 35–47.
67. Alkan, A.; Günay, M. Identificación de señales EMG mediante análisis discriminante y clasificador SVM.Sistema experto.
Aplica.2012,39, 44–47.
68. Al-Timemy, AH; Bugmann, G.; Escudero, J.; Outram, N. Clasificación de los movimientos de los dedos para el control diestro
de prótesis de mano con electromiografía de superficie.IEEE J. Biomed. Información de salud.2013, 17, 608–618.
69. Chan, AD; Englehart, KB Control mioeléctrico continuo para prótesis motorizadas utilizando modelos ocultos de Markov.
Traducción IEEE. Biomédica. Ing.2004,52, 121-124.
70. Zardoshti-Kermani, M.; Wheeler, antes de Cristo; Badie, K.; Hashemi, RM Evaluación de funciones EMG para el control del movimiento de
prótesis de extremidades superiores.Traducción IEEE. Rehabilitación. Ing.1995,3, 324–333.
71. Karlik, B.; Tokhi, MO; Alci, M. Una arquitectura de red neuronal de agrupamiento difuso para prótesis multifunción de miembro
superior.Traducción IEEE. Biomédica. Ing.2003,50, 1255-1261.

72. Rahimi, A.; Benatti, S.; Kanerva, P.; Benini, L.; Rabaey, JM Procesamiento de bioseñales hiperdimensionales: un estudio de caso para
el reconocimiento de gestos manuales basado en EMG. En actas de la Conferencia internacional IEEE de 2016 sobre reinicio de
la informática (CICR). IEEE, San Diego, CA, EE. UU., 17 a 19 de octubre de 2016; págs. 1–8.
73. Hudgins, B.; Parker, P.; Scott, RN Una nueva estrategia para el control mioeléctrico multifunción.Traducción IEEE. Biomédica. Ing.
1993,40, 82–94.
74. Hargrove, LJ; Li, G.; Englehart, KB; Hudgins, BS Preprocesamiento del análisis de componentes principales para mejorar la precisión
de la clasificación en el control mioeléctrico basado en el reconocimiento de patrones.Traducción IEEE. Biomédica. Ing. 2008,56,
1407-1414.
75. Li, X.; Samuel, OW; Zhang, X.; Wang, H.; Colmillo, P.; Li, G. sobre la
combinación de señales sEMG-EEG para amputados de miembros
superiores. doi:10.1186/s12984-016-0212-z.
76. Peleg, D.; Braiman, E.; Yom-Tov, E.; Inbar, GF Clasificación de la activación del dedo para su uso en un brazo de prótesis robótica.Traducción
IEEE. Sistema neuronal. Rehabilitación. Ing.2002,10, 290–293.
77. Oskoei, MA; Hu, H. Selección de subconjuntos de características basada en GA para clasificación mioeléctrica. En Actas de la
Conferencia Internacional IEEE de 2006 sobre Robótica y Biomimética. IEEE, Kunming, China, 17 a 20 de diciembre de 2006;
págs. 1465-1470.
78. Huang, HP; Liu, YH; Liu, LW; Wong, clasificación CS EMG para posturas prensiles utilizando arquitectura en cascada
de redes neuronales con mapas autoorganizados. En Actas de la Conferencia Internacional IEEE de 2003 sobre
Robótica y Automatización (Cat. No. 03CH37422). IEEE, Taipei, Taiwán, 14 a 19 de septiembre de 2003; Volumen
1, págs. 1497-1502.
79. Khushaba, RN; Al-Jumaily, A. Selección de canales y funciones en el control mioeléctrico multifunción. En actas de la
29ª Conferencia Internacional Anual de 2007 de la Sociedad de Ingeniería en Medicina y Biología del IEEE. IEEE,
Lyon, Francia, 22 a 26 de agosto de 2007; págs. 5182–5185.
80. Hahne, JM; Graimann, B.; Muller, KR Filtrado espacial para un control mioeléctrico robusto.Traducción IEEE. Biomédica.
Ing.2012,59, 1436-1443.
81. Almstrom, C.; Herberts, P.; Körner, L. Experiencia con prótesis de manos multifuncionales suecas controladas mediante
reconocimiento de patrones de múltiples señales mioeléctricas.En t. Ortopédico.1981,5, 15-21.
82. Lorena, T.; Jiang, N.; Farina, D. Influencia del conjunto de entrenamiento en la precisión de la clasificación EMG de
superficie en contracciones dinámicas para el control de prótesis multifunción.J. Neuroeng. Rehabilitación.2011,8, 25,
doi:10.1186/1743-0003-8-25.
83. Fariña, D.; Jiang, N.; Rehbaum, H.; Holobar, A.; Graimann, B.; Dietl, H.; Aszmann, OC La extracción de información neuronal
de la EMG de superficie para el control de prótesis de miembros superiores: vías emergentes y desafíos.Traducción
IEEE. Sistema neuronal. Rehabilitación. Ing.2014,22, 797–809.
84. Él, J.; Zhang, D.; Jiang, N.; Sheng, X.; Fariña, D.; Zhu, X. Adaptación del usuario en entrenamiento mioeléctrico de circuito abierto a
largo plazo: implicaciones para el reconocimiento de patrones EMG en el control de prótesis.J. Ing. Neural.2015,12, 046005,
doi:10.1088/1741-2560/12/4/046005.
85. Vidovic, MM; Hwang, HJ; Amsuess, S.; Hahne, JM; Fariña, D.; Muller, KR Mejora de la solidez del reconocimiento de patrones mioeléctricos para
prótesis de miembros superiores mediante la adaptación al cambio de covariables.Traducción IEEE. Sistema neuronal. Rehabilitación. Ing.
2016,24, 961–970.
86. Von Bünau, P.; Meinecke, FC; Király, FC; Müller, KR Búsqueda de subespacios estacionarios en series temporales
multivariadas.Física. Rev. Lett.2009,103, 214101, doi:10.1103/PhysRevLett.103.214101.
87. Samek, W.; Vidaurre, C.; Müller, KR; Kawanabe, M. Patrones espaciales comunes estacionarios para la interfaz cerebro-
computadora.J. Ing. Neural.2012,9, 026013, doi:10.1088/1741-2560/9/2/026013.
88. Radmand, A.; Esquema, E.; Englehart, K. Una caracterización del efecto de la posición de las extremidades en las
características EMG para guiar el desarrollo de esquemas de control protésico efectivos. En actas de la 36ª Conferencia
Internacional Anual de 2014 de la Sociedad de Ingeniería en Medicina y Biología del IEEE. IEEE, Chicago, IL, EE. UU., 26 a
30 de agosto de 2014; págs. 662–667.
89. Roy, SH; De Luca, G.; Cheng, MS; Johansson, A.; Gilmore, LD; De Luca, CJ Estabilidad electromecánica de sensores EMG de
superficie.Medicina. Biol. Ing. Computadora.2007,45, 447–457.
90. Hargrove, L.; Englehart, K.; Hudgins, B. Una estrategia de entrenamiento para reducir la degradación de la clasificación debido a los
desplazamientos de los electrodos en el control mioeléctrico basado en el reconocimiento de patrones.Biomédica. Proceso de señal.
Control 2008,3, 175–180.
Una estrategia de clasificación de movimientos basada
J. Neuroeng. Rehabilitación.2017,14, 2,

91. Hahne, JM; Markovic, M.; Farina, D. Adaptación del usuario en interfaces hombre-máquina mioeléctricas.Ciencia. Reps.
2017,7, 4437, doi:10.1038/s41598-017-04255-x.
92. Jiang, N.; Englehart, KB; Parker, PA Extracción de información de control neuronal simultánea y proporcional para prótesis con
múltiples grados de libertad a partir de la señal electromiográfica de superficie.Traducción IEEE. Biomedicina. Ing.2009, 56,
1070–1080.
93. Ameri, A.; Kamavuako, EN; Esquema, EJ; Englehart, KB; Parker, PA Regresión de vectores de soporte para mejorar el
control mioeléctrico simultáneo en tiempo real.Traducción IEEE. Sistema neuronal. Rehabilitación. Ing.2014, 22, 1198–
1209, doi:10.1109/TNSRE.2014.2323576.
94. Ameri, A.; Esquema, E.; Kamavuako, E.; Englehart, K.; Parker, P. Control mioeléctrico simultáneo en tiempo real mediante
paradigmas de entrenamiento basados en la fuerza y la posición.Biomédica. Ing. Traducción IEEE.2014,61, 279–287.
95. Ameri, A.; Kamavuako, EN; Esquema, EJ; Englehart, KB; Parker, PA Control mioeléctrico simultáneo en tiempo real utilizando un
paradigma de entrenamiento visual basado en objetivos.Biomédica. Proceso de señal. Control2014,13, 8–14.
96. Igual, C.; Igual, J.; Hahne, JM; Parra, LC Control mioeléctrico proporcional autoregresivo adaptativo. Traducción IEEE.
Sistema neuronal. Rehabilitación. Ing.2019,27, 314–322, doi:10.1109/TNSRE.2019.2894464.
97. Hwang, HJ; Hahne, J.; Mueller, KR Evaluación de la solidez en tiempo real del control mioeléctrico basado en
regresión frente al cambio de posición del brazo y al ponerse y quitarse el brazo.Más uno2017,12, e0186318,
doi:10.1371/journal.pone.0186318.
98. Huang, Q.; Yang, D.; Jiang, L.; Zhang, H.; Liu, H.; Kotani, K.; Huang, Q.; Yang, D.; Jiang, L.; Zhang, H.; et al. Un nuevo método
de aprendizaje adaptativo no supervisado para el reconocimiento de patrones de electromiografía (EMG) a largo plazo.
Sensores2017,17, 1370, doi:10.3390/s17061370.
99. Strazzulla, I.; Nowak, M.; Controzzi, M.; Cipriani, C.; Castellini, C. Manipulación bimanual en línea mediante electromiografía
de superficie y aprendizaje incremental.Traducción IEEE. Sistema neuronal. Rehabilitación. Ing.2017,25, 227–234,
doi:10.1109/TNSRE.2016.2554884.
100. Smith, LH; Kuiken, TA; Hargrove, LJ Evaluación del control mioeléctrico simultáneo de regresión lineal mediante
EMG intramuscular.Traducción IEEE. Biomédica. Ing.2016,63, 737–746, doi:10.1109/TBME.2015.2469741.
101. Engeberg, ED; Manso, SG; Menor, MA Control híbrido del modo de deslizamiento fuerza-velocidad de una prótesis de mano.
Traducción IEEE. Biomédica. Ing.2008,55, 1572-1581.
102. Muceli, S.; Farina, D. Estimación simultánea y proporcional de la cinemática de la mano a partir de EMG durante
movimientos reflejados en múltiples grados de libertad.Sistema neuronal. Rehabilitación. Ing. Traducción IEEE.2012, 20,
371–378.
103. Ameri, A.; Englehart, KB; Parker, PA Una comparación entre las estrategias de control de fuerza y posición en prótesis
mioeléctricas. En Actas de la Conferencia Internacional Anual de 2012 de la Sociedad de Ingeniería en Medicina y
Biología del IEEE, San Diego, CA, EE. UU., 28 de agosto al 1 de septiembre de 2012; págs. 1342-1345, doi:10.1109/
EMBC.2012.6346186.
104. Colmillo, Y.; Zhou, D.; Li, K.; Liu, H. Prótesis de interfaz con capacitación de usuarios basada en comentarios de clasificadores.
Traducción IEEE. Biomédica. Ing.2017,64, 2575–2583, doi:10.1109/TBME.2016.2641584.
105. Powell, M.; Kaliki, R.; Thakor, N. Capacitación de usuarios para prótesis mioeléctricas basadas en reconocimiento de patrones: mejora de la
coherencia y la distinguibilidad del movimiento del miembro fantasma.Traducción IEEE. Sistema neuronal. Rehabilitación. Ing.2014,22,
522–532.
106. Thomas, N.; Ung, G.; McGarvey, C.; Brown, JD Comparación de retroalimentación vibrotáctil y de torsión articular en una prótesis
mioeléctrica de miembro superior.J. Neuroeng. Rehabilitación.2019,dieciséis, 70, doi:10.1186/s12984-019-0545-5.
107. Guémann, M.; Bouvier, S.; Halgand, C.; Borrini, L.; Paclet, F.; Lapeyre, E.; Ricard, D.; Cattaert, D.; de Rugy, A. Estimación de
parámetros sensoriales y motores para el control mioeléctrico del codo con retroalimentación vibrotáctil.Ana. Física.
Rehabilitación. Medicina.2018,61, e467, doi:10.1016/j.rehab.2018.05.1090.
108. Markovic, M.; Schweisfurth, MA; Engels, LF; Fariña, D.; Dosen, S. Myocontrol es un control de circuito cerrado: la
retroalimentación incidental es suficiente para escalar la fuerza de la prótesis en el agarre de rutina.J. Neuroeng.
Rehabilitación. 2018,15, 81, doi:10.1186/s12984-018-0422-7.
109. Radhakrishnan, SM; panadero, SN; Jackson, A. Aprendizaje de una nueva tarea de interfaz controlada por mioeléctricos.
J. Neurofisiol.2008,100, 2397–2408. PMID: 18667540, doi:10.1152/jn.90614.2008.
110. Zhu, X.; Liu, J.; Zhang, D.; Sheng, X.; Jiang, N. Marco de adaptación en cascada para una calibración rápida
del control mioeléctrico. Traducción IEEE. Sistema neuronal. Rehabilitación. Ing.2017,25, 254–264,
doi:10.1109/TNSRE.2016.2562180.

111. Nishikawa, D.; Yu, W.; Yokoi, H.; Kakazu, Y. Método de aprendizaje en línea para el control de mano protésica EMG.
Electrón. Comunitario. Japón. (Parte III Fundam. Electron. Sci.)2001,84, 35–46, doi:10.1002/ecjc.1040.
112. Betthauser, JL; cazar, CL; Osborn, LE; Maestros, señor; Levay, G.; Kaliki, RR; Thakor, NV Reconocimiento de patrones tolerantes a la
posición de las extremidades para el control de prótesis mioeléctricas con representaciones dispersas adaptativas del
aprendizaje extremo.Traducción IEEE. Biomédica. Ing.2018,sesenta y cinco, 770–778, doi:10.1109/TBME.2017.2719400.
113. Müller, JS; Vidaurre, C.; Schreuder, M.; Meinecke, FC; Von Bünau, P.; Müller, KR Un modelo matemático para el
problema de los dos alumnos.J. Ing. Neural.2017,14, 036005, doi:10.1088/1741-2552/aa620b.
114. Couraud, M.; Cattaert, D.; Paclet, F.; Oudeyer, PY; Rugy, Ad optimiza la
coadaptación en un sistema de control mioeléctrico simplificado.
doi:10.1088/1741-2552/aa87cf.
115. Sitio web de Ottobock. Disponible en linea:https://www.ottobock.de(Consultado el 15 de septiembre de 2019).
116. Sitio web de Ingeniería Coapt. Disponible en linea:https://www.coaptengineering.com(Consultado el 15 de
septiembre de 2019).
117. Yeung, D.; Fariña, D.; Vujaklija, I. Olvido direccional para una coadaptación estable en el control mioeléctrico.
Sensores2019,19, 2203, doi:10.3390/s19092203.
118. Hahne, JM; Schweisfurth, MA; Koppe, M.; Farina, D. Control simultáneo de múltiples funciones de prótesis
de mano biónicas: rendimiento y robustez en usuarios finales. Ciencia. Robot. 2018,3,
doi:10.1126/scirobotics.aat3630.
119. Paaßen, B.; Schulz, A.; Hahne, J.; Hammer, B. Aprendizaje por transferencia de maximización de expectativas y su aplicación para
prótesis de mano biónicas.Neurocomputación2018,298, 122-133.
120. Braun, fiscal del distrito; Waldert, S.; Aertsen, A.; Wolpert, DM; Mehring, C. Aprendizaje estructural en una tarea de
asociación sensoriomotora.Más uno2010,5, 1–8, doi:10.1371/journal.pone.0008973.
121. Wheaton, LA Neurorrehabilitación en amputación de miembros superiores: comprensión de cómo los cambios neurofisiológicos
pueden afectar la rehabilitación funcional.J. Neuroeng. Rehabilitación.2017,14, 41, doi:10.1186/s12984-017-0256-8.
122. Amsuess, S.; Vujaklija, I.; Goebel, P.; Roche, AD; Graimann, B.; Aszmann, OC; Farina, D. Control de prótesis de
miembro superior dependiente del contexto para un uso natural y robusto.Traducción IEEE. Sistema neuronal.
Rehabilitación. Ing.2016,24, 744–753, doi:10.1109/TNSRE.2015.2454240.
123. Kuiken, TA; Miller, Luisiana; Turner, K.; Hargrove, LJ Una comparación del control de reconocimiento de patrones y el control
directo de una prótesis transradial de múltiples grados de libertad.IEEE J. Transl. Ing. Medicina de Salud.2016,4, 1–8.
124. Markovic, M.; Schweisfurth, MA; Engels, LF; Bentz, T.; Wüstefeld, D.; Fariña, D.; Dosen, S. La relevancia clínica de la
retroalimentación artificial avanzada en el control de una prótesis mioeléctrica multifuncional.
J. Neuroeng. Rehabilitación.2018,15, 28, doi:10.1186/s12984-018-0371-1.
125. Dargazany, AR; Abtahi, M.; Mankodiya, K. Una red neuronal de extremo a extremo (profunda) aplicada a EEG sin procesar, fNIR y
datos de movimiento corporal para tareas de fusión de datos y clasificación BCI sin ningún procesamiento previo o posterior.
arXiv2019, arXiv:1907.09523.
126. Silva, K.; Rand, S.; Cancelar, D.; Chen, Y.; Kathirithamby, R.; Stern, M. Impresión tridimensional (3-D): una
solución rentable para mejorar la accesibilidad global a las prótesis.PM&R2015,7, 1312-1314.
127. Farahani, B.; Firouzi, F.; Chang, V.; Badaroglu, M.; Constante, N.; Mankodiya, K. Hacia la eSalud de IoT impulsada por la niebla:
promesas y desafíos de IoT en medicina y atención médica.Generación del futuro. Computadora. Sistema.2018, 78, 659–676.
128. Hiremath, S.; Yang, G.; Mankodiya, K. Internet de las cosas portátil: concepto, componentes arquitectónicos y promesas para la
atención médica centrada en la persona. En actas de la Cuarta Conferencia Internacional de 2014 sobre comunicación móvil
inalámbrica y atención médica: transformación de la atención médica a través de innovaciones en tecnologías móviles e
inalámbricas (MOBIHEALTH). IEEE, Atenas, Grecia, 3 a 5 de noviembre de 2014; págs. 304–307.
129. LeMoyne, R. Conceptos futuros y avanzados para la prótesis motorizada. EnAvances para la tecnología protésica;
Springer: Tokio, Japón, 2016; págs. 127-130.
Modelo y experimentos para
J. Ing. Neural.2018,15, 026006,

130. Li, G.; Zhang, L.; Sol, Y.; Kong, J. Hacia la mano sEMG: sensores de Internet de las cosas y aplicación de retroalimentación háptica.
Multimed. Herramientas Aplica.2018, 1–18, doi:10.1007/s11042-018-6293-x.
131. Wubben, D.; Rost, P.; Bartelt, JS; Lalam, M.; Savin, V.; Gorgoglione, M.; Dekorsy, A.; Fettweis, G. Beneficios e impacto de la
computación en la nube en el procesamiento de señales 5G: centralización flexible a través de la nube-RAN.Proceso de señal
IEEE. revista2014,31, 35–44.
132. Cordella, F.; Ciancio, AL; Sacchetti, R.; Davalli, A.; Cutti, AG; Guglielmelli, E.; Zollo, L. Revisión de la literatura sobre las necesidades
de los usuarios de prótesis de miembros superiores.Frente. Neurociencias.2016,10, 209, doi:10.3389/fnins.2016.00209.
©
c 2019 por los autores. Licenciatario MDPI, Basilea, Suiza. Este artículo es un artículo de
acceso abierto distribuido bajo los términos y condiciones de la licencia Creative Commons
Attribution (CC BY) (http://creativecommons.org/licenses/by/4.0/).

Myoelectric_Control_for_Upper_Limb_Prostheses.en.es (2).pdf

Recomendados

Recomendados

Más contenido relacionado

Similar a Myoelectric_Control_for_Upper_Limb_Prostheses.en.es (2).pdf

Similar a Myoelectric_Control_for_Upper_Limb_Prostheses.en.es (2).pdf (20)

Último

Último (20)

Myoelectric_Control_for_Upper_Limb_Prostheses.en.es (2).pdf