RELATORE: Prof. Ing. Vitoantonio Bevilacqua, PhD
CORRELATORI: Prof. Ing. Antonio Frisoli, PhD – Prof. Ing. Alessandro Rizzo, PhD – Ing. Claudio Loconsole, PhD – Ing. Michele Barsotti – Ing. Edoardo Sotgiu
AUTORE: Domenico Buongiorno
Il lavoro di tesi si è incentrato sullo studio e lo sviluppo di un modello neuro-muscolo-scheletrico di arto superiore umano per il controllo di un esoscheletro mediante l’utilizzo di segnali elettromiografici di superficie (sEMG). Il lavoro è stato svolto presso il laboratorio PERCRO (TeCIP) della Scuola Superiore Sant’Anna (Pisa).
Nella prima parte del lavoro di tesi sono state analizzate la cinematica e la dinamica dell’esoscheletro per arto superiore destro L-Exos sviluppato nel laboratorio PERCRO. L-Exos è un esoscheletro progettato per la riabilitazione post-ictus, realizzato in fibra di carbonio e avente cinque di gradi di libertà (abduzione-elevazione-rotazione della spalla, flessione del gomito e prono-supinazione ) di cui quattro attuati (relativamente i gradi di libertà di spalla e di gomito). Inoltre, sono stati realizzati alcuni schemi di controllo per la valutazione della trasparenza dell’esoscheletro. Tali schemi di controllo assicurano forza nulla all’End-Effector utilizzando le informazioni di un sensore di forza tri-assiale montato all’End-Effector dell’esoscheletro.
Nella seconda parte del lavoro, dopo aver studiato l’anatomia muscolo-scheletrica dell’arto superiore umano e l’associazione tra i muscoli ed i movimenti possibili (relativamente all’arto superiore), è stata effettuata una ricerca sullo stato dell’arte del controllo di esoscheletri mediante segnali elettromiografici di superficie. Le strategie di controllo basate sui segnali elettromiografici si suddividono in due principali tipologie:
- schemi di controllo basati su segnali di tipo trigger;
- schemi di controllo basati su segnali continui.
Generalmente, le strategie di controllo che appartengo alla prima categoria si basano su tecniche di Machine Learning. Reti Neurali e Support Vector Machines possono essere utilizzati per classificare il tipo di movimento che l’utente intende svolgere (analizzando l’attività elettrica dei principali muscoli dell’arto), quindi il risultato della classificazione può essere utilizzato per movimentare l’esoscheletro. Invece, le strategie di controllo che appartengono alla seconda categoria necessitano della predizione della coppia articolare, sulla base della conoscenza dei segnali elettromiografici dei muscoli che attraversano l’articolazione. Tale predizione può essere di tipo ‘model free’ se ad esempio si basa su tecniche di machine learning o di tipo ‘model based’ se vengono utilizzati modelli del sistema neuro-muscolo-scheletrico. Nel lavoro di tesi sviluppato si è scelto di analizzare una strategia di controllo basata su segnali continui e di tipo ‘model based’. In particolare è stato implementato un modello denominato ‘Hill Type’, sviluppato dallo studioso Hill sin dal 1938 e migliorato sino ad oggi da vari gruppi di ricerca. Tale modello permette dapprima di stimare la forza ai capi dell’apparato muscolo-tendineo (conoscendo il segnale elettromiografico del muscolo considerato) e successivamente la componente di coppia generata da esso sul giunto articolare. Tale modello, oltre ai segnali elettromiografici dei muscoli modellati, necessita di alcuni parametri biometrici del sistema muscolo-scheletrico umano. In prima approssimazione, tali parametri sono stati ottenuti da un modello muscolo-scheletrico sviluppato dalla Stanford University per il software di simulazione OpenSim. Per la valutazione del modello è stato progettato un protocollo di acquisizione dati. La procedura di registrazione dati si divide in due fasi principali:
- Nella prima fase il soggetto indossa l’esoscheletro e, seguendo delle indicazioni a video, esegue contrazioni in condizioni isometriche in cinque punti differenti del workspace dell’esoscheletro. I cinque punti sono distribuiti nel piano parallelo al piano sagittale passante per l’articolazione di spalla. In questa fase vengono registrati sia la posa dell’esoscheletro sia i segnali elettromiografici di alcuni muscoli dell’arto superiore.
- Nella seconda fase avviene la registrazione dei segnali elettromiografici in condizione di Massima Volontaria Contrazione (MVC).
Setup fase sperimentale.
I muscoli modellati sono i seguenti sei:
- capo lungo del bicipite branchiale;
- capo lungo del tricipite branchiale;
- deltoide anteriore;
- deltoide posteriore;
- fascio centrale del gran pettorale;
- dorsale.
Il numero di muscoli modellato è un sottoinsieme di tutti i muscoli che compongono le articolazioni di gomito e di spalla. Per il posizionamento degli elettrodi di superficie sono state seguite le indicazioni SENIAM (Surface ElectroMyoGraphy for the Non-Invasive Assessment of Muscles).
Nella parte finale del lavoro di tesi è stato implementato il modello neuro-muscolo-scheletrico in ambiente Matlab al fine di effettuare le valutazioni circa la sua bontà. Sia per l’articolazione di gomito che per quella di spalla, la validazione del modello consiste nel confrontare due coppie:
- coppia articolare stimata con il modello ‘Hill Type’;
- coppia articolare misurata durante le contrazioni.
Il modello implementato presenta alcune problematiche di seguito elencate:
- i muscoli modellati sono un sottoinsieme dei muscoli che realmente attraversano le articolazioni di gomito e di spalla;
- i parametri del modello sono fortemente dipendenti dal soggetto e dal muscolo considerato;
- i segnali elettromiografici di superficie dipendono dalla posizione degli elettrodi e dalla condizione della cute.
Date le problematiche appena elencate, si è stato necessario implementare una procedura di ottimizzazione dei parametri del modello neuro-muscolo-scheletrico. Si è scelto di ottimizzare indipendentemente i modelli delle articolazioni di spalla e di gomito. Le due procedure di ottimizzazione sono basate su algoritmi genetici mono-obiettivo che minimizzano la differenza tra le due coppie da confrontare in tutti i cinque punti del workspace. Infine è stato sviluppato un modello Simulink in grado di stimare in real-time le coppie articolari dei giunti di gomito e di spalla (sulla base del modello ottimizzato) e di fornire tali coppie ai giunti dell’esoscheletro.
DEMO