Controle de força de uma prótese mioelétrica de mão com realimentação sensorial

Hand myoelectric prostheses that use sensory feedback can provide improvement in fragile objects manipulation and in user’s acceptance. The force sensory feedback can be done in many ways. The goal of this study was to develop a force control system for a myoelectric hand prosthesis with visual feedback and by sinusoidal electric stimulation of tactile fibers. Surface Electromyographic (sEMG) signals were recorded in healthy participants, performing sustained contractions of hand grasp, in different force levels. Those signals were used in the implementation of a force estimator considering two methods. A proportional control with derivative feedback was also implemented for the prosthesis. The interface with the electrical stimulator was developed for the force feedback. The force estimator with best performance was the one based in an artificial neural network for function approximation. The closed-loop control system used only the visual feedback, once the sinusoidal current feedback generated interference in the sEMG signals. The force control system was tested by 5 healthy participants and obtained Correlation Coefficient of 89,9% in the online force estimation with control’s success rate of 67,66%. Thus, both the force estimator as the control of the prosthesis have shown to be promisingPróteses mioelétricas de mão que usam realimentação sensorial podem proporcionar melhora na manipulação de objetos frágeis e na sua aceitação pelo usuário. A realimentação sensorial de força pode ser feita de diversas formas. O objetivo deste trabalho foi desenvolver um sistema de controle de força para uma prótese mioelétrica de mão com realimentação visual e por estimulação elétrica senoidal das fibras de tato. Foram registrados sinais de Eletromiografia de superfície (sEMG) em participantes sadios, realizando contrações sustentadas de preensão da mão, em diferentes níveis de força. Os quais foram utilizados na implementação de um estimador de força considerando dois métodos. Também se implementou um controlador proporcional de força com retorno derivativo para a prótese. Desenvolveu-se a interface com o estimulador elétrico para realimentação de força. O estimador de força com melhor desempenho foi o baseado em uma rede neural artificial para aproximação de função. O sistema de controle de malha fechada utilizou apenas a realimentação visual, uma vez que a realimentação com corrente senoidal gerou interferências nos sinais de sEMG. O sistema de controle de força foi testado por 5 participantes sadios e obteve coeficiente de correlação de 89,9% na estimação de força online com taxa de acertos do controle de 67,66%. Dessa forma, tanto o estimador de força quanto o controle da prótese se mostraram promissores