Development and validation of a high-capacity functional eletrical stimulation system and of a reinforcement learning algorithm applied to the FES-assisted cycling modality for a participant with paraplegia

Abstract

A lesão traumática da medula espinhal (LME) pode resultar em paralisia completa ou incompleta de todas as funções motoras e sensoriais abaixo do nível da lesão. A atividade física e a mobilidade reduzidas podem causar alterações nas funções metabólicas e na composição corporal. Para minimizar as consequências da inatividade, a Estimulação Elétrica Funcional (Functional Electrical Stimulation, FES) pode beneficiar esses indivíduos em programas de reabilitação ou como tecnologia assistiva, onde as contrações musculares evocadas eletricamente são utilizadas para realizar atividades funcionais. Por exemplo, o ciclismo assistido por FES (FES-cycling) permite que indivíduos com LME com pouco ou nenhum movimento voluntário das pernas pedalem um cicloergômetro ou um triciclo reclinado. Embora os benefícios desta tecnologia sejam bem conhecidos, esse recurso pode ser inacessível principalmente em países emergentes como o Brasil. Nesse sentido, seria vantajoso para nossa comunidade ter acesso a toda uma plataforma FES de código aberto que pudesse ser explorada em diferentes contextos de atividades funcionais. Este trabalho aborda o desenvolvimento de um dispositivo de estimulação elétrica de alta potência de código aberto e todos os aspectos necessários para a implementação de um sistema de FES-cycling para sujeitos com LME. O dispositivo possui uma topologia de corrente constante capaz de criar pulsos bifásicos com amplitude, largura e frequência de até 150mA, 1000μs e 100Hz, respectivamente. Um aplicativo celular foi desenvolvido para definir e modificar os parâmetros de estimulação de até oito canais diferentes. A maior contribuição deste trabalho, entretanto, é a introdução de um novo algoritmo de controle com Aprendizado por Reforço (Reinforcement Learning, RL) para a adaptação em tempo real dos padrões de estimulação empregados nas sessões de FES-cycling. O algoritmo implementado apresenta uma estratégia decayed-epsilon-greedy para ajustar a carga elétrica injetada necessária para evocar contrações musculares. Para rastrear e controlar a cadência de pedalada predefinida, um controlador Proportional-Integral (PI) foi usado em paralelo para modular a amplitude de corrente dos canais de estimulação. O desempenho do controlador global foi avaliado sob diferentes configurações do algoritmo RL e explorado em diferentes cenários de pedalagem. Sessões de FES-cycling estacionárias e não estacionárias foram realizadas por um voluntário com paraplegia completa (ASIA Impairment Scale (AIS) A, T8) que foi capaz de pedalar por distâncias superiores a 4,5km. Os resultados evidenciaram que o algoritmo foi capaz de aprender e modificar o padrão de estimulação de acordo com a política pré-definida ao mesmo tempo em que rastreou as cadências de pedaladas configuradas. Por fim, este trabalho avaliou os efeitos de diferentes treinamentos de ciclismo assistido na Densidade Mineral Óssea (DMO) e na composição corporal durante um período de 2 anos. Embora tenha sido observado um aumento de 9,8% na massa magra das pernas ao final do protocolo, o resultado não refletiu as mudanças encontradas ao longo do programa, pois diferentes protocolos de treinamento foram acompanhados de resultados diferentes. Esses achados apoiam a ideia de que o ciclismo assistido por FES pode ajudar os indivíduos com LME a recuperar a massa magra e reduzir a massa gorda quando associado a programas adequados de treinamento nutrição. Alterações positivas na DMO foram encontradas na região lombar. Entretanto, uma diminuição significativa foi observada na região de interesse do fêmur, sugerindo cautela em afirmar que a modalidade melhora a saúde óssea nos membros inferiores em indivíduos com LME.