ترجمه فارسی مقاله Miogestic: چارچوب رابط EMG برای رمزگشایی چندین درجه صرفه جویی در آزادی دست در افراد دارای ضایعات عصبی

چکیده

Restoring limb motor function in individuals with spinal cord injury (SCI), stroke, or amputation remains a critical challenge, one which affects millions worldwide. Recent studies show through surface electromyography (EMG) that spared motor neurons can still be voluntarily controlled, even without visible limb movement . These signals can be decoded and used for motor intent estimation; however, current wearable solutions lack the necessary hardware and software for intuitive interfacing of the spared degrees of freedom after neural injuries. To address these limitations, we developed a wireless, high-density EMG bracelet, coupled with a novel software framework, MyoGestic. Our system allows rapid and tailored adaptability of machine learning models to the needs of the users, facilitating real-time decoding of multiple spared distinctive degrees of freedom. In our study, we successfully decoded the motor intent from two participants with SCI, two with spinal stroke , and three amputees in real-time, achieving several controllable degrees of freedom within minutes after wearing the EMG bracelet. We provide a proof-of-concept that these decoded signals can be used to control a digitally rendered hand, a wearable orthosis, a prosthesis, or a 2D cursor. Our framework promotes a participant-centered approach, allowing immediate feedback integration, thus enhancing the iterative development of myocontrol algorithms. The proposed open-source software framework, MyoGestic, allows researchers and patients to focus on the augmentation and training of the spared degrees of freedom after neural lesions, thus potentially bridging the gap between research and clinical application and advancing the development of intuitive EMG interfaces for diverse neural lesions.

چکیده به فارسی (ترجمه ماشینی)

بازگرداندن عملکرد حرکتی اندام در افراد مبتلا به آسیب نخاعی (SCI) ، سکته مغزی یا قطع عضو همچنان یک چالش مهم است ، که میلیون ها نفر در سراسر جهان تأثیر می گذارد.مطالعات اخیر از طریق الکترومیوگرافی سطح (EMG) نشان می دهد که نورونهای حرکتی نجات یافته هنوز هم می توانند به طور داوطلبانه کنترل شوند ، حتی بدون حرکت اندام قابل مشاهده.این سیگنال ها را می توان رمزگشایی و برای تخمین قصد حرکتی استفاده کرد.با این حال ، راه حل های پوشیدنی فعلی فاقد سخت افزار و نرم افزار لازم برای واسط بصری درجات کمبود آزادی پس از صدمات عصبی است.برای پرداختن به این محدودیت ها ، ما یک دستبند EMG با چگالی بالا و با چگالی بالا ، همراه با یک چارچوب نرم افزاری جدید ، Myogestic ایجاد کردیم.سیستم ما اجازه می دهد تا سازگاری سریع و متناسب از مدل های یادگیری ماشین با نیازهای کاربران ، رمزگشایی در زمان واقعی درجات متمایز از آزادی را تسهیل کند.در مطالعه ما ، ما با موفقیت قصد حرکتی را از دو شرکت کننده با SCI ، دو نفر با سکته مغزی ستون فقرات و سه آمپوت در زمان واقعی رمزگشایی کردیم و در عرض چند دقیقه پس از پوشیدن دستبند EMG به چندین درجه قابل کنترل آزادی رسیدیم.ما اثبات مفهوم را ارائه می دهیم که از این سیگنال های رمزگشایی شده می توان برای کنترل یک دست دیجیتالی ، یک ارتز پوشیدنی ، پروتز یا یک مکان نما 2D استفاده کرد.چارچوب ما یک رویکرد محور شرکت کننده را ارتقا می بخشد و امکان ادغام بازخورد فوری را فراهم می کند ، بنابراین توسعه تکراری الگوریتم های میوکنترل را تقویت می کند.چارچوب نرم افزاری منبع باز ، Myogestic ، به محققان و بیماران این امکان را می دهد تا پس از ضایعات عصبی ، بر افزایش و آموزش درجات کمبود آزادی تمرکز کنند ، بنابراین به طور بالقوه شکاف بین تحقیق و کاربرد بالینی و پیشبرد توسعه رابط های بصری EMG را ایجاد می کنند.ضایعات عصبی متنوع.