Abstract

Introduction

Les prothèses pour personnes amputées ont bénéficié de progrès notables grâce aux avancées en interface neuronale, bio-ingénierie et intelligence artificielle. Pourtant, les neuroprothèses, notamment celles en lien avec le système nerveux périphérique, rencontrent encore de grands défis. Les prothèses myoélectriques, les plus courantes pour les membres supérieurs, offrent souvent un contrôle moteur limité, sans retour somatosensoriel, ainsi que des sensations persistantes de membre fantôme pour l’utilisateur [1], contribuant à des taux d’abandon jusqu’à 50 % [2]. Bien que les utilisateurs compensent en partie via le retour visuel ou les sensations du membre résiduel [3,4], ces stratégies ne reproduisent ni la richesse ni le réalisme du retour sensoriel naturel. Les recherches actuelles explorent des techniques avancées de machine learning pour mieux décoder l’activité musculaire [5,6] et restituer des sensations comme la température, afin de favoriser l’appropriation de la prothèse et réduire les douleurs fantômes [7,8,9]. Cependant, la majorité de ces solutions reposent sur des dispositifs encombrants et des traitements de signal lourds, freinant leur intégration dans des systèmes portables du quotidien. D’où la nécessité de développer des dispositifs compacts et sobres en énergie, capables d’assurer un contrôle intuitif et un retour sensoriel réaliste.

Nos travaux au sein de l’ICELab (Université d’Aarhus) visent à développer des systèmes neuromorphiques portables, à faible consommation énergétique, capables de traiter les signaux neuronaux en temps réel. Nous nous concentrons sur une nouvelle génération d'interfaces neuronales, combinant des architectures inspirées du cerveau à des techniques avancées d’interface neuronale. Ces systèmes reposent sur des Spiking Neural Networks (SNNs), des réseaux de neurones qui traitent l’information sous forme d’événements discrets ou « spikes », à l’image de la communication neuronale biologique. En ajustant les paramètres de ces neurones artificiels pour des tâches spécifiques, les SNNs permettent une classification et un traitement en temps réel avec une consommation énergétique nettement inférieure aux approches conventionnelles [10,11]. Cette approche ouvre la voie à des processeurs neuronaux multi-modaux, compacts et embarqués, capables d’offrir un contrôle sensori-moteur plus intuitif et réactif, améliorant ainsi l’expérience utilisateur et réduisant les taux d’abandon des dispositifs neuroprothétiques.

Mots Clés

Neuroprothèse, neuromorphique, spiking neural network, contrôle moteur, retour sensoriel, amputation du membre supérieur

Corps du résumé / Matériels et méthodes

Dans cette présentation, nous explorerons trois axes principaux par lesquels le calcul neuromorphique peut contribuer à la fermeture de la boucle de contrôle bidirectionnel des prothèses.

Tout d’abord, dans le cadre du contrôle moteur, nous examinerons différentes stratégies d’encodage de l’activité musculaire, allant des techniques classiques de traitement du signal aux approches bio-inspirées, et nous montrerons comment les Spiking Neural Networks peuvent décoder ces signaux afin de permettre un contrôle précis des prothèses.

Ensuite, concernant le retour sensoriel, nous présenterons un travail collaboratif en cours avec l’équipe du Prof. Zhenan Bao de l’Université de Stanford. Ce projet repose sur le traitement d’informations de force recueillies par une peau électronique (e-skin), composée d’une grille de capteurs capacitifs. Ces données sont encodées sous forme de potentiels d’action (spikes), qui sont soit décodées pour de la classification de type de prise (grasp type) et d’objets, soit utilisées pour restituer un retour somatosensoriel biomimétique.

Enfin, nous mettrons en avant nos avancées en matière de matériel neuromorphique en présentant les puces électroniques conçues par notre équipe, et discuterons de leur intégration future dans des systèmes portables, à faible consommation, pour le traitement en temps réel dans des interfaces prothétiques bidirectionnelles.

Résultats

Nous présenterons les résultats issus de nos expérimentations en cours sur la boucle de contrôle, notamment la régression des mouvements articulaires des doigts à partir de signaux électromyographiques (EMG), en passant par l’optimisation des paramètres des SNNs. Nous aborderons également les premiers résultats obtenus avec la peau électronique développée par l’Université de Stanford.

Conclusion

En résumé, l’utilisation de systèmes neuromorphiques représente une voie prometteuse pour le développement de neuroprothèses plus efficaces, intuitifs et économes en énergie. En améliorant la boucle de contrôle sensori-moteur et en permettant la mise en œuvre de solutions portables à faible consommation, cette approche pourrait non seulement renforcer les performances fonctionnelles des prothèses myoélectriques, mais aussi favoriser leur acceptation par les utilisateurs, contribuant ainsi à une meilleure qualité de vie pour les personnes amputées du membre supérieur.

Bibliographie / Références

[1]Crawford, Cassandra. S. Body Image, Prostheses, Phantom Limbs. Body & Society, vol. 21, no. 2, Mar. 2014

[2]Biddiss, Elaine A., and Tom T. Chau. Upper Limb Prosthesis Use and Abandonment: A Survey of the Last 25 Years. Prosthetics and orthotics international, vol. 31, no. 3, Sept 2007

[3]Zhuang, Katie Z., et al. Shared human–robot proportional control of a dexterous myoelectric prosthesis. Nature Machine Intelligence, vol 1, no. 9, Sept 2019

[4]Giummarra, Melita J., et al. Corporeal awareness and proprioceptive sense of the phantom. British journal of psychology, vol 101, no. 4, Nov. 2010

[5]Mendez, Vincent, et al. "Deep Learning with Convolutional Neural Network for Proportional Control of Finger Movements from surface EMG Recordings," 2021 10th International IEEE/EMBS Conference on Neural Engineering (NER), Italy, 2021

[6]Kalbasi, Mohammad et al. A Hardware-Efficient EMG Decoder with an Attractor-based Neural Network for Next-Generation Hand Prostheses. ArXiv (Cornell University), Cornell University, May 2024

[7]Iberite, Francesco et al. Restoration of natural thermal sensation in upper-limb amputees. Science, vol. 380, no. 6646, American Association for the Advancement of Science, May 2023

[8]Buist, Mirka et al. Development and Validation of a Wearable Device to Provide Rich Somatosensory Stimulation for Rehabilitation After Sensorimotor Impairment. IEEE Transactions on Biomedical Circuits and Systems, vol. 17, no. 3, Institute of Electrical and Electronics Engineers, June 2023

[9]Rognini, Giulio et al. Multisensory bionic limb to achieve prosthesis embodiment and reduce distorted phantom limb perceptions. Journal of Neurology, Neurosurgery, and Psychiatry, vol. 90, no. 7, Aug. 2018

[10]Baracat, Farah et al. Decoding Gestures from Intraneural Recordings of a Transradial Amputee using Event-Based Processing. TechRxiv, Sept. 2024.

[11]Zanghieri, Marcello et al. Event-Based Estimation of Hand Forces From High-Density Surface EMG on a Parallel Ultralow-Power Microcontroller. IEEE Sensors Journal, IEEE Sensors Council, Jan. 2024