La (co) adaptación sin supervisión mediante el aprendizaje incremental para el control mioeléctrico: motivación,...

Área de la Ciencia:

• Ingeniería biomédica
• Aprendizaje automático
• Tecnología de rehabilitación

Sus antecedentes:

• El control mioeléctrico tradicional se enfrenta a desafíos con las no estacionalidades de la señal y requiere una recalibración frecuente.
• El aprendizaje incremental presenta una solución potencial para los sistemas protésicos adaptativos al permitir actualizaciones continuas del modelo.
• Los métodos existentes luchan con las variaciones específicas del usuario y los cambios ambientales.

Objetivo del estudio:

• Proporcionar una revisión narrativa de los métodos de aprendizaje incremental para el control mioeléctrico.
• Trazar la trayectoria histórica y el potencial futuro de los sistemas protésicos adaptativos.
• Establecer un marco para evaluar la investigación actual y orientar las innovaciones futuras en el campo.

Principales métodos:

• Se presenta una taxonomía de estrategias de aprendizaje incremental, categorizando los métodos en cuatro tipos: recalibración dedicada bajo demanda, aprendizaje incremental sin supervisión, dependiente de predictores y dependiente del entorno.
• La revisión analiza la metodología, las fortalezas y las limitaciones de cada categoría.
• Se establecen tres configuraciones para el aprendizaje incremental (aprendizaje continuo incremental por dominio, tarea y clase).

Principales resultados:

• El documento clasifica las estrategias y los entornos de aprendizaje incremental, proporcionando un marco para el análisis.
• Se destacan las tendencias emergentes como el aprendizaje de transferencia, la adaptación de dominio y la regresión auto-supervisada.
• Los avances potenciales incluyen algoritmos de inspiración fisiológica, nuevos diseños de efectores finales y coadaptación entre humanos y dispositivos.

Conclusiones:

• El aprendizaje incremental ofrece un cambio de paradigma para el control mioeléctrico, permitiendo la adaptación continua y abordando las limitaciones de los métodos tradicionales.
• Los desafíos abiertos incluyen distinguir los cambios de señal, equilibrar la complejidad del modelo y administrar la adaptación del modelo del usuario.
• Estas ideas son cruciales para desarrollar sistemas mioeléctricos de próxima generación que sean robustos, intuitivos y adaptables.