Maximizing Task Endurance through Muscle Fatigue Minimization with Consideration of Muscle Fatigability and Task Contribution: an in-Silico FES Study of Handcycling

Technische Zusammenfassung: Maximierung der Aufgabenausdauer durch Minimierung der Muskelermüdung bei FES-gesteuertem Handcycling

Problemstellung
Die funktionelle Elektrostimulation (FES) ist eine Rehabilitationsmethode zur Wiederherstellung der motorischen Funktion nach neuromuskuloskelettalen Erkrankungen. Ihre klinische Nützlichkeit wird jedoch erheblich durch den vorzeitigen Eintritt peripherer Muskelermüdung behindert. Im Gegensatz zur natürlichen Rekrutierung, die bei Ausdaueraufgaben bevorzugt langsam zuckende Fasern aktiviert, aktiviert FES synchron motorische Einheiten unter den Elektroden mit begrenzter Fasertyp-Selektivität, was zu schneller Ermüdung führt. Während verschiedene Strategien existieren, um die Ermüdung auf Muskelebene zu mildern (z. B. Modulation von Frequenz oder Pulsbreite), versäumen sie oft, die mechanische Redundanz des neuromuskulären Systems zu berücksichtigen. Aktuelle optimale Steuerungsverfahren für FES behandeln Ermüdung häufig als Störung statt als einen zu minimierenden Zustand, und bestehende Kostenfunktionen (typischerweise zur Minimierung der elektrischen Ladung oder Pulsbreite) wurden nicht rigoros hinsichtlich ihrer Fähigkeit verglichen, die Aufgabendauer zu verlängern. Diese Studie adressiert die Lücke bei der Identifizierung von Kostenfunktionen und Gewichtungsstrategien, welche die Ausdauer in einem redundanten oberen Gliedmaßen-System maximieren.

Methodik
Die Studie verwendete einen in-silico-Ansatz unter Verwendung eines 2-Freiheitsgrad-, 4-Muskel-Muskuloskelettalmodells des rechten oberen Arms (vordere/hintere Deltoiden, Bizeps, Trizeps), das für eine Handradsport-Aufgabe bei 60 RPM angepasst wurde. Die Systemdynamik kombinierte ein muskuloskelettales Modell mit den Ding et al. (2003, 2007) phänomenologischen FES-Pulsbreiten- und Ermüdungsmodellen.

Der Kern der Methodik bestand in einem Receding Horizon Optimal Control (RHOC)-Schema. Aufgrund der rechnerischen Unmöglichkeit, eine einzelne 20-minütige Optimierung zu lösen, wurde das Problem in Fenster von 2 bis 5 Kurbelzyklen unterteilt. Die Studie verlief in drei distinkten Phasen:

1. Vergleich von Kostenfunktionen: Siebzehn Kostenfunktionen wurden evaluiert, wobei vier normierte Archetypen (Mittelwert, quadratisch, kubisch, Unendlich) mit fünf physiologischen/Stimulationsvariablen (Pulsbreite, Muskelforce, Stress, Leistung und Ermüdungszustand $a'$) komb combinations wurden. Diese wurden gegen ein standardmäßiges, klinisch-ähnliches Stimulationsmuster verglichen.
2. Bayessche Optimierung: Ein Bayesscher Optimierungsansatz wurde als Outer-Loop-Black-Box-Methode verwendet, um muskelspezifische Gewichte innerhalb einer quadratischen Ermüdungskostenfunktion abzustimmen. Ziel war es, die Anzahl der abgeschlossenen Zyklen vor dem Aufgabenversagen zu maximieren, indem der Suchraum der Gewichte für die vier Muskeln exploriert wurde.
3. Ableitung physiologischer Gewichte: Um die hohen Rechenkosten der Bayesschen Optimierung (135 Stunden) zu adressieren, wurde eine originelle, interpretierbare Methode vorgeschlagen. Diese Methode berechnete Muskelgewichte basierend auf zwei Metriken: der Muskelermüdbarkeit (Rate des Kraftabfalls unter hoher Belastung) und der mechanischen Kritikalität (einzigartiger Drehmomentbeitrag und Unterstützung vor negativen Drehmomentzonen).

Wesentliche Beiträge

• Systematischer Vergleich von Kostenfunktionen: Die Studie liefert eine umfassende Evaluierung von 17 Kostenfunktionsvariationen und zeigt auf, dass die Wahl der Zielvariable einen signifikant größeren Einfluss auf die Ausdauer hat als der mathematische Norm-Archetyp.
• Gewichtete Optimierungsstrategie: Sie führt einen Rahmen zur Integration muskelspezifischer Gewichte in die FES-Optimale Steuerung ein, der über uniforme Kostenfunktionen hinausgeht, um physiologische Unterschiede (Ermüdbarkeit) und mechanische Rollen zu berücksichtigen.
• Interpretierbare Gewichtungsheuristik: Das Paper schlägt eine schnelle (< 1 Sekunde) Berechnungsmethode für Muskelgewichte vor, die auf Ermüdbarkeit und mechanischer Kritikalität basiert, und bietet eine praktische Alternative zur rechenintensiven Bayesschen Optimierung bei vergleichbarer Leistung.
• Identifizierung von Versagensmechanismen: Die Studie identifiziert, dass das Versagen der Aufgabe beim Handcycling nicht allein durch globale Ermüdung verursacht wird, sondern dadurch, dass spezifische Muskeln (insbesondere der vordere Deltoid und der Bizeps) die Sättigung erreichen, was die Notwendigkeit einer adaptiven Umverteilung der Anstrengung unterstreicht.

Ergebnisse

• Leistung der Kostenfunktionen: Die Ermüdungsminimierungskostenfunktion ($\phi_{a'}^2$) lieferte das beste Ausdauerergebnis und erreichte 74,7 % mehr Zyklen als die Standard-Pulsbreitenminimierung ($\phi_{pw}^1$) und 42,9 % mehr als die Muskelstressminimierung. Die optimierte Variable (Ermüdung) erklärte 49,8 % der Varianz in der Ausdauer, während der Norm-Archetyp 20,4 % ausmachte.
• Bayessche Optimierung: Die Optimierung muskelspezifischer Gewichte via Bayesscher Methoden steigerte die Ausdauer um zusätzliche 40,6 % (Erreichen von 1.729 Zyklen) im Vergleich zur ungewichteten Ermüdungsminimierung. Diese Strategie konnte die Anstrengung erfolgreich in Richtung des ermüdungsresistenteren Trizeps umverteilen und weg vom schnell ermüdenden vorderen Deltoid lenken. Dieser Ansatz erforderte jedoch 135 Stunden Rechenzeit, was die unmittelbare klinische Anwendbarkeit einschränkt.
• Physiologische Gewichtung: Die vorgeschlagene Heuristik-Methode, die die Muskelermüdbarkeit und die mechanische Kritikalität einbezog, erzielte eine Steigerung der Ausdauer um 37,6 % (1.692 Zyklen) im Vergleich zum ungewichteten Baseline-Modell. Dieses Ergebnis war nahezu identisch mit dem Bayesschen optimierten Ergebnis, wurde jedoch in weniger als einer Sekunde berechnet.
• Stimulationsmuster: Optimierte Strategien wechselten von einer uniformen Verteilung zu adaptiven Mustern. Beispielsweise förderte die Ermüdungsminimierung kurze Stimulationsbursts mit längeren Pulsbreiten, während die Pulsbreitenminimierung eine niedrige, verteilte Kontrolle bevorzugte. Die gewichteten Strategien balancierten den Fortschritt der Ermüdung und verzögerten den Punkt, an dem kritische Muskeln (vorderer Deltoid, Bizeps) 50 % ihrer Kraftkapazität erreichten.

Bedeutung
Das Paper argumentiert, dass die Maximierung der Ausdauer in der FES-Rehabilitation über die einfache Ladungsminimierung hinausgehen muss. Die primäre Bedeutung liegt in der Demonstration, dass die Berücksichtigung der multifaktoriellen Natur der Ausdauer – insbesondere das Zusammenspiel zwischen muskelspezifischer Ermüdbarkeit und mechanischer Kritikalität – essenziell ist, um die FES-gesteuerte Aktivität zu verlängern.

Die Studie kommt zu dem Schluss, dass die Minimierung der Ermüdungszustandsvariable die effektivste Kostenfunktions-Archetypus ist, ihre Leistung jedoch stark von der Art und Weise abhängt, wie der Regler die Anstrengung unter redundanten Muskeln verteilt. Die vorgeschlagene Gewichtungsmethode bietet eine praktische, interpretierbare und recheneffiziente Lösung, um Stimulationsstrategien zu personalisieren, ohne die prohibitiven Kosten iterativer Optimierung. Durch die Vermeidung der vorzeitigen Erschöpfung mechanisch kritischer oder hochgradig ermüdbare Muskeln unterstützen diese Strategien das Potenzial für längere, effektivere Rehabilitationssitzungen und adressieren damit eine zentrale Barriere für die klinische Einführung von FES.