Joint Action is a Framework for Understanding Partnerships Between Humans and Upper Limb Prostheses

A continuación se presenta un resumen técnico detallado del artículo "La acción conjunta es un marco para comprender las asociaciones entre humanos y prótesis de miembro superior".

1. Planteamiento del Problema

Los avances recientes en la prótesis de miembro superior han aumentado significativamente el número de grados de libertad (DoF) disponibles en las extremidades robóticas. Sin embargo, controlar estos sistemas complejos utilizando el número limitado de entradas de control disponibles desde el miembro residual del usuario sigue siendo un desafío mayor.

• La Limitación de los Modelos Actuales: Los modelos tradicionales de interfaz humano-máquina (HMI) consideran la prótesis como una herramienta fija controlada por un humano. A medida que los controladores de aprendizaje automático (ML) se vuelven más autónomos y adaptables, este paradigma de "uso de herramientas" falla al capturar la naturaleza compleja y co-adaptativa de la interacción.
• La Brecha: Existe una falta de un marco teórico para comprender cómo los controladores avanzados (reconocimiento de patrones, aprendizaje continuo) interactúan con los usuarios como socios colaborativos en lugar de meras herramientas simples.

2. Metodología

Los autores proponen aplicar el marco de la Acción Conjunta, un concepto de las ciencias sociales y la psicología cognitiva utilizado típicamente para describir cómo dos humanos se coordinan para lograr un objetivo compartido, a la Interacción Humano-Prótesis (HPI).

Marco Teórico:
Basándose en la arquitectura de Vesper et al. (2010), los autores definen cuatro "sellos distintivos" requeridos para que un sistema sea considerado una asociación de acción conjunta:

1. Representaciones: Los socios deben representar internamente sus propias tareas, el objetivo compartido y, potencialmente, la tarea del socio.
2. Monitoreo: Los socios deben monitorear sus propias acciones, las acciones del socio y el progreso hacia los objetivos.
3. Predicción: Los socios deben predecir sus propias acciones, las acciones del socio o los resultados de las acciones.
4. Suavizadores de Coordinación: Mecanismos (más allá de los anteriores) que mejoran la coordinación, como hacer las acciones más predecibles, enviar señales de coordinación o adaptar continuamente las predicciones.

Análisis Comparativo:
Los autores evaluaron tres clases distintas de controladores mioeléctricos frente a estos sellos distintivos:

1. EMG Proporcional con Conmutación Secuencial: Un enfoque convencional, no basado en ML, donde la intensidad de la señal EMG se mapea a la velocidad y la co-contracción conmuta entre las articulaciones.
2. Reconocimiento de Patrones (ML por Lotes/Offline): Un clasificador que predice la intención de movimiento basándose en características EMG, entrenado mediante sesiones episódicas (por lotes).
3. Conmutación Adaptativa (ML Continuo/Online): Un enfoque de aprendizaje por refuerzo que utiliza Funciones de Valor General (GVF) para reordenar dinámicamente la lista de conmutación basándose en la retroalimentación en tiempo real y los patrones de uso.

3. Contribuciones Clave

• Cambio Conceptual: El artículo reencuadra la relación humano-prótesis de "humano controlando una herramienta" a "dos agentes (humano y máquina) colaborando en una tarea compartida".
• Evaluación Sistemática: Proporciona el primer análisis estructurado de los controladores mioeléctricos existentes utilizando los criterios específicos del marco de Acción Conjunta.
• Identificación de Déficits: El análisis revela que, mientras que los socios humanos exhiben todos los sellos distintivos de la acción conjunta, los controladores de máquina actuales (incluso los de ML avanzados) carecen de componentes críticos, específicamente en lo que respecta a la representación de objetivos compartidos y la adaptación continua de predicciones.
• Hoja de Ruta para la Mejora: El artículo describe vías técnicas específicas para transformar los controladores actuales en verdaderos socios de acción conjunta.

4. Resultados y Análisis

Los autores categorizaron los controladores basándose en la presencia (✓), la presencia potencial (?) o la ausencia (✗) de los sellos distintivos de la acción conjunta (resumidos en la Tabla 1 del artículo):

• EMG Proporcional:
  • Veredicto: No constituye acción conjunta.
  • Fundamentación: Carece de representaciones internas de tareas/objetivos y no puede predecir las acciones del socio. Funciona estrictamente como una herramienta de mapeo directo.
• Reconocimiento de Patrones:
  • Veredicto: Acción conjunta parcial.
  • Fortalezas: Predice la intención de movimiento humano; utiliza señales de coordinación (botones de reentrenamiento) durante el entrenamiento.
  • Debilidades: Carece de adaptación continua (el entrenamiento es por lotes/episódico); probablemente carece de una representación de objetivos compartidos complejos (por ejemplo, "agarrar un objeto" frente a simplemente "moverse a la posición X").
• Conmutación Adaptativa:
  • Veredicto: El candidato más fuerte para la acción conjunta, pero aún incompleto.
  • Fortalezas: Adapta continuamente las predicciones en tiempo real; monitorea la retroalimentación conjunta para inferir la intención del usuario; utiliza señales de coordinación (congelar la lista durante la conmutación).
  • Debilidades: Aún carece de una representación robusta de objetivos compartidos de alto nivel (por ejemplo, manipulación ambiental compleja) y no predice explícitamente sus propias acciones de una manera que facilite la asociación.

Hallazgo Clave: Ningún controlador actual satisface plenamente la definición de acción conjunta. El "socio máquina" generalmente falla en representar el objetivo compartido o la tarea del socio humano, lo que limita la profundidad de la colaboración.

5. Significado y Recomendaciones

El artículo argumenta que adoptar el marco de Acción Conjunta es esencial para la próxima generación de neuroprótesis. Los autores proponen dos vías principales para la mejora:

1. Mejora de las Representaciones y la Retroalimentación:

   • Mejorar los modelos internos tanto del humano como de la máquina.
   • Implementar bucles de retroalimentación ricos (auditivos, visuales, cutáneos) desde la máquina hacia el humano respecto a los estados de control y el progreso de la tarea. Esto ayuda al humano a construir un modelo interno más fuerte del dispositivo.
   • Desarrollar mecanismos para que la máquina comprenda el contexto de la tarea del humano, no solo la señal cruda.

2. Fortalecimiento de la Predicción y la Coordinación:

   • Conmutación Autónoma: Ir más allá de la conmutación reactiva hacia la predicción proactiva (por ejemplo, predecir cuándo un usuario quiere cambiar de modo, no solo qué quiere).
   • Conciencia Contextual: Integrar sensores adicionales (más allá del EMG) para proporcionar al clasificador contexto sobre el entorno y el estado del usuario, mejorando la precisión de la predicción.
   • Adaptación Continua: Asegurar que el aprendizaje ocurra continuamente durante el uso diario, no solo en entornos clínicos.

Conclusión:
Al tratar la prótesis como un agente colaborativo en lugar de una herramienta, los investigadores pueden diseñar sistemas que faciliten mejor la co-adaptación. Este enfoque promete reducir la frustración del usuario, disminuir la carga cognitiva y mejorar la integración funcional de las extremidades robóticas avanzadas en la vida diaria. El artículo hace un llamado a realizar más investigaciones sobre cómo los principios de la acción conjunta pueden ser incorporados en futuras tecnologías de asistencia.