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

Resumen Técnico: Maximización de la Resistencia de la Tarea mediante la Minimización de la Fatiga Muscular en el Ciclismo de Mano impulsado por FES

Planteamiento del Problema
La Estimulación Eléctrica Funcional (FES) es una técnica de rehabilitación utilizada para restaurar la función motora tras trastornos neuromusculoesqueléticos. Sin embargo, su utilidad clínica se ve significativamente obstaculizada por la aparición prematura de la fatiga muscular periférica. A diferencia del reclutamiento natural, que activa preferentemente las fibras de contracción lenta durante tareas de resistencia, la FES activa sincrónicamente las unidades motoras bajo los electrodos con una selectividad de tipo de fibra limitada, lo que conduce a una fatiga rápida. Aunque existen diversas estrategias para mitigar la fatiga a nivel muscular (por ejemplo, modulando la frecuencia o el ancho de pulso), estas suelen fallar al no tener en cuenta la redundancia mecánica del sistema musculoesquelético. Los métodos actuales de control óptimo para FES frecuentemente tratan la fatiga como una perturbación en lugar de un estado a ser minimizado, y las funciones de costo existentes (típicamente la minimización de la carga eléctrica o el ancho de pulso) no han sido comparadas rigurosamente por su capacidad para prolongar la duración de la tarea. Este estudio aborda la brecha en la identificación de funciones de costo y estrategias de ponderación que maximicen la resistencia de la tarea en un sistema de extremidad superior redundante.

Metodología
El estudio empleó un enfoque in-silico utilizando un modelo musculoesquelético de 2 grados de libertad y 4 músculos del miembro superior derecho (deltoides anterior/posterior, bíceps, tríceps) adaptado para una tarea de ciclismo de mano a 60 RPM. La dinámica del sistema combinó un modelo musculoesquelético con los modelos fenomenológicos de ancho de pulso y fatiga de Ding et al. (2003, 2007).

El núcleo de la metodología consistió en un esquema de Control Óptimo de Horizonte Recedente (RHOC). Debido a la intratabilidad computacional de resolver una optimización única de 20 minutos, el problema se dividió en ventanas de 2 a 5 ciclos de pedaleo. El estudio procedió en tres fases distintas:

1. Comparación de Funciones de Costo: Se evaluaron diecisiete funciones de costo, combinando cuatro arquetipos normados (promedio, cuadrático, cúbico, infinito) con cinco variables fisiológicas/de estimulación (ancho de pulso, fuerza muscular, estrés, potencia y estado de fatiga $a'$). Estas se compararon con un patrón de estimulación estándar de tipo clínico.
2. Optimización Bayesiana: Se utilizó un enfoque de optimización bayesiana como un método de bucle externo de caja negra para ajustar los pesos específicos de cada músculo dentro de una función de costo de fatiga cuadrática. Esto tuvo como objetivo maximizar el número de ciclos completados antes del fallo de la tarea, explorando un espacio de búsqueda de pesos para los cuatro músculos.
3. Derivación de Pesos Fisiológicos: Para abordar el alto costo computacional de la optimización bayesiana (135 horas), se propuso un método original e interpretable. Este método calculó los pesos musculares basándose en dos métricas: la fatigabilidad muscular (tasa de declive de la fuerza bajo alta demanda) y la criticidad mecánica (contribución de torque único y soporte antes de las zonas de torque negativo).

Contribuciones Clave

• Comparación Sistemática de Funciones de Costo: El estudio proporciona una evaluación exhaustiva de 1-17 variaciones de funciones de costo, demostrando que la elección de la variable objetivo tiene un impacto significativamente mayor en la resistencia que el arquetipo de la norma matemática.
• Estrategia de Optimización Ponderada: Introduce un marco para incorporar pesos específicos de cada músculo en el control óptimo de FES, yendo más allá de las funciones de costo uniformes para considerar las diferencias fisiológicas (fatigabilidad) y los roles mecánicos.
• Heurística de Ponderación Interpretable: El documento propone un método de cálculo rápido (<1 segundo) para los pesos musculares basado en la fatigabilidad y la criticidad mecánica, ofreciendo una alternativa práctica a la costosa optimización iterativa de la optimización bayesiana, logrando un rendimiento comparable.
• Identificación de Mecanismos de Fallo: El estudio identifica que el fallo de la tarea en el ciclismo de mano no se debe únicamente a la fatiga global, sino que es impulsado por músculos específicos (notablemente el deltoides anterior y el bíceps) que alcanzan la saturación, lo que resalta la necesidad de una redistribución adaptativa del esfuerzo.

Resultados

• Desempeño de la Función de Costo: La función de costo de minimización de la fatiga ($\phi_{a'}^2$) produjo el mejor resultado de resistencia, logrando un 74.7% más de ciclos que la minimización estándar del ancho de pulso ($\phi_{pw}^1$) y un 42.9% más que la minimización del estrés muscular. La variable optimizada (fatiga) representó el 49.8% de la varianza en la resistencia, mientras que el arquetipo de la norma representó el 20.4%.
• Optimización Bayesiana: La optimización de los pesos específicos de los músculos mediante métodos bayesianos aumentó la resistencia en un 40.6% adicional (alcanzando 1,729 ciclos) en comparación con la minimización de fatiga no ponderada. Esta estrategia redistribuyó con éxito el esfuerzo hacia el tríceps, que es más resistente a la fatiga, y lo alejó del deltoides anterior, que se fatiga rápidamente. Sin embargo, este enfoque requirió 135 horas de computación, lo que limita su aplicabilidad clínica inmediata.
• Ponderación Fisiológica: El método heurístico propuesto, que incorporó la fatigabilidad muscular y la criticidad mecánica, logró un aumento del 37.6% en la resistencia (1,692 ciclos) en comparación con la línea base no ponderada. Este resultado fue casi idéntico al de la optimización bayesiana, pero se computó en menos de un segundo.
• Patrones de Estimulación: Las estrategias optimizadas pasaron de una distribución uniforme a patrones adaptativos. Por ejemplo, la minimización de la fatiga promovió ráfagas de estimulación breves con anchos de pulso más largos, mientras que la minimización del ancho de pulso favoreció un control distribuido y bajo. Las estrategias ponderadas equilibraron la progresión de la fatiga, retrasando el punto en el que los músculos críticos (deltoides anterior, bíceps) alcanzaron el 50% de su capacidad de fuerza.

Significancia
El artículo argumenta que maximizar la resistencia de la tarea en la rehabilitación con FES requiere ir más allá de la simple minimización de la carga. La principal significancia radica en demostrar que tener en cuenta la naturaleza multifactorial de la resistencia —específicamente la interacción entre la fatigabilidad específica de cada músculo y la criticidad mecánica— es esencial para prolongar la actividad impulsada por FES.

El estudio concluye que, si bien minimizar la variable de estado de fatiga es el arquetipo de función de costo más efectivo, su desempeño depende fuertemente de cómo el controlador distribuye el esfuerzo entre los músculos redundantes. El método de ponderación propuesto ofrece una solución práctica, interpretable y computacionalmente eficiente para personalizar las estrategias de estimulación sin el costo prohibitivo de la optimización iterativa. Al prevenir el agotamiento prematuro de los músculos mecánicamente críticos o altamente fatigables, estas estrategias apoyan el potencial de sesiones de rehabilitación más largas y efectivas, abordando una barrera clave para la adopción clínica de la FES.