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

Résumé Technique : Maximiser l'endurance à la tâche par la minimisation de la fatigue musculaire dans le cyclisme à la main piloté par FES

Énoncé du problème
La stimulation électrique fonctionnelle (FES) est une technique de réadaptation utilisée pour restaurer la fonction motrice suite à des troubles neuromusculaires. Cependant, son utilité clinique est considérablement entravée par l'apparition prématurée de la fatigue musculaire périphérique. Contrairement au recrutement naturel, qui active préférentiellement les fibres à contraction lente lors de tâches d'endurance, la FES active de manière synchrone les unités motrices sous les électrodes avec une sélectivité limitée du type de fibres, entraînant une fatigue rapide. Bien que diverses stratégies existent pour atténuer la fatigue au niveau musculaire (par exemple, en modulant la fréquence ou la largeur d'impulsion), elles ne parviennent souvent pas à prendre en compte la redondance mécanique du système musculosquelettique. Les méthodes de contrôle optimal actuelles pour la FES traitent fréquemment la fatigue comme une perturbation plutôt que comme un état à minimiser, et les fonctions de coût existantes (visant typiquement à minimiser la charge électrique ou la largeur d'impulsion) n'ont pas été rigoureusement comparées quant à leur capacité à prolonger la durée de la tâche. Cette étude comble la lacune consistant à identifier les fonctions de coût et les stratégies de pondération qui maximisent l'endurance à la tâche dans un système redondant du membre supérieur.

Méthodologie
L'étude a employé une approche in-silico utilisant un modèle musculosquelettique à 2 degrés de liberté et 4 muscles du membre supérieur droit (deltoïdes antérieur/postérieur, biceps, triceps) adapté pour une tâche de cyclisme à la main à 60 RPM. La dynamique du système combine un modèle musculosquelettique avec les modèles phénoménologiques de largeur d'impulsion et de fatigue de Ding et al. (2003, 2007).

Le cœur de la méthodologie a impliqué un schéma de Contrôle Optimal à Horizon Récurrent (RHOC). En raison de l'intraitabilité computationnelle de la résolution d'une optimisation unique de 20 minutes, le problème a été décomposé en fenêtres de 2 à 5 cycles de pédalage. L'étude s'est déroulée en trois phases distinctes :

1. Comparaison des fonctions de coût : Dix-sept fonctions de coût ont été évaluées, combinant quatre archétypes normés (moyenne, quadratique, cubique, infini) avec cinq variables physiologiques/de stimulation (largeur d'impulsion, force musculaire, contrainte, puissance et état de fatigue $a'$). Elles ont été comparées à un schéma de stimulation standard de type clinique.
2. Optimisation Bayésienne : Une approche d'optimisation bayésienne a été utilisée comme méthode de boucle externe de type "boîte noire" pour ajuster les poids spécifiques aux muscles au sein d'une fonction de coût de fatigue quadratique. Cela visait à maximiser le nombre de cycles complétés avant l'échec de la tâche, en explorant un espace de recherche de poids pour les quatre muscles.
3. Dérivation des poids physiologiques : Pour répondre au coût de calcul élevé de l'optimisation bayésienne (135 heures), une méthode originale et interprétable a été proposée. Cette méthode calcule les poids musculaires sur la base de deux métriques : la fatigabilité musculaire (taux de déclin de la force sous une demande élevée) et la criticité mécanique (contribution de couple unique et soutien avant les zones de couple négatif).

Principales contributions

• Comparaison systématique des fonctions de coût : L'étude fournit une évaluation exhaustive de 17 variations de fonctions de coût, démontrant que le choix de la variable ciblée a un impact significativement plus important sur l'endurance que l'archétype de la norme mathématique.
• Stratégie d'optimisation pondérée : Elle introduit un cadre pour incorporer des poids spécifiques aux muscles dans le contrôle optimal FES, allant au-delà des fonctions de coût uniformes pour tenir compte des différences physiologiques (fatigabilité) et des rôles mécaniques.
• Heuristique de pondération interprétable : Le papier propose une méthode de calcul rapide (< 1 seconde) pour les poids musculaires basée sur la fatigabilité et la criticité mécanique, offrant une alternative pratique à l'optimisation par processus bayésien tout en atteignant des performances comparables.
• Identification des mécanismes d'échec : L'étude identifie que l'échec de la tâche dans le cyclisme à la main n'est pas uniquement dû à une fatigue globale, mais est piloté par des muscles spécifiques (notamment le deltoïde antérieur et le biceps) atteignant la saturation, soulignant la nécessité d'une redistribution adaptative de l'effort.

Résultats

• Performance des fonctions de coût : La fonction de coût de minimisation de la fatigue ($\phi_{a'}^2$) a produit le meilleur résultat d'endurance, atteignant 74,7 % de cycles supplémentaires par rapport à la minimisation standard de la largeur d'impulsion ($\phi_{pw}^1$) et 42,9 % de plus que la minimisation de la contrainte musculaire. La variable optimisée (fatigue) expliquait 49,8 % de la variance de l'endurance, tandis que l'archétype de la norme expliquait 20,4 %.
• Optimisation Bayésienne : L'optimisation des poids spécifiques aux muscles via des méthodes bayésiennes a augmenté l'endurance de 40,6 % supplémentaires (atteignant 1 729 cycles) par rapport à la minimisation de la fatigue non pondérée. Cette stratégie a réussi à redistribuer l'effort vers le triceps, plus résistant à la fatigue, et à l'éloigner du deltoïde antérieur, qui se fatigue rapidement. Cependant, cette approche a nécessité 135 heures de calcul, limitant l'applicabilité clinique immédiate.
• Pondération physiologique : La méthode heuristique proposée, qui intégrait la fatigabilité et la criticité mécanique, a obtenu une augmentation de l'endurance de 37,6 % (1 692 cycles) par rapport à la ligne de base non pondérée. Ce résultat était presque identique au résultat de l'optimisation bayésienne, mais a été calculé en moins d'une seconde.
• Schémas de stimulation : Les stratégies optimisées sont passées d'une distribution uniforme à des modèles adaptatifs. Par exemple, la minimisation de la fatigue a favorisé des bouffées de stimulation brèves avec des largeurs d'impulsion plus longues, tandis que la minimisation de la largeur d'impulsion privilégiait un contrôle bas et distribué. Les stratégies pondérées ont équilibré la progression de la fatigue, retardant le point où les muscles critiques (deltoïde antérieur, biceps) atteignent 50 % de leur capacité de force.

Signification
Le papier soutient que maximiser l'endurance à la tâche dans la réadaptation par FES nécessite d'aller au-delà de la simple minimisation de la charge. La principale signification réside dans la démonstration que prendre en compte la nature multifactorielle de l'endurance — spécifiquement l'interaction entre la fatigabilité spécifique aux muscles et la criticité mécanique — est essentiel pour prolonger l'activité pilotée par FES.

L'étude conclut que, bien que la minimisation de la variable d'état de fatigue soit l'archétype de fonction de coût le plus efficace, sa performance dépend fortement de la manière dont le contrôleur distribue l'effort parmi les muscles redondants. La méthode de pondération proposée offre une solution pratique, interprétable et efficace sur le plan computationnel pour personnaliser les stratégies de stimulation sans le coût prohibitif de l'optimisation itérative. En empêissant l'épuisement prématuré des muscles mécaniquement critiques ou hautement fatigables, ces stratégies soutiennent le potentiel de sessions de réadaptation plus longues et plus efficaces, répondant ainsi à un obstacle majeur à l'adoption clinique de la FES.