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

1. Declaração do Problema

Avanços recentes na protética de membros superiores aumentaram significativamente o número de graus de liberdade (DoF) disponíveis em membros robóticos. No entanto, controlar esses sistemas complexos usando o número limitado de entradas de controle disponíveis a partir do membro residual do usuário permanece um grande desafio.

• A Limitação dos Modelos Atuais: Os modelos tradicionais de interface humano-máquina (HMI) veem a prótese como uma ferramenta fixa controlada por um humano. À medida que os controladores de aprendizado de máquina (ML) se tornam mais autônomos e adaptativos, esse paradigma de "uso de ferramenta" falha em capturar a natureza complexa e co-adaptativa da interação.
• A Lacuna: Há uma falta de uma estrutura teórica para entender como controladores avançados (reconhecimento de padrões, aprendizado contínuo) interagem com os usuários como parceiros colaborativos, e não como ferramentas simples.

2. Metodologia

Os autores propõem aplicar a estrutura de Ação Conjunta — um conceito das ciências sociais e da psicologia cognitiva tipicamente usado para descrever dois humanos coordenando-se para alcançar um objetivo compartilhado — à Interação Humano-Prótese (HPI).

Estrutura Teórica:
Com base na arquitetura de Vesper et al. (2010), os autores definem quatro "marcos" necessários para que um sistema seja considerado uma parceria de ação conjunta:

1. Representações: Os parceiros devem representar internamente suas próprias tarefas, o objetivo compartilhado e, potencialmente, a tarefa do parceiro.
2. Monitoramento: Os parceiros devem monitorar suas próprias ações, as ações do parceiro e o progresso em direção aos objetivos.
3. Previsão: Os parceiros devem prever suas próprias ações, as ações do parceiro ou os resultados das ações.
4. Suavizadores de Coordenação: Mecanismos (além dos acima) que melhoram a coordenação, como tornar as ações mais previsíveis, enviar sinais de coordenação ou adaptar continuamente as previsões.

Análise Comparativa:
Os autores avaliaram três classes distintas de controladores mioelétricos contra esses marcos:

1. EMG Proporcional com Comutação Sequencial: Uma abordagem convencional, não baseada em ML, onde a intensidade do sinal EMG mapeia para a velocidade, e a contração concorrente alterna entre as articulações.
2. Reconhecimento de Padrões (ML em Lote/Offline): Um classificador que prevê a intenção de movimento com base em características do EMG, treinado por meio de sessões episódicas (em lote).
3. Comutação Adaptativa (ML Contínuo/Online): Uma abordagem de aprendizado por reforço usando Funções de Valor Geral (GVF) para reordenar dinamicamente a lista de comutação com base no feedback em tempo real e nos padrões de uso.

3. Contribuições Principais

• Mudança Conceitual: O artigo reestrutura a relação humano-prótese de "humano controlando uma ferramenta" para "dois agentes (humano e máquina) colaborando em uma tarefa compartilhada".
• Avaliação Sistemática: Fornece a primeira análise estruturada de controladores mioelétricos existentes usando os critérios específicos da estrutura de Ação Conjunta.
• Identificação de Deficiências: A análise revela que, enquanto parceiros humanos exibem todos os marcos de ação conjunta, os controladores de máquina atuais (mesmo os de ML avançados) carecem de componentes críticos, especificamente no que diz respeito à representação de objetivos compartilhados e adaptação contínua de previsões.
• Roteiro para Melhoria: O artigo traça caminhos técnicos específicos para transformar controladores atuais em verdadeiros parceiros de ação conjunta.

4. Resultados e Análise

Os autores categorizaram os controladores com base na presença (✓), presença potencial (?) ou ausência (✗) de marcos de ação conjunta (resumidos na Tabela 1 do artigo):

• EMG Proporcional:
  • Veredito: Não constitui ação conjunta.
  • Raciocínio: Carece de representações internas de tarefas/objetivos e não pode prever ações do parceiro. Funciona estritamente como uma ferramenta de mapeamento direto.
• Reconhecimento de Padrões:
  • Veredito: Ação conjunta Parcial.
  • Pontos Fortes: Prevê a intenção de movimento humano; usa sinais de coordenação (botões de retreinamento) durante o treinamento.
  • Pontos Fracos: Carece de adaptação contínua (o treinamento é em lote/episódico); provavelmente carece de uma representação de objetivos compartilhados complexos (por exemplo, "pegar um objeto" versus apenas "mover-se para a posição X").
• Comutação Adaptativa:
  • Veredito: Candidato mais forte para ação conjunta, mas ainda incompleto.
  • Pontos Fortes: Adapta continuamente as previsões em tempo real; monitora o feedback conjunto para inferir a intenção do usuário; usa sinais de coordenação (congelando a lista durante a comutação).
  • Pontos Fracos: Ainda carece de uma representação robusta de objetivos compartilhados de alto nível (por exemplo, manipulação ambiental complexa) e não prevê explicitamente suas próprias ações de uma forma que facilite a parceria.

Descoberta Chave: Nenhum controlador atual satisfaz plenamente a definição de ação conjunta. O "parceiro máquina" geralmente falha em representar o objetivo compartilhado ou a tarefa do parceiro humano, limitando a profundidade da colaboração.

5. Significado e Recomendações

O artigo argumenta que adotar a estrutura de Ação Conjunta é essencial para a próxima geração de neuropróteses. Os autores propõem dois caminhos primários para melhoria:

1. Melhorando Representações e Feedback:

   • Melhorar os modelos internos tanto do humano quanto da máquina.
   • Implementar loops de feedback ricos (auditivos, visuais, cutâneos) da máquina para o humano sobre estados de controle e progresso da tarefa. Isso ajuda o humano a construir um modelo interno mais forte do dispositivo.
   • Desenvolver mecanismos para a máquina entender o contexto da tarefa do humano, e não apenas o sinal bruto.

2. Fortalecendo Previsão e Coordenação:

   • Comutação Autônoma: Ir além da comutação reativa para previsão proativa (por exemplo, prever quando um usuário deseja mudar de modo, e não apenas o que ele deseja).
   • Consciência Contextual: Integrar sensores adicionais (além do EMG) para fornecer ao classificador contexto sobre o ambiente e o estado do usuário, melhorando a precisão da previsão.
   • Adaptação Contínua: Garantir que a aprendizagem ocorra continuamente durante o uso diário, e não apenas em ambientes clínicos.

Conclusão:
Ao tratar a prótese como um agente colaborativo e não como uma ferramenta, os pesquisadores podem projetar sistemas que facilitem melhor a co-adaptação. Essa abordagem promete reduzir a frustração do usuário, diminuir a carga cognitiva e melhorar a integração funcional de membros robóticos avançados na vida diária. O artigo pede mais pesquisas sobre como os princípios de ação conjunta podem ser incorporados em futuras tecnologias assistivas.