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

Resumo Técnico: Maximização da Resistência à Tarefa através da Minimização da Fadiga Muscular em Handcycling Impulsionada por FES

Definição do Problema
A Estimulação Elétrica Funcional (FES) é uma técnica de reabilitação utilizada para restaurar a função motora após distúrbios neuromusculoesqueléticos. No entanto, sua utilidade clínica é significativamente prejudicada pelo início prematuro da fadiga muscular periférica. Diferente do recrutamento natural, que ativa preferencialmente fibras de contração lenta durante tarefas de resistência, a FES ativa sincronamente as unidades motoras sob os eletrodos com seletividade limitada de tipo de fibra, levando a uma fadiga rápida. Embora várias estratégias existam para mitigar a fadiga ao nível muscular (por exemplo, modulando a frequência ou a largura de pulso), elas frequentemente falham em considerar a redundância mecânica do sistema musculoesquelético. Os métodos de controle ótimo atuais para FES frequentemente tratam a fadiga como um distúrbio, em vez de um estado a ser minimizado, e as funções de custo existentes (tipicamente minimizando a carga elétrica ou a largura de pulso) não foram rigorosamente comparadas quanto à sua capacidade de prolongar a duração da tarefa. Este estudo aborda a lacuna na identificação de funções de custo e estratégias de ponderação que maximizam a resistência à tarefa em um sistema de membro superior redundante.

Metodologia
O estudo empregou uma abordagem in-silico utilizando um modelo musculoesquelético de 2 graus de liberdade e 4 músculos do membro superior direito (deltoides anterior/posterior, bíceps, tríceps) adaptado para uma tarefa de handcycling a 60 RPM. A dinâmica do sistema combinou um modelo musculoesquelético com os modelos fenomenológicos de largura de pulso e fadiga de Ding et al. (2003, 2007).

O núcleo da metodologia envolveu um esquema de Controle Ótimo de Horizonte Recedente (RHOC). Devido à intratabilidade computacional de resolver uma otimização única de 20 minutos, o problema foi dividido em janelas de 2 a 5 ciclos de pedalada. O estudo procedeu em três fases distintas:

1. Comparação de Funções de Custo: Dezessete funções de custo foram avaliadas, combinando quatro arquétipos normados (média, quadrática, cúbica, infinito) com cinco variáveis fisiológicas/de estimulação (largura de pulso, força muscular, estresse, potência e estado de fadiga $a'$). Elas foram comparadas contra um padrão de estimulação clínico padrão.
2. Otimização Bayesiana: Uma abordagem de otimização bayesiana foi usada como um método de caixa-preta de loop externo para ajustar os pesos específicos de cada músculo dentro de uma função de custo de fadiga quadrática. Isso visou maximizar o número de ciclos completados antes da falha da tarefa, explorando um espaço de busca de pesos para os quatro músculos.
3. Derivação de Peso Fisiológico: Para abordar o alto custo computacional da otimização bayesiana (135 horas), um método original e interpretável foi proposto. Este método calculou os pesos musculares baseando-se em duas métricas: fatigabilidade muscular (taxa de declínio de força sob alta demanda) e criticidade mecânica (contribuição de torque única e suporte antes de zonas de torque negativo).

Principais Contribuições

• Comparação Sistemática de Funções de Custo: O estudo fornece uma avaliação abrangente de 17 variações de funções de custo, demonstrando que a escolha da variável alvo tem um impacto significativamente maior na resistência do que o arquétipo de norma matemática.
• Estratégia de Otimização Ponderada: Introduz um framework para incorporar pesos específicos de músculos no controle ótimo de FES, indo além de funções de custo uniformes para considerar as diferenças fisiológicas (fatigabilidade) e papéis mecânicos.
• Heurística de Ponderação Interpretável: O artigo propõe um método de cálculo rápido (<1 segundo) para os pesos musculares baseado em fatigabilidade e criticidade mecânica, oferecendo uma alternativa prática à otimização de caixa-preta de custo computacional elevado, alcançando desempenho comparável.
• Identificação de Mecanismos de Falha: O estudo identifica que a falha da tarefa no handcycling não se deve apenas à fadiga global, mas é impulsionada por músculos específicos (notadamente o deltoide anterior e o bíceps) atingindo a saturação, destacando a necessidade de uma redistribuição adaptativa de esforço.

Resultados

• Desempenho da Função de Custo: A função de custo de minimização de fadiga ($\phi_{a'}^2$) apresentou o melhor resultado de resistência, alcançando 74,7% mais ciclos do que a minimização de largura de pulso padrão ($\phi_{pw}^1$) e 42,9% mais do que a minimização de estresse muscular. A variável otimizada (fadiga) explicou 49,8% da variância na resistência, enquanto o arquétipo de norma explicou 20,4%.
• Otimização Bayesiana: A otimização dos pesos específicos de cada músculo via métodos bayesianos aumentou a resistência em um adicional de 40,6% (atingindo 1.729 ciclos) em comparação com a minimização de fadiga não ponderada. Esta estratégia redistribuiu com sucesso o esforço para o tríceps, mais resistente à fadiga, e afastou-o do deltoide anterior, que se fatiga rapidamente. No entanto, esta abordagem exigiu 135 horas de computação, limitando a aplicabilidade clínica imediata.
• Ponderação Fisiológica: O método heurístico proposto, que incorporou a fatigabilidade e a criticidade mecânica muscular, alcançou um aumento de 37,6% na resistência (1.692 ciclos) em comparação com a linha de base não ponderada. Este resultado foi quase idêntico ao resultado da otimização bayesiana, mas foi computado em menos de um segundo.
• Padrões de Estimulação: As estratégias otimizadas mudaram de uma distribuição uniforme para padrões adaptativos. Por exemplo, a minimização da fadiga promoveu surtos breves de estimulação com larguras de pulso maiores, enquanto a minimização da largura de pulso favoreceu um controle baixo e distribuído. As estratégias ponderadas equilibraram a progressão da fadiga, retardando o ponto em que os músculos críticos (deltoide anterior, bíceps) atingiam 50% da capacidade de força.

Significância
O artigo argumenta que maximizar a resistência à tarefa na reabilitação por FES exige ir além da simples minimização de carga. A principal significância reside em demonstrar que considerar a natureza multifatorial da resistência — especificamente a interação entre a fatigabilidade específica do músculo e a criticidade mecânica — é essencial para prolongar a atividade impulsionada por FES.

O estudo conclui que, embora a minimização da variável de estado de fadiga seja o arquétipo de função de custo mais eficaz, seu desempenho depende fortemente de como o controlador distribui o esforço entre os músculos redundantes. O método de ponderação proposto oferece uma solução prática, interpretável e computacionalmente eficiente para personalizar estratégias de estimulação sem o custo proibitivo da otimização iterativa. Ao prevenir a exaustão prematura de músculos mecanicamente críticos ou altamente fatigáveis, estas estratégias apoiam o potencial para sessões de reabilitação mais longas e eficazes, abordando uma barreira fundamental para a adoção clínica da FES.