Las personas que han sufrido neurotraumas, como accidentes cerebrovasculares o lesiones del plexo braquial, a menudo experimentan una reducción en la funcionalidad de sus extremidades. Los exoesqueletos robóticos suaves han logrado éxito en la rehabilitación y mejora de las actividades diarias, pero enfrentan dificultades al intentar restaurar la destreza necesaria para tocar instrumentos musicales.

Esta investigación presenta un exoesqueleto de mano robótica suave, junto con algoritmos de aprendizaje automático, para ayudar a reentrenar a las personas en el arte de tocar el piano. El exoesqueleto siente la diferencia entre versiones correctas e incorrectas de una misma canción. Para ello, cuenta con conjuntos de sensores piezorresistivos con 16 taxeles integrados en las puntas de los dedos.

El exoesqueleto de mano fue diseñado como una unidad única, utilizando ácido polivinílico (PVA) como soporte estructural, el cual se disuelve posteriormente para crear las cámaras de presión internas para cada uno de los cinco dedos, que pueden accionarse de forma individual. Para clasificar las diferentes versiones de la canción, se entrenaron algoritmos como Random Forest (RF), K-Nearest Neighbor (KNN) y Artificial Neural Network (ANN), utilizando los datos de los 80 taxeles combinados de los sensores táctiles en las yemas de los dedos.

La capacidad de diferenciar entre las versiones correctas e incorrectas de la canción se evaluó tanto con el exoesqueleto de forma independiente como mientras una persona lo utilizaba. Los resultados mostraron que el algoritmo ANN tuvo la mayor precisión de clasificación, con un 97,13% ± 2,00% cuando se utilizó con un sujeto humano y un 94,60% ± 1,26% sin la intervención humana.


Introducción al sistema robótico

Los pacientes que han sufrido trastornos neuromusculares a menudo enfrentan dificultades en su vida diaria. Después de un accidente cerebrovascular, por ejemplo, pueden experimentar una disminución en la coordinación y la fuerza de sus extremidades superiores. Esto puede resultar en una función asimétrica y debilitamiento de la mano. Además, la espasticidad puede afectar su capacidad para realizar tareas de higiene personal, lo que empeora la función de la extremidad afectada. Situaciones similares se presentan en condiciones como la parálisis cerebral.

Para abordar estos desafíos, se han desarrollado exoesqueletos robóticos. Sin embargo, los exoesqueletos rígidos tradicionales presentan problemas en cuanto a su tamaño, complejidad y comodidad para los pacientes. Por eso, se han propuesto exoesqueletos de actuadores neumáticos blandos que son más livianos, flexibles y prácticos.

Estos exoesqueletos pueden proporcionar soporte y asistencia suave para ayudar a los pacientes a recuperar sus habilidades motoras. En particular, el tocar el piano requiere movimientos complejos y precisos. Los exoesqueletos robóticos blandos, equipados con sensores flexibles, pueden adaptarse a la forma y el movimiento de la mano, brindando la fuerza y orientación necesarias para ayudar a los pacientes a tocar el piano nuevamente.

En este estudio, se presenta un exoesqueleto de mano de asistencia inteligente compuesto por cinco actuadores neumáticos blandos, cada uno con un sensor flexible de 16 taxeles en la punta de los dedos. Este diseño suave y personalizable mejora la comodidad y la conveniencia para el usuario.

Además, su fabricación es más simple, ya que los actuadores y sensores se combinan en un solo proceso de moldeo. Como demostración de su capacidad, el exoesqueleto se utilizó para sentir la diferencia entre versiones correctas e incorrectas de una canción tocada en el piano. Se llevaron a cabo experimentos para comparar la precisión de tres algoritmos de aprendizaje automático (RF, KNN y ANN) en la clasificación de las variaciones de canciones. Los resultados se obtuvieron tanto con el exoesqueleto utilizado de forma independiente como con la participación de un sujeto humano.


FIGURA 1. (A) Actuador suave con conjuntos de sensores; (B) modelo CAD para el nuevo exoesqueleto de mano suave sensorizado (i) vista superior, (ii) vista inferior; (C) El nuevo exoesqueleto de mano suave (i) vista superior, (ii) vista inferior.

Métodos experimentales

Se ha desarrollado un exoesqueleto robótico suave para la mano con el objetivo de brindar asistencia activa en la flexión y pasiva en la extensión de los cinco dedos. El exoesqueleto ha sido construido utilizando un material llamado Dragon Skin-30, el cual permite movimientos transversales a lo largo del plano palmar de cada dedo de forma libre. Además, se han incorporado conjuntos de sensores flexibles que constan de dieciséis taxeles en cada punta de los dedos, lo cual permite reconocer los patrones necesarios para la interpretación del piano.

Sensores táctiles flexibles de dieciséis canales que emplea dos elementos piezorresistivos

Se ha desarrollado un conjunto de sensores táctiles flexibles de dieciséis canales que emplea dos elementos piezorresistivos principales: velostat y hilo de acero inoxidable. El velostat es una película compuesta de polietileno y negro de humo que experimenta cambios en su conductividad al aplicar presión. Por otro lado, el hilo de acero inoxidable muestra una mayor conductividad al aplicar fuerza. Al combinar estos elementos en un patrón de rejilla y conectarlos a una película conductora, se crea una matriz de sensores que puede medir la distribución de la presión en su superficie.

Para fabricar el sensor, se ensamblaron siete capas que incluyen una capa exterior, una capa adhesiva, cables longitudinales, una capa conductora, cables transversales, otra capa adhesiva y una segunda capa exterior. Se utilizaron envolturas de plástico para las capas exteriores y adhesivo de doble cara para las capas adhesivas. Los cables estaban hechos de hilo de acero inoxidable y la capa conductora estaba compuesta de velostat. El proceso de ensamblaje involucró cortar y ajustar cada capa según el tamaño requerido.

Los cables se colocaron en una funda impresa en 3D para mantener una separación uniforme y luego se presionaron sobre las capas adhesivas. Se recortaron y retiraron las capas protectoras del adhesivo, y finalmente se envolvió la capa exterior alrededor del dedo. Los cables se soldaron y encapsularon en tubos termorretráctiles para asegurar su conexión y protección. El tamaño final del sensor fue de 1,5 cm × 1 cm.

Para la fabricación del exoesqueleto blando, se utilizaron moldes diseñados con el software SolidWorks 2019. Se crearon dos moldes, uno con dimensiones adicionales para acomodar el cableado de la matriz de sensores. Además, se incluyeron ranuras para los conductos de cables. Se diseñaron varillas semicilíndricas con una cavidad en un extremo para asegurar la correcta colocación de los actuadores en los moldes. Se imprimieron tapas para cubrir las aberturas de los dedos, con una abertura para mantener alineadas las varillas.

Tanto los moldes como las tapas se fabricaron utilizando impresoras 3D y material PLA. Las varillas, que actúan como marcadores de posición para los canales de aire, se imprimieron en 3D utilizando material soluble en agua.

Fabricar el exoesqueleto de la mano

El proceso se inició insertando tubos de poliuretano a través de los orificios del molde y en los stents. Para facilitar su extracción posterior, se envolvieron los stents con teflón. Estos se colocaron dentro de las tapas alineando su borde inferior con la base de cada dedo y corriendo paralelo a la moldura. Se utilizó pegamento caliente para asegurar temporalmente el tubo y los stents en su lugar según fuera necesario. Luego, el molde se llenó con material de hidrogel y se dejó curar durante 4 horas antes de limpiar cualquier exceso de material.

Antes de moldear la capa exterior de Dragon Skin, se colocó una pieza rectangular de tela como refuerzo sobre la base plana de cada dedo. Después, se envolvió una cinta de fibra de carbono en un patrón helicoidal alrededor del yeso de silicona. La fibra se envolvió primero desde la base del dedo hasta la punta y luego desde la punta hasta la base, intersecándose en el vértice del lado dorsal y a lo largo del lado palmar. Esto se realizó para fortalecer y estabilizar la estructura del exoesqueleto de la mano.


FIGURA 2 - Proceso de fabricación: (A) (i) Todos los componentes impresos en ensamblaje CAD, yeso hecho a partir del molde 1, stents de PVA y tubos, (ii) El yeso completo de la etapa 1, que se muestra después de rellenar con Dragon Skin y sellar.
(B) (i) Resultado del molde de la etapa 1, (ii) El molde está equipado con capas limitadoras de tensión y conjuntos de sensores de presión.
(C) (i) El yeso completamente equipado se coloca en el molde de la etapa 2 para recubrir las capas limitadoras de tensión y los sensores como parte del exoesqueleto, (ii) El yeso completo de la etapa 2, que se muestra después de llenarlo con Dragon Skin y sellarlo.
(D) (i) Resultado del yeso de la etapa 2, (ii) se disuelven los stents de PVA y se realiza el yeso de la etapa 3 para sellar las cámaras de presión.

Instalación de los conjuntos de sensores táctiles

Estos se soldaron los cables verticales en su lugar en el extremo de cada dedo. Para mayor movilidad durante el proceso, se separaron los cables de cada sensor en dos paquetes (transversal y longitudinal) y se cubrieron con termorretráctil. Cada sensor estaba compuesto por ocho cables que se dirigían hacia la palma de la mano hasta un conector de cable de 40 pines.

La tubería y el cableado se colocaron en las ranuras del molde y se llenaron con material de Dragon Skin, luego se dejaron curar durante 4 horas. Después del curado, se soldaron los cables horizontales de los sensores a los cables correspondientes del conector de 40 pines.

En la tercera etapa del proceso de moldeo, se recortó el exceso de goma alrededor de cada dedo a una longitud uniforme de 3 mm desde el borde de la matriz de sensores. Los stents de PVA se disolvieron en agua y se eliminó el teflón de la superficie interior. A continuación, se sumergió el extremo de cada dedo en una copa con Dragon Skin y, después de un período de curado de 4 horas, se eliminó el exceso de material para dejar una tapa de Dragon Skin que sellaba por completo las cámaras neumáticas.

El lado de la palma de la mano que contenía el tubo se cortó, dejando una capa de goma de silicona alrededor del tubo, y se colocó una brida alrededor de la entrada de cada actuador de dedo para garantizar un cierre hermético. Cualquier espacio vacío se rellenó con Dragon Skin mediante un proceso de moldeo abierto.

Características de cómo actúan las partes blandas

Para evaluar la respuesta de fuerza y la histéresis de los actuadores suaves, se realizaron pruebas utilizando tres presiones internas diferentes. La fuerza en las yemas de los dedos (meñique, anular y medio) se midió individualmente utilizando una celda de carga de 2 kg. Cada prueba consistió en 16 ciclos, con 3 segundos de activación seguidos de 7 segundos de descanso. Estos 16 ciclos se registraron tres veces a presiones de 0,14, 0,21 y 0,28 MPa. Las fuerzas y presiones obtenidas en estas pruebas se utilizaron para trazar la curva de histéresis en cada una de las tres presiones. La fuerza máxima a las presiones de 0,14, 0,21 y 0,28 MPa se determinó a partir de la relación entre fuerza y presión para cada dedo.

Configurar el sistema de percepción y acción del exoesqueleto

El sistema de percepción y acción se configuró utilizando un microcontrolador Teensy 4.0 y un tablero multiplexor para muestrear los 16 taxeles en cada yema de los dedos. La resistencia de cada taxel se utilizó en un circuito de amplificador operacional no inversor, y se midió el voltaje de salida del circuito de amplificador operacional para cada uno de los 16 taxeles en cada dedo del exoesqueleto a una frecuencia de 74 Hz. Para recorrer los 80 taxeles disponibles, se utilizó el multiplexor, y se muestreó el voltaje de salida del circuito de amplificador operacional diez veces por taxel, y el microcontrolador Teensy promedió los datos. Luego, los datos se publicaron en una red del sistema operativo de robot (ROS) desde el microcontrolador Teensy, y se vinculó Simulink a la misma red ROS para la visualización y el almacenamiento de datos en tiempo real.


FIGURA 3 - Sistema de control. (A) El esquema de control para el exoesqueleto y los sensores; (B) Las señales de control de válvula de cada dedo para tocar Mary Had A Little Lamb. Se muestran ejemplos ilustrativos de la canción correcta y las variaciones de la canción en las que se introdujeron errores.

Se utilizó Simulink para implementar las 10 variaciones de canciones, controlando las válvulas de los cuatro dedos. Se generaron las entradas de control para las cuatro válvulas utilizando el bloque generador de señales de Simulink y se configuraron como cuatro salidas digitales separadas. Estas salidas se utilizaron como entrada de 1 V a un MOSFET (NTE2389), que a su vez controlaba las señales de 24 V para las cinco electroválvulas Festo (MHE2-MS1H-3) encargadas de controlar los dedos. Se conectó un único depósito de presión a 0,28 MPa a las cinco válvulas, y el estado abierto o cerrado de las válvulas se determinó mediante las salidas de 1 V de Simulink, las cuales controlaban la presión aplicada dentro de los actuadores neumáticos.

Exoesqueleto para aprender a tocar el piano

Con el fin de evaluar el potencial del exoesqueleto de mano inteligente para la rehabilitación, se programó para reproducir diez versiones diferentes de la conocida melodía Mary Had a Little Lamb. Se crearon errores intencionales que podrían ocurrir al principio o al final de una nota, así como errores de tiempo prematuros o retrasados, con una duración de 0.1, 0.2 o 0.3 segundos. Estos errores se combinaron de diferentes formas para generar 12 escenarios de error únicos, que se incluyeron en las variaciones de canciones.

Se crearon tres grupos de tres canciones cada uno, con diferentes cantidades de errores: el primer grupo tenía un 75% de teclas con algún tipo de error, el segundo grupo tenía un 50% y el tercer grupo tenía un 25%. Dentro de cada grupo, se generaron tres variaciones con errores en la misma nota, pero con tipos de error seleccionados al azar. Las diez variaciones de canciones incluyeron los tres grupos de tres variaciones cada uno, además de la canción correcta sin errores.

El estudio consistió en 20 repeticiones de cada una de las diez variaciones de canciones en dos escenarios: con el exoesqueleto de mano utilizado por un sujeto humano (un hombre de 25 años sin discapacidad) y con el exoesqueleto reproduciendo las canciones de forma independiente, sin la presencia de una persona. El estudio se llevó a cabo con la supervisión de una junta de revisión institucional y el sujeto humano proporcionó su consentimiento informado por escrito de acuerdo con la Declaración de Helsinki.

Los conjuntos de datos resultantes de las 200 repeticiones de canciones se utilizaron para entrenar tres algoritmos de clasificación de aprendizaje automático (KNN, RF, ANN), los cuales fueron evaluados en su capacidad para distinguir entre las diferentes variaciones de canciones. Este enfoque tiene el potencial de proporcionar retroalimentación en tiempo real a las personas que se están recuperando de un accidente cerebrovascular u otro tipo de neurotrauma y están (re)aprendiendo a tocar un instrumento musical.

Métodos de clasificación de aprendizaje automático

Para abordar el problema de aprendizaje automático, se programaron 10 variaciones diferentes de canciones para que fueran ejecutadas por el exoesqueleto de mano (Figura 3B). Se recopilaron 20 repeticiones para cada variación de canción, con el objetivo de utilizar estos datos para el entrenamiento de algoritmos de aprendizaje automático. Los datos recopilados fueron preprocesados y etiquetados para entrenar los algoritmos RF, KNN y ANN, los cuales se encargaron de clasificar los datos en 10 clases correspondientes a las 10 variaciones de canciones.

El algoritmo KNN se utilizó para calcular la distancia más cercana entre una consulta y los puntos en las características, seleccionando el número k especificado más cercano a la consulta y votando por la etiqueta de clase más frecuente. Por su parte, el algoritmo RF consistió en una estructura de árbol entrenada por separado para realizar la clasificación. Los árboles de decisión fueron los componentes principales de este algoritmo, y cuantos más árboles se utilizaron, mayor fue la robustez de la predicción y la precisión.

Por último, el algoritmo ANN, que se entrenó y evaluó utilizando matrices de confusión y entropía cruzada, utilizó una red de avance de dos capas con neuronas sigmoideas ocultas y una neurona de salida softmax para clasificar los datos en las diez clases correspondientes a las diferentes variaciones de canciones. La red se entrenó mediante el método de retropropagación de gradiente conjugado escalado.

Para entrenar los clasificadores KNN y RF, los conjuntos de datos recopilados se dividieron en un conjunto de entrenamiento (80% de los datos) y un conjunto de prueba (20% de los datos). En el caso de la ANN, los datos se dividieron en un conjunto de entrenamiento (70%), un conjunto de validación (15%) y un conjunto de prueba (15%). El conjunto de entrenamiento se utilizó para ajustar la red durante el entrenamiento, mientras que el conjunto de validación se utilizó para medir la generalización de la red y determinar cuándo detener el entrenamiento. El conjunto de prueba proporcionó una medida independiente del rendimiento de la red.

Para evaluar la precisión de cada algoritmo, se realizaron diez iteraciones para cada variación de canción, utilizando selecciones aleatorias de datos de entrenamiento y prueba. Se calcularon la media y la desviación estándar de la precisión de clasificación para cada algoritmo. Se llevó a cabo un análisis de varianza de dos factores (ANOVA) para analizar la influencia del algoritmo de clasificación (RF, KNN, ANN) y si el exoesqueleto de mano era utilizado por una persona o de forma independiente, en relación a la precisión de clasificación. Se consideró un valor de p de 0.01 para la significancia estadística.

Resultados y rendimiento de los actuadores blandos

Las respuestas de los actuadores suaves fueron altamente repetibles en cada una de las tres presiones aplicadas. A una presión interna de 0,14 MPa, la fuerza máxima promedio en la punta de los dedos fue de 0,72 N con una desviación estándar de 0,04 N. Con una presión interna de 0,21 MPa, la fuerza máxima promedio fue de 1,10 N con una desviación estándar de 0,05 N. Y a una presión interna de 0,28 MPa, la fuerza máxima promedio fue de 1,47 N con una desviación estándar de 0,04 N (Figuras 4A, C, E).

Los datos ilustrativos de los dieciséis sensores táctiles en la yema de un dedo muestran la respuesta del sensor cuando se aplican fuerzas repetidamente a la celda de carga (Figura 4D). La histéresis de los actuadores sigue una tendencia característica con cada presión interna (Figura 4E).

Además, se observó una correlación casi lineal entre las fuerzas máximas generadas en las yemas de los dedos y el aumento de la presión en el rango probado. Un modelo lineal que se ajustó a estos datos mostró valores de R^2 de 0,993 para el dedo meñique, 0,997 para el dedo anular y 0,999 para el dedo medio (Figura 4F). Estos resultados demuestran la precisión y consistencia de los actuadores suaves en la generación de fuerzas en respuesta a las diferentes presiones internas aplicadas.


FIGURA 4. (A) El exoesqueleto de la mano estaba equipado con un sensor de presión interno y aplicaba fuerzas a la celda de carga; (B) El mapa a color muestra la ubicación espacial de los 16 taxeles en el sensor de cada dedo; (C) Fuerza medida por la celda de carga para el dedo meñique a una presión interna de 0,14 MPa; (D) Señales de taxel correspondientes a la presión de 0,14 MPa; (E) Relación fuerza-presión usando 16 ciclos de actuación del dedo meñique para tres presiones internas diferentes; (F) las fuerzas máximas generadas en la punta de los dedos se correlacionaron casi linealmente con el aumento de la presión en el rango probado.

Sintiendo el ritmo y precisión de la clasificación para tocar el piano

El exoesqueleto de la mano robótica suave fue capaz de reproducir las 10 variaciones de la canción tanto de forma independiente como cuando era utilizado por un usuario. La Figura 5A (i) muestra la mano operando de forma independiente para presionar el teclado. Los datos recopilados durante la reproducción independiente se presentan en primer lugar en la Figura 5B, seguidos de los datos obtenidos mientras un usuario utilizaba el exoesqueleto en la Figura 5C.

Para una mayor claridad, la Figura 5B (ii) y la Figura 5C (ii) ilustran dos sensores táctiles (taxeles) representativos de cada dedo. La respuesta normalizada de los 16 taxeles del dedo meñique durante una sola pulsación de tecla se muestra en la Figura 5B (iii) y la Figura 5C (iii) para las situaciones independiente y de usuario, respectivamente. Estos datos permiten comparar y analizar las respuestas de los sensores táctiles tanto en la reproducción independiente como cuando se utiliza el exoesqueleto de la mano.


FIGURA 5. Exoesqueleto tocando el piano de forma independiente y mientras se lleva puesto.

(A) (i) Representación de la actuación de cada dedo mientras se toca una canción.
(ii) Mapa de colores del sensor táctil que muestra las ubicaciones de los taxeles en cada dedo.

(B) (i) Representación del exoesqueleto siendo utilizado de forma independiente.
(ii) Ilustración de dos taxeles representativos para cada dedo mientras se toca la canción.
(iii) Respuesta normalizada de todos los taxeles del dedo meñique durante una sola pulsación de tecla.

(C) (i) Representación del exoesqueleto insertado en un guante y utilizado por el sujeto humano.
(ii) Ilustración de dos taxeles representativos para cada dedo.
(iii) Respuesta normalizada de todos los taxeles del dedo meñique durante una sola pulsación de tecla.

Esta figura muestra la representación visual de la actuación del exoesqueleto de la mano tanto de forma independiente como cuando es utilizado por un usuario. Además, muestra los mapas de colores que indican la ubicación de los sensores táctiles (taxeles) en cada dedo. También se proporciona una representación de dos taxeles ilustrativos para cada dedo y la respuesta normalizada de todos los taxeles del dedo meñique durante una sola pulsación de tecla.

El rendimiento de los algoritmos de clasificación se evaluó mediante la precisión de clasificación. La red neuronal artificial (ANN) mostró la precisión más alta, con un promedio del 94,60 % ± 1,26 % para el uso independiente y del 97,13 % ± 2,00 % cuando fue utilizada por una persona (Figuras 6A, B).

El algoritmo de Bosque Aleatorio (RF) obtuvo una precisión promedio del 91,00 % ± 2,11 % para el uso independiente y del 94,77 % ± 1,96 % cuando fue utilizado por una persona. Por otro lado, el algoritmo de Vecinos más Cercanos (KNN) tuvo la precisión más baja, con un promedio del 83,30 % ± 2,45 % para el uso independiente y del 90,70 % ± 1,48 % cuando fue utilizado por una persona (Figura 6C).

El análisis de varianza de dos factores (ANOVA) reveló diferencias significativas entre los algoritmos de clasificación (p < 0,01). También se observó una diferencia estadísticamente significativa en la precisión entre el uso independiente y el uso por parte de una persona (p < 0,01). Además, se encontró un efecto de interacción significativo entre ambas variables independientes (p < 0,01). Estos hallazgos indican que los algoritmos difieren en su capacidad para clasificar las variaciones de las canciones y que el rendimiento de clasificación puede verse afectado por si el exoesqueleto se utiliza de forma independiente o por una persona.


FIGURA 6. (A) Las matrices de confusión ilustrativas para ANN mostraron la precisión para clasificar las 10 alteraciones de canciones diferentes durante el uso independiente y (B) mientras lo usaba el usuario; (C) Comparación de 3 algoritmos de clasificación durante el uso independiente y con un sujeto humano que usa el exoesqueleto robótico suave. La ANN tuvo una precisión significativamente mayor que los algoritmos KNN y RF.

Resumiendo sobre los exoesqueletos robóticos para recuperar habilidades motoras después de un neurotrauma

En resumen, hemos desarrollado un exoesqueleto de mano inteligente que combina actuadores blandos, sensores táctiles y algoritmos de aprendizaje automático para la rehabilitación y mejora de la destreza manual. El diseño novedoso del exoesqueleto utiliza stents de PVA impresos en 3D y fundición de hidrogel para lograr un dispositivo portátil y personalizado. La matriz de sensores táctiles flexibles integrada en cada dedo permite una detección precisa de las interacciones con el entorno. Utilizamos la inteligencia artificial para clasificar y diferenciar las diferentes variaciones de canciones tocadas en el piano.

Nuestros resultados demuestran que la ANN tuvo la precisión de clasificación más alta, seguida por RF y KNN. El rendimiento de clasificación fue significativamente mejor cuando el exoesqueleto fue utilizado por una persona en comparación con el uso independiente. Estos resultados sugieren que la interacción entre el exoesqueleto y la mano humana puede mejorar la precisión de clasificación.

El enfoque propuesto tiene el potencial de ser aplicado en la rehabilitación de diversas lesiones y discapacidades, y puede adaptarse para su uso en otras tareas de la vida diaria. La capacidad de detectar y corregir errores en tiempo real puede ser especialmente útil en programas de rehabilitación personalizados. Además, el diseño flexible y personalizable del exoesqueleto blando lo hace adecuado para adaptarse a las necesidades individuales de los pacientes.

Sin embargo, hay áreas que se pueden explorar en futuras investigaciones. Sería importante investigar el efecto de la biomecánica de diferentes usuarios en la respuesta del exoesqueleto blando. Además, se pueden explorar diferentes formas de proporcionar retroalimentación de entrenamiento, como retroalimentación visual o háptica. También se puede considerar la integración de retroalimentación vibrotáctil para alertar a los usuarios sobre errores.

En general, nuestro trabajo representa un avance en el campo de la rehabilitación utilizando exoesqueletos inteligentes y demuestra el potencial de combinar tecnologías avanzadas para mejorar la destreza manual y brindar apoyo a las personas en su proceso de recuperación.

Conclusiones finales

Se diseñó un nuevo exoesqueleto blando con conjuntos de sensores táctiles integrados que se utilizaron para la novedosa aplicación de sentir las diferencias entre las versiones correctas e incorrectas de una canción tocada en el piano. Los algoritmos de RF, KNN y ANN se entrenaron con datos de 80 taxeles en los cuatro sensores táctiles de las yemas de los dedos, cada uno con 16 taxels.

El algoritmo ANN alcanzó el nivel más alto de precisión, logrando una tasa de éxito del 97,13 % ± 2,00 % cuando se probó con un sujeto humano y del 94,60 % ± 1,26 % cuando se usó de forma independiente. Además, introdujimos una nueva técnica de fabricación de exoesqueleto de mano que utilizó stents de PVA impresos en 3D e hidrogel para incorporar 5 actuadores en un dispositivo portátil completo.


La respuesta de todos los taxeles para el dedo meñique durante una sola pulsación de tecla. A. Una sola nota tocada durante la canción correcta y B. variaciones incorrectas de la canción cuando el exoesqueleto se usó de forma independiente. C. Una sola nota tocada durante la canción correcta y D. variaciones incorrectas de la canción cuando el exoesqueleto fue usado por el sujeto humano.