Gemelo digital de la mano robótica RH8D para entrenamiento de control mioeléctrico
Enviado: 29-01-2026
|Aceptado: 16-04-2026
|Publicado: 30-04-2026
Derechos de autor 2026 Ana María Martínez-García, Sofía Pereira, Daniel Sánchez-Martínez, Vicente Morell, Carlos Alberto Jara, Andrés Úbeda Castellanos
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Descargas
Palabras clave:
Tecnología asistencial e ingeniería de la rehabilitación, Sistemas Mecatrónicos, Trabajo en entornos reales y virtuales
Agencias de apoyo:
MCIN/AEI/10.13039/501100011033
Resumen:
En este trabajo se presenta un framework integrado para el control mioeléctrico de la mano robótica RH8D Seed Hand y su correspondiente gemelo digital, orientado a tareas de agarre y manipulación de objetos cotidianos. El sistema ha sido desarrollado sobre la plataforma Robot Operating System (ROS) con el objetivo de garantizar su escalabilidad, modularidad y compatibilidad con otros componentes robóticos. El control mioeléctrico se implementa mediante un esquema binario sencillo, que permite seleccionar y ejecutar diversas poses de agarre de forma intuitiva. Además, se ha llevado a cabo una caracterización experimental de la capacidad de agarre de la Seed Hand con una serie de objetos de la vida cotidiana, así como una evaluación de la fiabilidad y reproducibilidad del control mioeléctrico en escenarios reales de manipulación virtualizados también a través del propio gemelo digital de la mano robótica. Los resultados obtenidos demuestran la viabilidad práctica del sistema propuesto y su potencial para futuras aplicaciones como plataforma de validación del entrenamiento del control mioeléctrico de prótesis robóticas.
Citas:
Berger D. J., d’Avella, A., 2024. Myoelectric control and virtual reality to enhance motor rehabilitation after stroke. Frontiers in Bioengineering and Biotechnlogy, 12, 1376000. DOI: 10.3389/fbioe.2024.1376000
Carey, S. L., Lura, D. J., Highsmith, M. J., CP, FAAOP, 2017. Differences in myoelectric and body-powered upper-limb prostheses: systematic literature review. Journal of Prosthetics and Orthotics 29(4S), 4-16. DOI: 10.1097/JPO.0000000000000159
Cellupica, A., Cirelli, M., Saggio, G., Gruppioni, E.,Valentini, P. P., 2024. An interactive digital-twin model for virtual reality environments to train in the use of a sensorized upper-limb prosthesis. Algorithms, 17(1), 35. DOI: 10.3390/a17010035
Chapell, D., Son, H. W., Clark, A. B., Yang, Z., Bello, F., Kormushev, P., 2022. Virtual reality pre-prosthetic hand training with physics simulation and robotic force interaction. IEEE Robotics and Automation Letters, 7(2), 4550-4557. DOI: 10.1109/LRA.2022.3151569
Chen, Z., Min, H., Wang, D., Xia, Z., Sun, F., Fang, B., 2023. A review of myoelectric control for prosthetic hand manipulation. Biomimetics 8(3), 328. DOI: 10.3390/biomimetics8030328
Cordella, F., Ciancio, A. L., Sacchetti, R., Davalli, A., Cutti, A. G., Gugliemelli, E., Zollo, L., 2016. Literature review on needs of upper limb prosthesis users. Frontiers in Neuroscience 10, 209. DOI: 10.3389/fnins.2016.00209
Hargrove, L. J., Miller, L. A., Turner, K., Kuiken, T. A., 2017. Myoelectric pattern recognition outperforms direct control for transhumeral amputees with targeted muscle reinnervation: a randomized clinical trial. Scientific Reports 7, 13840. DOI: 10.1038/s41598-017-14386-w
Kyberd P. J., Murgia, A., Gasson, M., Tjerks, T., Metcalf, C., Chappell, P. H., Warwick, K., Lawson, S. E. M., Barnhill, T., 2009. Case studies to demonstrate the range of applications of the Southhampton Hand Assessment procedure. British Journal of Occupational Therapy, 72(5), 212-218. DOI: 10.1177/030802260907200506
Legrand, M., Merad, M., de Montalivet, E., Roby-Brami, A., Jarrasé, N., 2018. Movement-based control for upper-limb prosthetics: Is the regression technique the key to a robust and accurate control? Frontiers in Neurorobotics 12, 41. DOI: 10.3389/fnbot.2018.00041
Marinelli, A., Boccardo, N., Tessari, F., Di Domenico, D., Caserta, G., Canepa, M., Gini, G., Barresi, G., Laffranchi, M., De Michieli, L., 2023.
Active upper limb prostheses: a review on current state and upcoming breakthroughs. Progress in Biomedical Engineering 5(1), 012001. DOI: 10.1088/2516-1091/acac57
Mazumder, A., Sahed, M. F., Tasneem, Z., Das, P., Badal, F. R., Ali, M. F., Ahamed, M. H., Abhi, S. H., Sarker, S. K., Das, S. K., Hasan, M. M., Islam, M. M., Islam, M. R., 2023. Towards next generation digital twin in robotics: trends, scopes, challenges, and future. Heliyon, 9(2), e13359. DOI: 10.1016/j.heliyon.2023.e13359
Oliveira, C. S., Almeida, C. S., Freitas, L. C., Santana, R., Fernandez, G., Fonseca, P. R., Franco, R. C., 2016. Use of the Box and Block Test for the evaluation of manual dexterity in individuals with central nervous system disorders: a systematic review. Manual Therapy, Posturology & Rehabilitation Journal, 14, 436. DOI: 10.17784/mtprehabjournal.2016.14.436
Polo-Hortigüela, C., Máximo, M., Jara, C. A., Ramón, J. L., García, G. J., Úbeda, A, 2024. A comparison of myoelectric control modes for an assistive robotic virtual platform. Bioengineering 11(5), 473. DOI: 10.3390/bioengineering11050473
Resnik, L., Huang, H., Winslow, A., Crouch, D. L., Zhang, F., Wolk, N., 2018. Evaluation of EMG pattern recognition for upper limb prosthesis control: a case study in comparison with direct myoelectric control. Journal of Neuroengineering and Rehabilitation, 15(23). DOI: 10.1186/s12984-018-0361-3
Rognini, G., Petrini, F. M., Raspopovic, S., Valle, G., Granata, G., Strauss, I. Solcà, M., Bello-Ruiz, J., Herbelin, B., Mange, R., D'Anna, E., Di Iorio, R., Di Pino, G., Andreu, D., Guiraud, D., Stieglitz, T., Rossini, P.M., Serino, A., Micera, S., Blanke, O., 2019. Multisensory bionic limb to achieve prosthesis embodiment and reduce distorted phantom limb perceptions. Journal of Neurology, Neurosurgery and Psychiatry, 90(7), 833-836. DOI: 10.1136/jnnp-2018-318570
Rojas-Martínez, M., Alonso, J. F., Jordanic, M., Romero, S., Mañanas, M. A., 2017. Identification of isometric and dynamic tasks of the upper limb based on high-density EMG. Revista Iberoamericana de Automática e Informática Industrial, 14(4), 406-411. DOI: 10.1016/j.riai.2017.07.006
Shahsavari, H., Matourypour, P., Ghiyasvandian, S., Ghorbani, A., Bakhshi, F., Mahmoudi, M., Golestannejad, M., 2020. Upper limb amputation; Care needs for reintegration to life: An integrative review. International Journal of Orthopaedic and Trauma Nursing 38, 100773. DOI: 10.1016/j.ijotn.2020.100773
Simpetru, R. C., Marz, M., Del Vecchio, A., 2023. Proportional and simultaneous real-time control of the full human hand from high-density electromyography. IEEE Transactions on Neural Systems and Rehabilitation Engineering 31, 3118-3131. DOI: 10.1109/TNSRE.2023.3295060
Tanzarella, S., Iacono, M., Donati, E., Farina, D., Bartolozzi, C., 2023. Neuromorphic decoding of spinal motor neuron behaviour during natural hand movements for a new generation of wearable neural interfaces. IEEE Transactions on Neural Systems and Rehabilitation Engineering 31, 3035-3046. DOI: 10.1109/TNSRE.2023.3295658
Thomson, C. J., Mino, F. R., Lopez, D. R., Maitre, P. P., Edgley, S. R., George, J. A., 2024. Proportional myoelectric control of a virtual bionic arm in participants with hemiparesis, muscle spasticity, and impaired range of motion. Journal of Neuroengineering and Rehabilitation, 21(1), 222. DOI: 10.1186/s12984-024-01529-0
Villarejo, J. J., Mamede, R., Frizera-Neto, A., Bastos, T. F., 2017. Decoding of grasp and individuated finger movements based on low-density myoelectric signals. Revista Iberoamericana de Automática e Informática Industrial, 14(2), 184-192. DOI: 10.1016/j.riai.2017.02.001
Yoshimura, M., Kurumadani, H., Ito, T., Hosokawa, T., Hirata, J., Senoo, K., Kinoshita, S., Date, S., Hanayama, K., Sunagawa, T., 2024. Virtual realitybased myoelectric prosthetic control training: effects of action observation and motor imagery with visual feedback of electromyographic signals. Prosthetics and Orthotics International, 49(4), 400-407. DOI: 10.1097/PXR.0000000000000392
