Integrator for Musculoskeletal Simulation in Python

• García-Mascaraque Herrera, Alicia ^[1] ; Montesino, Ignacio ^[1] ; Victores, Juan G. ^[1] ; Balaguer, Carlos ^[1] ; Jardón, Alberto ^[1]
  1. [1] Universidad Carlos III de Madrid

     Universidad Carlos III de Madrid

     Madrid, España

     
• Localización: Jornadas de Automática, ISSN-e 3045-4093, Nº. 45, 2024
• Idioma: inglés
• Títulos paralelos:
  • Integrador para Simulación Músculo-esquelética en Python
• Enlaces
  • Texto completo
• Resumen
  • español

    La detección de la espasticidad es compleja debido a su origen en el sistema nervioso central y los síntomas musculares. Este proyecto desarrolla un método automático para detectar el grado de espasticidad según la escala Ashworth, usando movimientos pasivos, rápidos y suaves en el paciente y midiendo la excitación cerebral. Software como OpenSim y técnicas como Computed Muscle Control (CMC) han facilitado esta tarea ofreciendo el valor de la excitación cerebral dada una trayectoria de movimiento, aunque presentan errores cuando el tipo de movimiento es suave y rápido. Este artículo implementa el integrador Hybrid Computed Muscle Control (HCMC) con el método Runge-Kutta, mejorando la precisión con un error del 3% respecto a CMC. La implementación en Python aumenta la accesibilidad y permitirá crear una base de datos de pacientes virtuales para aplicar técnicas de Machine Learning, avanzando en el desarrollo de nuevos métodos de diagnóstico.

  • English

    The detection of spasticity is complex due to its origin in the central nervous system and muscular symptoms. This project develops an automatic method to detect the degree of spasticity according to the Ashworth scale, using passive, fast and smooth movements in the patient and measuring brain excitation. Software such as OpenSim and techniques such as Computed Muscle Control (CMC) have facilitated this task by providing the value of brain excitation given a movement trajectory, although they present errors when the type of movement is smooth and fast. This paper implements the Hybrid Computed Muscle Control (HCMC) integrator with the Runge-Kutta method, improving the accuracy with an error of 3% with respect to CMC. The implementation that has been developed in Python increases accessibility and will allow the creation of a virtual patient database to apply Machine Learning techniques, advancing the development of new diagnostic methods.