Myoelectric control for locomotion. Restoration: from methodological innovation into the clinical application

Restoring natural mobility for individuals using lower-limb assistive and prosthetic devices remains a central challenge in human–machine interaction. Reliable control requires accurate, real-time decoding of user intent from neurophysiological signals, yet current systems are limited by impractical sensor configurations, often incompatible with transfemoral (TF) amputees, and by deep learning models that demand extensive data and computational resources. As a result, the field lacks minimal, proximal sensing strategies and efficient decoding algorithms suitable for embedded, real-world deployment. This thesis addresses these gaps through two complementary pillars. The first pillar establishes a minimal, proximal neuromechanical sensing paradigm. Chapters 2–5 demonstrate that accurate estimation of ankle and knee kinematics, vertical ground reaction forces, and gait phases can be achieved using only a few above-knee sensors. These findings show that minimal and TF-compatible setups can support multiple control objectives and pave the way toward unified, wearable lower-limb prosthetic interfaces. The second pillar develops computationally efficient, context-aware decoding algorithms for practical, real-time use. Chapters 6–8 introduce PHASORS, TAP, DAS, and Myoelectric Temporal Patching (MTP), WaveLSTM, that are spatial, temporal, and spatiotemporal feature extraction frameworks that capture neuromuscular dynamics with high accuracy but far lower complexity than deep learning models. WaveLSTM offers an additional spatiotemporal alternative, while real-time validation using a low-cost Myo armband confirms deployability. Chapter 9 further enhances control safety by incorporating gait biomechanics through a physics-informed Bayesian fusion method, improving stability and eliminating sudden, undesired transitions. Chapter 10 synthesizes these contributions, showing how minimal sensing, context-informed feature engineering, and biomechanical priors collectively enable scalable, low-power, and clinically viable intention-driven prosthetic control. Supported by clinical testing in TF amputees and the release of open-access datasets and tools, this work lays the foundation for next-generation prosthetic technologies that are wearable, robust, and ready for real-world translation.

Ripristinare una mobilità naturale per gli individui che utilizzano dispositivi protesici e assistivi per gli arti inferiori rimane una sfida centrale nell'interazione uomo-macchina. Un controllo affidabile richiede la decodifica accurata e in tempo reale dell'intenzione dell'utente a partire da segnali neurofisiologici, eppure i sistemi attuali sono limitati da configurazioni di sensori poco pratiche, spesso incompatibili con gli amputati transfemorali (TF), e da modelli di apprendimento profondo che richiedono dati e risorse computazionali estese. Di conseguenza, il campo di ricerca manca di strategie di sensing minime e prossimali e di algoritmi di decodifica efficienti adatti per un'implementazione embedded e nel mondo reale. Questa tesi affronta queste lacune attraverso due pilastri complementari. Il primo pilastro stabilisce un paradigma di sensing neuromecchanico minimo e prossimale. I Capitoli 2-5 dimostrano che è possibile ottenere una stima accurata della cinematica di caviglia e ginocchio, delle forze di reazione verticale del terreno e delle fasi del passo utilizzando solo pochi sensori posizionati sopra il ginocchio. Questi risultati mostrano che le configurazioni minime e compatibili con amputati TF possono supportare molteplici obiettivi di controllo e spianano la strada verso interfacce protesiche unificate e indossabili per l'arto inferiore. Il secondo pilastro sviluppa algoritmi di decodifica computazionalmente efficienti e consapevoli del contesto per un uso pratico e in tempo reale. I Capitoli 6-8 introducono PHASORS, TAP, DAS, Myoelectric Temporal Patching (MTP) e WaveLSTM, che sono framework di estrazione di caratteristiche spaziali, temporali e spaziotemporali in grado di catturare la dinamica neuromuscolare con alta precisione ma con una complessità di gran lunga inferiore rispetto ai modelli di apprendimento profondo. WaveLSTM offre un'ulteriore alternativa spaziotemporale, mentre la convalida in tempo reale utilizzando un braccialetto Myo a basso costo ne conferma l'effettiva implementabilità. Il Capitolo 9 migliora ulteriormente la sicurezza del controllo incorporando la biomeccanica del passo attraverso un metodo di fusione bayesiana informata dalla fisica, migliorando la stabilità ed eliminando transizioni improvvise e indesiderate. Il Capitolo 10 sintetizza questi contributi, mostrando come il sensing minimo, l'ingegneria delle caratteristiche informata dal contesto e i priori biomeccanici abilitino collettivamente un controllo protesico guidato dall'intenzione, scalabile, a basso consumo e clinicamente valido. Supportato da test clinici su amputati TF e dal rilascio di dataset e strumenti open-access, questo lavoro getta le basi per tecnologie protesiche di prossima generazione che siano indossabili, robuste e pronte per la traduzione nel mondo reale.