ROMOFES – DEFI CLE : Robotique

Le projet ROMOFES

Real-Time Optimization of Motion Induced by Functional Electrical Stimulation Based on Nonlinear Model Predictive Control for Embedded Systems

La stimulation électrique fonctionnelle (SEF) consiste à utiliser des impulsions électriques de faible intensité pour activer les contractions musculaires, notamment dans le contexte de certaines déficiences du système nerveux afin de restaurer des fonctions motrices perdues. Associée à un tricycle, elle permet aux personnes souffrant d’une lésion de la moelle épinière de mobiliser les muscles des jambes paralysées pour pédaler. Nous utilisons des modèles mathématiques du corps humain pour adapter la SEF spécifiquement à chaque individu et optimiser les performances du pédalage.

Objectifs

Démontrer que des simulations numériques permettent de simplifier la procédure de réglage des paramètres de la stimulation électrique de façon personnalisée, et de générer des patron d’activation musculaire optimisés en fonction des objectifs recherches pour permettre une pratique plus large cette pratique sportive adaptée au nombreux bénéfices physiologiques et psychologiques.

Type de financement

Post-doctorat

Doctorante recrutée

Tiago Coelho Magalhaes

Référents

François Bailly

Mots-clés

Stimulation électrique fonctionnelle, assistance au mouvement,

pédalage assisté,

paralysie,

modèles mathématiques

Dates

01/03/2025 au 31/12/2025

Tutelles

INRIA

Résultats attendus

Un modèle musculosquelettique personnalisé d’une personne paralysée des jambes
Une simulation numérique de cette personne qui pédale grâce aux impulsions électrique de la FES
Une validation expérimentale de cette simulation avec la personne qui pédale sur un vélo adapté

L’équipe

Tiago Coelho Magalhaes

post-doctorant

INRIA
CAMIN
Stimulation électrique fonctionnelle/mouvement humain

François Bailly

Chercheur

INRIA
CAMIN
Robotique/mouvement humain

Christine Azevedo

Chercheur

INRIA
CAMIN
Robotique/neuroprothèses

+ Présentation détaillée

La stimulation électrique fonctionnelle (SEF) est une technologie qui utilise des impulsions électriques de faible intensité pour activer les tissus excitables et provoquer des contractions musculaires. Cette approche est notamment utilisée chez des personnes souffrant de paralysie des membres inférieurs ou supérieurs suite à une lésion de la moelle épinière par exemple. En activant les muscles de manière contrôlée, la FES permet de restaurer des fonctions motrices perdues.

L’une des applications de la SEF est son intégration à des ergocycles ou tricycles instrumentés avec des capteurs. Des électrodes sont placées stratégiquement sur les muscles des jambes (quadriceps, ischio-jambiers, etc.). En fonction du positionnement du pédalier, les électrodes délivrent une stimulation aux muscles agonistes et antagonistes des deux jambes, déclenchant leur contraction et permettant un mouvement de pédalage fluide et coordonné. Cependant, l’utilisation de la FES peut rapidement entraîner une fatigue musculaire prématurée, limitant son efficacité, la durée des sessions et donc son acceptabilité à long terme.

L’efficacité de la SEF repose en grande partie sur sa capacité à s’adapter précisément aux caractéristiques de chaque utilisateur. En effet, une stimulation non optimisée — c’est-à-dire appliquée de manière générique, sans tenir compte des spécificités individuelles — peut provoquer des contractions musculaires inefficaces ou déséquilibrées. Cela se traduit par un rendement diminué du système, et une fatigue potentiellement plus rapide des muscles. Le réglage empirique de la stimulation pour un individu donné est un challenge qui requiert un savoir-faire de l’expérimentateur et beaucoup d’essais erreurs, fastidieux pour le pilote et l’équipe technico-médicale qui l’accompagne.

Pour éviter ce problème, nous pensons que les modèles mathématiques du corps humain peuvent jouer un rôle clé. Ces modèles, développés à partir de données biomécaniques et physiologiques, permettent de simuler le comportement des muscles et des articulations sous l’effet de la stimulation électrique. En intégrant ces modèles à un système de commande optimale de la stimulation, il deviendrait possible d’ajuster les paramètres des impulsions électriques de manière personnalisée. Par exemple, pour un utilisateur donné, ce type de système peut optimiser la stimulation pour chaque groupe musculaire, en fonction de son état et de sa réponse.

Cette personnalisation est essentielle : elle permet de maximiser l’efficacité du pédalage en répartissant de manière optimisée la charge de travail entre les muscles. A terme, cela pourrait retarder l’apparition de la fatigue et prolonger la durée des sessions. Par ailleurs, les outils développés permettent aussi de proposer automatiquement un ensemble de préréglages du stimulateur pour différents types de pédalages (vitesse, puissance), ce qui serait extrêmement fastidieux à faire empiriquement.

La contribution de notre projet est de montrer que des réglages trouvés à partir de modèles mathématiques du corps humain et de simulations numériques ont été utilisés en pratique avec un pilote paraplégique pour générer des mouvements de pédalages fonctionnels.

+ Références du projet

Coelho-Magalhães, T., Azevedo-Coste, C., & Bailly, F. (2025). Numerical-Optimal-Control-Compliant Muscle Model for Electrically Evoked Contractions. IEEE Transactions on Medical Robotics and Bionics.

Tiago Coelho-Magalhães, Christine Azevedo-Coste, Henrique Resende-Martins, François Bailly. Personalized Fes-Cycling Patterns Via Optimal Control: From Musculoskeletal Simulation To Experimental Validation. Journal Of Neuroengineering And Rehabilitation (Under Revision)

+ Références – état de l’art

[1] van der Scheer, J.W., Goosey-Tolfrey, V.L., Valentino, S.E. et al. Functional electrical stimulation cycling exercise after spinal cord injury: a systematic review of health and fitness-related outcomes. J NeuroEngineering Rehabil 18, 99 (2021).

[2] Ibitoye MO, Hamzaid NA, Hasnan N, Abdul Wahab AK, Davis GM (2016) Strategies for Rapid Muscle Fatigue Reduction during FES Exercise in Individuals with Spinal Cord Injury: A Systematic Review. PLoS ONE 11(2): e0149024.

[3] Schmoll, M., Le Guillou, R., Lobato Borges, D., Azevedo-Coste, C et al. Standardizing fatigue-resistance testing during electrical stimulation of paralysed human quadriceps muscles, a practical approach. J NeuroEngineering Rehabil, 2021.

[4] D. Popović, R.B. Stein, N. Oğuztöreli, M. Lebiedowska, and S. Jonić, “Optimal control of walking with functional electrical stimulation: a computer simulation study,” IEEE transactions on rehabilitation engineering, 1999.

[5] Wolf DN, van den Bogert AJ, Schearer EM. Data-Driven Dynamic Motion Planning for Practical FES-Controlled Reaching Motions in Spinal Cord Injury. IEEE Trans Neural Syst Rehabil Eng. 2023;31:2246-2256.

[6] N. Kirsch, N. Alibeji and N. Sharma, « Nonlinear model predictive control of functional electrical stimulation, » in Control Engineering Practice, vol. 58, pp. 319-331, 2017, doi:10.1016/j.conengprac.2016.03.005

[7] Coelho-Magalhães, T.; Azevedo-Coste, C.; Bailly, F.. FES-induced musculoskeletal trajectory optimization with an adapted muscle model. IFESS 2024, Sep 2024, Bath (UK), United Kingdom. ⟨hal-04701752⟩

[8] Coelho-Magalhães, T.; Azevedo-Coste, C.; Bailly, F.. Numerical Optimal Control Compliant Physiology-Based Muscle Model for Electrically Stimulated Induced Contractions. Currently under review in IEEE Transactions on Medical Robotics and Bionics (T-MRB). It is going to be shared under a confidential statement.

[9] B. Michaud, F. Bailly, E. Charbonneau, A. Ceglia, L. Sanchez, and M. Begon, “Bioptim, a Python framework for musculoskeletal optimal control in biomechanics,” IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2022.

[10] F. Bailly, A. Ceglia, B. Michaud, D. M. Rouleau, and M. Begon, “Real-time and dynamically consistent estimation of muscle forces using a moving horizon EMG-marker tracking algorithm—application to upper limb biomechanics,” Frontiers in bioengineering and biotechnology, vol. 9, no. 642742, Fev. 2021.

[11] A. Ceglia, F. Bailly and M. Begon, “Moving horizon estimation of human kinematics and muscle forces,” IEEE Robotics and Automation Letters, vol. 8, no. 8, pp. 5212-5219, 2023.

[12] Coelho-Magalhães, T.; Fachin-Martins, E.; Silva, A.; Azevedo Coste, C.; Resende-Martins, H. Development of a High-Power Capacity Open Source Electrical Stimulation System to Enhance Research into FES-Assisted Devices: Validation of FES Cycling. Sensors 2022, 22, 531.

[13] Coelho-Magalhães, T.; Azevedo Coste, C.; Resende-Martins,H. A Novel Functional ElectricalStimulation-Induced CyclingController Using ReinforcementLearning to Optimize Online MuscleActivation Pattern. Sensors 2022, 22,9126.

[14] Le Guillou, R.; Schmoll, M.; Sijobert, B.; Lobato Borges, D.; Fachin-Martins, E.; Resende, H.; Pissard-Gibollet, R.; Fattal, C.; Azevedo Coste, C. A Novel Framework for Quantifying Accuracy and Precision of Event Detection Algorithms in FES-Cycling. Sensors 2021, 21.

[15] T. Bakir, B. Bonnard, S. Gayrard, and J. Rouot, “Finite dimensional approximation to muscular response in force-fatigue dynamics using functional electrical stimulation,” Automatica, vol. 144, no. 110464, Oct. 2022.

[16] M. S. Marion, A. S. Wexler, and M. L. Hull, “Predicting non-isometric fatigue induced by electrical stimulation pulse trains as a function of pulse duration,” Journal of NeuroEngineering and Rehabilitation, vol. 10, no. 13, Feb. 2013.