La optomiografía wearable permite un control neuroprotésico continuo

Convertir las señales musculares en un control fluido

Imagínese mover el cursor de un ordenador o controlar un videojuego usando solo movimientos sutiles de la muñeca, sin ratón, joystick ni siquiera dedos. Para personas que han perdido una mano o que tienen dificultades con el control fino, una herramienta así podría devolver habilidades cotidianas como señalar, hacer clic o jugar. Este estudio presenta un nuevo tipo de pulsera que “lee” los músculos con luz en lugar de cables, abriendo la puerta a un control de ordenadores y prótesis más estable, cómodo y preciso.

Por qué los dispositivos actuales de control muscular se quedan cortos

Los controladores musculares actuales se basan en su mayoría en la electromiografía de superficie, que utiliza electrodos sobre la piel para captar pequeñas señales eléctricas cuando los músculos se contraen. Estos sistemas han permitido manos robóticas protésicas y control de ordenadores sin manos, pero tienen inconvenientes importantes. Las señales son débiles y se contaminar fácilmente con ruido eléctrico y con el movimiento de los sensores. Los músculos vecinos pueden interferir entre sí y los músculos más profundos son difíciles de leer. Para muchos amputados, estos sistemas resultan exigentes, poco fiables y fatigantes, lo que contribuye a que abandonen el uso de prótesis avanzadas.

Leer músculos con luz en lugar de cables

Los investigadores exploraron una alternativa llamada optomiografía, que usa luz infrarroja cercana para seguir cómo cambian los músculos al variar el volumen sanguíneo y las propiedades del tejido durante la contracción. Una pulsera flexible integra diodos emisores de luz que proyectan una luz inofensiva en el antebrazo y pequeños detectores que perciben la luz dispersada que vuelve desde debajo de la piel. Dado que el tejido biológico es relativamente transparente en este rango de longitud de onda, las señales tienden a ser más limpias y menos sensibles a interferencias eléctricas que las mediciones tradicionales con electrodos. La pulsera del equipo registra 50 canales de datos alrededor de la muñeca y los envía a un ordenador en tiempo real.

Enseñar a una pulsera a comportarse como un ratón

Para convertir las señales de luz crudas en control, los autores entrenaron una red neuronal compacta—esencialmente un pequeño y eficiente programa de reconocimiento de patrones. Los participantes llevaron la pulsera y realizaron una tarea de “ir desde el centro”: un punto aparecía en el centro de la pantalla y luego saltaba a una de 12 posiciones dispuestas como las horas de un reloj. Para cada dirección, las personas usaban un gesto consistente de la muñeca o la mano, además de dos gestos adicionales para una postura neutral y un apretón de puño que imitaba el clic. La red aprendió a traducir cada instantánea de datos de la pulsera en dos valores que describían la dirección del movimiento y un tercer valor que reflejaba la probabilidad de un “clic”. Crucialmente, producía salida para cada nueva muestra, lo que permitía un movimiento continuo y suave del cursor en lugar de saltos entre pasos discretos.

Aprender a apuntar, hacer clic e incluso jugar al Tetris

Ocho adultos jóvenes sin discapacidades motoras y una persona que había perdido todos los dedos de ambas manos probaron el sistema. Tras una calibración breve y unos minutos de entrenamiento, usaron gestos para mover un cursor desde el centro de la pantalla hacia objetivos colocados al azar y luego “capturarlos” con un clic de apretón de puño. A lo largo de varias sesiones, la mayoría de participantes mejoró en medidas como la proximidad del cursor a una trayectoria recta ideal, la rapidez para alcanzar los objetivos y la cantidad de movimiento extra cerca de la meta. Las mejoras fueron más notables en la primera mitad de las sesiones, con cierto deterioro posterior, probablemente debido a la fatiga o al desplazamiento de la pulsera. En una prueba separada, un participante sin discapacidad y el amputado usaron el mismo control para jugar rondas de Tetris, colocando y rotando con éxito bloques que caían usando solo movimientos de muñeca y mano.

Cómo se compara este nuevo enfoque

El equipo comparó sus resultados con modelos de rendimiento estándar y trabajos previos con sistemas basados en electrodos. Usando un marco bien conocido llamado ley de Fitts, que relaciona la dificultad de la tarea con el tiempo de movimiento, mostraron que muchos participantes—incluido el amputado—alcanzaron niveles de rendimiento similares a los observados con sensores musculares eléctricos. Su rendimiento (qué tan eficientemente completaban tareas de apuntado) y la eficiencia de la trayectoria (qué tan rectos eran sus movimientos) se acercaron a los de tecnologías consolidadas, a pesar del control continuo más exigente y del reto añadido de generar gestos de clic. Los investigadores sostienen que combinar mediciones basadas en luz y eléctricas en dispositivos futuros podría mejorar aún más la precisión y la robustez.

Qué podría significar esto para la vida cotidiana

Para un lector no especialista, la conclusión es que esta pulsera basada en luz puede convertir movimientos naturales de la muñeca y el antebrazo en un control fluido y en tiempo real del cursor de un ordenador y de juegos sencillos, incluso para alguien al que le falta una mano. Aunque el estudio incluyó solo a un amputado y a un grupo pequeño de voluntarios sanos, demuestra que la optomiografía puede proporcionar un control continuo e intuitivo que rivaliza con los enfoques eléctricos actuales, evitando algunas de sus debilidades. Con más trabajo en confort, colocación de sensores y estabilidad a largo plazo, estos sistemas podrían acabar moviendo manos protésicas más sensibles, herramientas de rehabilitación y controladores portátiles que se sientan menos como dispositivos médicos y más como accesorios cotidianos.

Cita: Khalikov, R., Soghoyan, G., Sintsov, M. et al. Wearable optomyography enables continuous neuroprosthetic control. Sci Rep 16, 9604 (2026). https://doi.org/10.1038/s41598-025-32646-y

Palabras clave: neuroprótesis portátiles, interfaz músculo-ordenador, sensado óptico muscular, control basado en gestos, rehabilitación protésica