Hybrid sensorimotor control
Contrôle sensorimoteur hybride

Notre équipe utilise des systèmes hybrides, qui mixent des contrôleurs biologiques avec des dispositifs artificiels, dans le but (i) d’augmenter notre compréhension des mécanismes fondamentaux de contrôle sensorimoteur chez l’homme, et (ii) d’exploiter ces mécanismes pour restaurer ou optimiser nos mouvements. Plutôt que d’être pré-programmé dans le cerveau, la coordination de nos mouvements dépend de boucles sensorimotrices qui opèrent à différents niveaux du système nerveux et de l’appareil moteur. Par exemple, la mécanique de nos muscles fournit une réponse instantanée et fonctionnelle face à de petites perturbations, et les réflexes spinaux et transcorticaux sont capables d’absorber des perturbations plus importantes en coordonnant précisément la réponse de nos muscles. Ces boucles sont typiquement inopérantes dans le cas d’un dispositif artificiel, tel une prothèse dont la mécanique diffère beaucoup de celle du membre original, et qui ne fournit pas de retours sensoriels. Nous utilisons une variété de systèmes hybride en boucle fermé afin d’étudier comment les boucles sensorimotrices de bas niveau interagissent avec la biomécanique de nos membres, comment elles contribuent à la production de mouvements coordonnés, et comment les réintroduire dans des stratégies de contrôle hybrides permettant de restaurer des mouvements.

Lab webpage

Video

Axes de recherche

Axes principaux

Axe secondaire

Axe 5 : Cerveau, cognition et comportement

Mots clés

Apprentissage, Codage et intégration du signal, Comportement, Connectivité, Fonctions exécutives, Formation et fonctionnement des circuits neuronaux, Handicap, Intelligence artificielle et réalité virtuelle, Interfaces humain-machine et Santé connectée, Modélisation des neurones et des réseaux de neurones, Motricité, Mouvement

Selected publications

Lento B, Segas E, Leconte V, Doat E, Danion F, Péteri R, Benois-Pineau J, de Rugy A (2024) 3D-ARM-Gaze: a public dataset of 3D Arm Reaching Movements with Gaze information in virtual reality. Scientific Data, 11, 951.

Lento B, Leconte V, Bardisbanian L, Doat E, Segas E, de Rugy A (2024) Bioinspired head-to-shoulder reference frame transformation for movement-based arm prosthesis control. IEEE Robotic and Automation Letters, 9(9) 7875-7882.

Ségas E, Mick S, Leconte V, Dubois O, Klotz R, Cattaert D, de Rugy A (2023) Intuitive movement-based prosthesis control enables arm amputees to reach naturally in virtual reality. eLife 12, RP87317 https://elifesciences.org/articles/87317

Guémann M, Halgand C, Bastier A, Lansade C, Borrini L, Lapeyre E, Cattaert D, de Rugy A (2022) Sensory substitution of elbow proprioception to improve myoelectric control of upper limb prosthesis: experiment on healthy subjects and amputees. Journal of NeuroEngineering and Rehabilitation, 19 (1) 1-12.

Mick S, Segas E, Dure L, Halgand C, Benois-Pineau J, Loeb GE, Cattaert D, de Rugy A (2021) Shoulder kinematics plus contextual target information enable control of multiple distal joints of a simulated prosthetic arm and hand. Journal of NeuroEngineering and Rehabilitation. 18:3.

Leow LA, Marinovic W, de Rugy A, Carroll T (2020) Task errors drive memories that improve sensorimotor adaptation. J Neuroscience 40 (15), 3075-3088.

Couraud M, Cattaert D, Paclet F, Oudeyer PY, de Rugy A (2018) Model and experiments to optimize co-adaptation in a simplified myoelectric control system. Journal of Neural Engineering 15(2):026006, doi: 10.1088/1741-2552/aa87cf.