Esta tese trata da estimativa de torque e rigidez do paciente dirigida por EMG e sua utilização para adaptar a rigidez do robô durante a reabilitação assistida por robôs. Os sinais eletromiográficos (EMG), obtidos de músculos que atuam durante os movimentos de flexão e extensão de um usuário utilizando uma órtese de joelho ativa, são processados para obter as ativações dos músculos. Inicialmente, um modelo musculoesquelético simplificado e otimizado é usado para calcular as estimativas de torque e rigidez da junta do paciente. A otimização do modelo é realizada comparando o torque estimado com o torque gerado pela ferramenta de dinâmica inversa do software OpenSim, considerando um modelo musculoesquelético escalonado. Como uma solução complementar, é proposta uma rede neural perceptron multicamada (NN) para mapear os sinais EMG para o torque do paciente. Também é apresentado um Ambiente de Estimativa de Torque Gerado por EMG criado para analisar os dados obtidos a partir da aplicação das abordagens propostas considerando a aplicação de um protocolo criado para a análise de interação usuário-exoesqueleto. Um banco de dados de indivíduos saudáveis também foi disponibilizado neste trabalho. Além disso, uma estratégia de controle de impedância adaptativa é proposta para ajustar a rigidez do robô com base na estimativa de rigidez do paciente por EMG. A estratégia inclui uma solução ideal para a interação paciente-robô. Finalmente, são apresentados os resultados obtidos aplicando o controle de impedância adaptativo proposto durante os movimentos de flexão e extensão do usuário que usa a órtese ativa.

This thesis deals with EMG-driven patient torque and stiffness estimation and its use to adapt the robot stiffness during robot-aided rehabilitation. Electromyographic (EMG) signals, taken from selected muscles acting during flexion and extension movements of an user wearing an active knee orthosis, are processed to get the muscles activations. First, a simplified and optimized musculoskeletal model is used to compute the estimate of patient joint torque and stiffness. The model optimization is performed by comparing the estimate torque with the torque generated by the inverse dynamics tool of the OpenSim software, considering a scaled musculoskeletal model. As a complementary solution, a multilayer perceptron neural network (NN) is proposed to map the EMG signals to the patient torque. It is also presented an EMG-driven Torque Estimation Environment created to analyze the data obtained from the application of the proposed approaches considering a protocol created for user-exoskeleton interaction analysis. A database with data from 5 healthy subjects is also made available in this work. Additionally, an adaptive impedance control strategy is proposed to adjust the robot stiffness based on the EMG-driven patient stiffness estimation. The strategy includes an optimal solution for the patient-robot interaction. Finally, the results obtained by applying the proposed adaptive impedance control during flexion and extension movements of the user wearing the active orthosis are presented.