山型执行器组件对强化学习控制器性能的影响,以逆转上肢

科学领域:

• 生物医学工程 生物医学工程
• 神经科学是一个神经科学.
• 康复机器人 康复机器人

背景情况:

• 功能电刺激 (FES) 在脊髓损伤 (SCI) 患者中提供了恢复运动的潜力.
• 通过强化学习 (RL) 进行训练的深度神经网络 (DNN) 正在探索,以控制上肢运动的FES.
• 以前的研究表明,肌肉强度不对称可能会对RL控制器性能产生负面影响.

研究的目的:

• 调查RL控制的FES系统中由于肌肉强度不对称而导致性能下降的原因.
• 比较不同的Hill型肌肉缩模型,并评估RL控制器对被动臂力学敏感度.

主要方法:

• 使用 Hill 类型肌肉模型模拟上肢运动,具有不同程度的缩和被动性.
• 描述了强化学习控制器对肌肉和肌硬度变化的敏感性.
• 分析了 flexor 肌肉疲软和延伸肌肉硬度对控制器性能和可行的工作空间的影响.

主要成果:

• RL控制器的性能显示,对肌和肌硬度中度变化的敏感性较低.
• 柔软肌肉的软弱和延伸肌肉的硬度增加显著影响了RL控制的可行的工作空间.
• 归因于不对称性的性能问题与屈曲器活力不足与被动延伸器阻力有关.

结论:

• 柔软肌肉的软弱和被动延伸器的阻力是限制RL控制FES在SCI中的表现的关键因素.
• 康复方案应侧重于减少被动肌肉抵抗力和增强对抗性肌肉力量.
• 有针对性的干预措施可以提高FES基础的运动恢复对脊髓损伤的个体的有效性.