预测神经肌肉参与以改善步行训练,使用机器人脚外骨架

科学领域:

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

背景情况:

• 机器人康复的有效性取决于患者的神经肌肉参与.
• 大脑 (CP) 影响运动控制,需要定制的康复策略.
• 外骨架辅助步行训练需要优化肌肉激活模式.

研究的目的:

• 用机器学习来预测CP患者在外骨行走过程中脚足底 flexor 肌肉的招募.
• 根据这些预测开发一个个性化的生物反系统,以提高用户参与度.
• 评估这种生物反系统在机器人康复期间对肌肉招募的影响.

主要方法:

• 监督机器学习,特别是多层感知子 (MLP),使用外骨传感器的数据进行训练.
• 人工神经网络 (ANN) 从电肌图 (EMG) 数据中预测肌肉招募的准确率达到85-87%.
• 参与者接受了步行训练,实时的视听生物反来自在线MLP预测.

主要成果:

• 在外骨架辅助行走过程中,MLP准确地预测了神经肌肉招募模式.
• 与单独抵抗训练相比,生物反集成导致脚下肌肌肉招募的显著增加 (24 ± 16%).
• 个性化生物反框架显示了改善患者参与和康复结果的潜力.

结论:

• 在线机器学习模型可以有效地预测机器人康复的神经肌肉招募.
• 个性化生物反系统增强了使用外骨架的CP个体的患者参与和肌肉激活.
• 这种方法有望优化机器人康复干预的有效性.