优化膝关节外骨架辅助的人在循环中,以最大限度地减少用户的代谢和肌肉努力
Sara Monteiro1, Joana Figueiredo1,2,3, Pedro Fonseca4
1Center for MicroElectroMechanical Systems (CMEMS), University of Minho, 4800-058 Guimarães, Portugal.
Sensors (Basel, Switzerland)
|June 19, 2024
概括
这项研究引入了对膝关节外骨的人体循环 (HITL) 控制,使用机器学习来估计代谢成本并减少行走时的体力劳动. 该系统显著降低了用户的代谢成本和相互作用扭矩.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 生物力学 生物力学
- 人与计算机的交互
背景情况:
- 下肢外骨架可以帮助预防肌肉骨疾病,但往往缺乏适应性控制.
- 以用户为导向的控制策略对于实时优化外骨架辅助至关重要.
研究的目的:
- 开发和评估一个人类在循环 (HITL) 控制膝关节外骨架.
- 通过减少交互扭矩和代谢成本,最大限度地降低用户的体力.
- 通过在HITL控制中使用机器学习模型实时估计代谢成本来创新.
主要方法:
- 使用CMA-ES算法对膝关节外骨实施了一个HITL控制策略.
- 使用交互扭矩和估计的代谢成本评估用户的体力.
- 开发了一种机器学习回归模型,以实时估计代谢成本.
- 在零扭矩和无设备条件下比较HITL控制.
主要成果:
- 机器学习模型估计了代谢成本,根平均平方误差为0.66W/kg,平均绝对百分比误差为26% (n=5),提供比呼吸计更快,更小噪音的估计.
- HITL对照降低了用户的代谢成本7.3% (与零扭矩相比) 和5.9% (与没有设备相比).
- 与零扭矩控制器 (n=1) 相比,相互作用扭矩减少了32.3%.
- 用户特定的HITL控制表明代谢成本低于非用户特定的辅助.
结论:
- 开发的HITL控制有效地减少了在辅助行走期间的体力和代谢成本,超过了非外骨和零扭矩条件.
- 通过机器学习实时代谢成本估计是可行的,并有利于HITL外骨控制.
- 这一概念验证突出了自适应HITL控制在增强外骨架辅助运动方面的潜力.
