通过机器学习和阻抗控制促进积极参与机器人辅助康复
Christian Tamantini1,2, Kevin Patrice Langlois3,4, Joris de Winter3,5
1Research Unit of Advanced Robotics and Human-Centred Technologies, Università Campus Bio-Medico di Roma, Rome, Italy.
Frontiers in digital health
|March 10, 2025
概括
本研究介绍了机器人辅助康复的自适应控制策略,该策略量化了患者参与度. 这种新的方法增强了积极参与,并通过根据用户的积极参与水平 (ALP) 来动态调整机器人的行为来改善治疗结果.
科学领域:
- 在康复中使用机器人技术
- 人与机器人的交互
- 机器学习应用 机器学习应用
背景情况:
- 积极的患者参与对于成功的机器人辅助康复至关重要.
- 目前评估患者参与度的方法往往有限,缺乏持续评估.
- 开发适应性人机交互策略可以显著提高康复的有效性.
研究的目的:
- 提出一种新的多式联络方法,用于估计上肢机器人辅助康复期间的积极参与水平 (ALP).
- 开发一种自适应ALP驱动的阻抗控制策略,根据用户参与,动态调整治疗.
- 加强人机交互,促进患者积极参与康复.
主要方法:
- 将压力传感和肌肉活动监测集成到多模式框架中,用于持续估计ALP.
- 利用机器学习来处理传感器数据,以全面评估用户参与.
- 实施了自适应ALP驱动的阻抗控制策略,以动态修改任务执行时间.
主要成果:
- 使用ALP驱动对照的参与者与传统控制器相比,显示出明显更高的正机械工作和肌肉激活.
- 主观反显示了对自适应系统的参与度和信心增加.
- 适应性策略有效地增强了人机交互,并激励了更多的患者参与.
结论:
- 通过适应ALP来关闭机器人的控制循环,可以有效地改善用户参与机器人辅助治疗.
- 由ALP驱动的控制策略有望提高患者参与度,并可能改善康复结果.
- 需要在临床环境中进行进一步的研究来验证这些发现.
