在使用可穿戴惯性测量单元数据和长期短期记忆建模的部外套辅助行走期间实时估计用户的适应性

科学领域:

• 生物力学 生物力学
• 机器人技术 机器人技术 机器人技术
• 人与计算机的交互

背景情况:

• 可穿戴机器人,就像部外衣一样,可以提高行走效率.
• 这些设备的有效性取决于用户适应所提供的协助的能力.
• 实时量化这种适应对于优化性能和用户体验至关重要.

研究的目的:

• 为实时估计用户适应可穿戴机器人的辅助引入一个新的框架.
• 仅使用可穿戴传感器数据进行适应估计,不包括在操作期间的代谢测量.
• 验证框架在外骨架辅助行走过程中跟踪适应的能力.

主要方法:

• 五个健康的成年人穿着软部外套在跑步机上走了六天.
• 安装在大腿上的惯性测量单元捕获了步态数据,从中提取了步态频率,部曲和部延伸的变化.
• 一个长期短期记忆 (LSTM) 模型根据这些动态变化特征估计了适应水平.

主要成果:

• 用户的适应性得到了证实,六天内代谢成本显著下降 (9.0 ± 5.6%).
• 动力学变化指标 (步骤频率,最大部曲,最大部延伸) 显著下降,反映了用户的适应.
• 通过Leave-One-Subject-Out验证,LSTM模型实现了59.2%的预测准确度,在以代谢成本为基础的适应 ±10个百分点内.

结论:

• 使用可穿戴传感器动态数据,可以实时估计用户适应外衣辅助.
• 步态变化指标有效地捕捉了用户适应机器人辅助的情况.
• 该框架支持可穿戴机器人的自适应控制和个性化训练协议.