Personalizzazione dell'assistenza all'esoscheletro mentre si cammina nel mondo reale

Natura volume 610, pagine 277–282 (2022) Citare questo articolo

29k accessi

22 citazioni

1361 Altmetrico

Dettagli sulle metriche

L'assistenza personalizzata dell'esoscheletro fornisce agli utenti i maggiori miglioramenti nella velocità di camminata1 e nel risparmio energetico2,3,4 ma richiede lunghi test in condizioni di laboratorio innaturali. Qui mostriamo che l’ottimizzazione dell’esoscheletro può essere eseguita rapidamente e in condizioni reali. Abbiamo progettato un esoscheletro portatile della caviglia sulla base dei risultati dei test effettuati con un versatile banco di prova da laboratorio. Abbiamo sviluppato un metodo basato sui dati per ottimizzare l’assistenza dell’esoscheletro all’aperto utilizzando sensori indossabili e abbiamo scoperto che era altrettanto efficace dei metodi di laboratorio, ma identificava i parametri ottimali quattro volte più velocemente. Abbiamo eseguito l'ottimizzazione nel mondo reale utilizzando i dati raccolti durante molti brevi periodi di camminata a velocità variabili. L'assistenza ottimizzata durante un'ora di camminata naturalistica in un ambiente pubblico ha aumentato la velocità autoselezionata del 9 ± 4% e ha ridotto l'energia utilizzata per percorrere una determinata distanza del 17 ± 5% rispetto alle scarpe normali. Questa assistenza ha ridotto il consumo di energia metabolica del 23 ± 8% quando i partecipanti camminavano su un tapis roulant a una velocità standard di 1,5 m s−1. I movimenti umani codificano informazioni che possono essere utilizzate per personalizzare i dispositivi di assistenza e migliorare le prestazioni.

Gli esoscheletri che assistono il movimento delle gambe sembrano promettenti per migliorare la mobilità personale, ma devono ancora fornire benefici nel mondo reale. Milioni di persone hanno problemi di mobilità che rendono la camminata più lenta5 e più faticosa6, mentre altri milioni di persone svolgono occupazioni che richiedono una locomozione faticosa7. Nei laboratori di ricerca, gli esoscheletri possono aumentare la velocità di camminata1,8,9 e ridurre l'energia necessaria per camminare2,3,4,10,11,12,13,14,15,16, ma questi benefici non si sono ancora tradotti nel mondo reale condizioni17. Fornire assistenza utile nel mondo reale è difficile per diversi motivi: le attrezzature specializzate utilizzate per personalizzare l'assistenza non sono disponibili al di fuori del laboratorio; a differenza della camminata su un tapis roulant, la camminata quotidiana avviene in molti periodi di velocità e durata variabili; e i dispositivi devono essere autonomi e facili da usare. In questo studio, abbiamo affrontato ciascuna di queste sfide per dimostrare un'efficace assistenza dell'esoscheletro in condizioni naturalistiche.

Massimizzare i benefici dell’assistenza all’esoscheletro richiede la personalizzazione in base alle esigenze individuali, il che è impegnativo al di fuori di un laboratorio. I maggiori miglioramenti nelle prestazioni umane nel cammino sono stati ottenuti personalizzando l’assistenza utilizzando l’ottimizzazione human-in-the-loop1,2,3,4, un processo in cui il controllo del dispositivo è sistematicamente sintonizzato per migliorare le prestazioni umane mentre una persona utilizza un dispositivo. La misurazione di aspetti importanti della prestazione, compreso il tasso metabolico16, ha richiesto costose attrezzature di laboratorio e lunghi periodi di camminata costante su tapis roulant18. Personalizzare i dispositivi medici o di consumo in questo modo richiederebbe diverse e lunghe visite in una clinica specializzata, il che sarebbe costoso e poco pratico. Se invece le prestazioni umane potessero essere stimate rapidamente, utilizzando sensori indossabili a basso costo, l’ottimizzazione potrebbe essere eseguita mentre le persone si muovono in modo naturale nella loro vita quotidiana. Ciò potrebbe essere possibile utilizzando la modellazione muscoloscheletrica19, ma tali simulazioni richiedono un utilizzo intensivo dei calcoli20 e richiedono individualizzazione. I modelli basati sui dati potrebbero essere in grado di catturare caratteristiche importanti delle prestazioni umane in modo più semplice21,22,23,24,25.

Abbiamo sviluppato un modello basato sui dati che mette in relazione il movimento umano durante la deambulazione assistita dall'esoscheletro con il consumo di energia metabolica e può essere utilizzato al di fuori del laboratorio. Il movimento umano nasce dall'interazione tra l'inerzia dei nostri segmenti corporei e le forze provenienti dall'ambiente e dai nostri muscoli. Abbiamo ipotizzato che un'attenta analisi potesse estrarre informazioni significative sul dispendio energetico muscolare da sottili cambiamenti nel movimento. In un precedente esperimento4, i partecipanti camminavano con l'assistenza dell'esoscheletro in circa 3.600 condizioni diverse mentre i dati venivano registrati sia dalle apparecchiature di laboratorio che misurano i risultati biomeccanici sia dai sensori portatili a basso costo sull'esoscheletro. Abbiamo addestrato un modello di regressione logistica utilizzando questo set di dati precedente (Dati estesi Fig. 1). Il modello di classificazione basato sui dati ha confrontato i dati dei sensori provenienti da due diversi modelli di assistenza dell'esoscheletro, ciascuno definito da una "legge di controllo", e ha classificato quale legge di controllo forniva un vantaggio maggiore. Gli input del modello erano l'angolo e la velocità della caviglia, segmentati per ciclo del passo, e i parametri di coppia per ciascuna legge di controllo. Il modello ha quindi stimato la probabilità che la prima legge di controllo determinasse un minore dispendio energetico metabolico. In sostanza, il classificatore ha favorito coppie successive dell'esoscheletro più grandi e movimenti fluidi e tempestivi che hanno portato ad una maggiore estensione della caviglia allo stacco. Durante l'ottimizzazione, l'utente ha sperimentato una serie di leggi di controllo, il modello basato sui dati ha confrontato tutte le possibili coppie di leggi di controllo, le leggi di controllo sono state classificate e un algoritmo di ottimizzazione26 ha aggiornato la stima dei parametri ottimali e ha generato una nuova serie di leggi di controllo da valutare (Fig. 1). Questo processo è stato ripetuto finché non sono stati soddisfatti i criteri di convergenza.