2020 Frontiers in Neurorobotics丨一種康復機器人步態自適應識別方法

一種康復機器人步態自適應識別方法

張熹 供稿

文章基本信息標題：An Adaptive Method for Gait Event Detection of Gait Rehabilitation Robots期刊：Frontiers in Neurorobotics作者：Jing Ye, Hongde Wu, Lishan Wu, Jianjun Long, Yuling Zhang, Gong Chen, Chunbao Wang, Xun Luo, Qinghua Hou and Yi Xu作者簡介：作者分別來自深圳邁步機器人公司，深圳老年病研究所，中山大學附屬醫院康復科，哈佛醫學院卒中康復實驗室。金句分享IntroductionIn the field of gait rehabilitation robots, synchronization between motion of robots and actual human gait requires that the robot can accurately identify the current gait event and then automatically adjusts its gait phase to achieve human-robot synchronization.（介紹背景）The above researches are most focused on information analysis from sensors mounted on the shank or foot. However, we find that, compared to the thigh, the motion of the shank and foot have higher speed and variable acceleration while walking, which may cause higher accumulated error when calculation the shank or foot angle based on angular velocity detected by IMU.（總結前人工作不足）The focus of this paper is to build a linear regression model, which can detect an HS gait event for different subjects walking at various stride frequencies. Besides, it obtains a set of observable fixed thresholds for TO gait event detection.（文章主要方法及目的）MethodThe conventional thresholding method for gait event detection is based on fixed thresholds. The proposed method adopts adaptive thresholds for HS detection and observable thresholds for TO detections.（方法創新）For the purpose of the present study, only the outputs of the gyroscope orthogonal to the sagittal plane and the forward accelerometer orthogonal to the coronal plane were retained for analysis.(定義主要輸入信號)For HS detection, the data from 20 healthy subjects were classified into training and testing sets for linear regression models, and five different train:test subject ratios were adopted, ranging from 9:1 to 5:5.（檢測模型訓練）ResultThe proposed method can detect all HS/TO gait events precisely. However, the conventional thresholding method misses HS gait event detections when a set of fixed thresholds is used.（主要結論）DiscussionFor HS, because stride lengths affect thigh angle spikes, when a subject wearing the BEAR-H1 walks at one kind of stride frequency, thigh angle may change within a relatively large range. In this case, the model can still detect HS gait events within 3% gait cycle errors.（方法的優越性）Foot pressure sensors used here are considered as a convenient way to generate the labeled data sheet for HS and TO gait event detection. The accuracy of gait detection based on foot pressure sensors may be questioned.（方法可能存在的問題）文章簡介

在外骨骼康復機器人領域，步態識別對於外骨骼機器人輔助患者康復十分重要。擺動相和站立相是步態的兩個階段，準確地識別這兩個階段不僅對康復機器人行走策略部署至關重要，還能確保患者不在康復過程中收到二次上海。常規的通過足跟觸地（heel strike）和腳趾抬起（toe off）來識別步態的算法多基於閾值法或機器學習算法，將慣性測量單元（IMU）部署在小腿以及腳步識別這兩個階段的算法多種多樣，但本文認為通過部署在小腿及腳步的IMU所得的角速度信號可能會增加計算誤差，因此本文將利用部署在大腿的IMU來對步態進行識別。

方法

本文通過部署在大腿的IMU採集20名健康人的大腿角度

對於HS事件，通過對信號進行Pearson相關係數的計算，發現大腿角度與向前的軸向加速度有很強的相關性，因此可以通過線性回歸模型來獲得HS事件的大腿角度，步驟如下：

對於TO事件，通過對大腿角度，角加速度以及角速度均值三個信號的均值以及標準差的計算，本文通過固定閾值的方法來檢測TO事件。以上三個變量的統計結果分別為-8.31±5.17（大腿角度），1.76±1.32（角加速度），0.32±0.12（角速度均值），由此檢測TO事件條件如下:

帶星號變量為上述三個變量的閾值，分別被設置為0.2，0，0。

HS及TO事件的檢測是順序且循環執行的，流程圖如下：

檢測TO事件的等待時間

結論

本文對HS及TO事件的檢測在健康人與偏癱患者上進行了與傳統閾值方法的對比，通過計算時間以及頻率的檢測誤差得到結果如下：

偏癱患者檢測對比結果：

時間誤差若為正則表示檢測提前於事件，反之表示滯後於事件；頻率誤差若為負表示錯過了步態事件的檢測，反之表示檢測到更多的步態事件。

同時文章比較了不同訓練集/測試集比例下在不同步態頻率情況中的檢測準確度，發現訓練集/測試集的比例在HS及TO事件的檢測準確度方面沒有顯著差異。

藍、綠、紅分別表示平均絕對離差、平均正離差、平均負離差

通過對結果的分析發現本文提出的方法在HS事件上檢測效率略有提高，在TO事件上檢測效率在健康人方面沒有改進而在偏癱患者方面略有提高。

討論

文章提出了一種基於部署在大腿的IMU進行步態識別的方法。實驗證明該方法在不同步頻情況下對於HS及TO步態事件的檢測是可靠的，且優於現有的基於閾值檢測的相關算法。在健康人與患者間的誤差差異源於兩者不同的步態特徵以及患者受限的運動功能。

本文利用足底壓力對HS及TO事件進行標記後進行訓練，關於足底壓力測量裝置長期使用是否仍能保持準確度以及偏癱患者兩側足底壓力不統一造成檢測誤差的質疑，本文解決的方法是利用壓力的上升以及下降的趨勢進行識別，而非壓力的絕對值，在一定程度上解決了足底壓力測量誤差的問題。

因本文所得數據僅來自於一個外骨骼機器人，未來該研究團隊將在更多的外骨骼產品上驗證方法的可行性及一致性，同時將納入更多的偏癱患者來優化算法的輸出。

參考文獻

Ye J, Wu H, Wu L, et al. An Adaptive Method for Gait Event Detection of Gait Rehabilitation Robots[J]. Frontiers in Neurorobotics, 2020, 14.