基于足部力学反馈的坐-站意图检测新方法：机械足趾刺激与帕累托优化策略

《Robotica》：A novel method for detecting sit-to-stand intent using mechanical toe stimulus with foot reaction forces

为解决STS(坐-站)辅助设备中意图检测的准确性与及时性问题，研究人员开展了一项关于利用机械足趾刺激与足底反力检测STS意图的新方法研究。该研究通过帕累托优化(Pareto optimization)方法设定阈值，结果表明，施加机械刺激能显著提升STS意图的检测率与稳定性，为按需辅助(AAN)策略的实现提供了关键技术支撑。

　　

从椅子上站起来，这个看似简单的动作，对于许多老年人或行动不便者而言，却是一道难以逾越的鸿沟。随着年龄增长，下肢肌肉力量衰退，导致他们难以独立完成坐-站(Sit-to-Stand, STS)动作，这不仅影响生活质量，更增加了跌倒的风险。为了帮助这些人群，康复机器人或辅助设备应运而生。然而，一个核心的难题摆在了面前：如何让机器“读懂”人的意图？

理想的辅助设备应该遵循“按需辅助”(Assist-as-needed, AAN)的原则，即只在用户需要时才提供帮助，鼓励用户尽可能多地使用自身力量，避免肌肉废用。这就对意图检测的“时机”提出了极高的要求——必须在臀部离开椅面之前就准确识别出用户的站立意图，以便设备有足够的时间做出反应，提供及时、安全的助力。

传统的意图检测方法主要依赖于测量躯干前倾角度(AFI)或下肢肌电图(EMG)信号。虽然这些方法在实验室环境下表现出色，但在实际应用中却面临诸多挑战。EMG信号容易受到肌肉疲劳、出汗等因素的干扰，且传感器需要直接贴在皮肤上，给日常使用带来不便。此外，在日常生活中，人们经常会做出类似站立意图的动作，比如弯腰捡东西或伸手够物，这些“干扰动作”很容易导致系统误判，引发不必要的辅助或警报。

为了解决这些痛点，来自东京科学大学的研究团队独辟蹊径，提出了一种全新的意图检测方法。他们不再被动地等待用户做出动作，而是主动出击，通过向用户的足趾施加一个微小的机械刺激，然后分析足底反力的变化，从而精准地“问”出用户的真实意图。这项创新性的研究成果发表在机器人学领域的知名期刊《Robotica》上。

为了验证这一方法的有效性，研究人员设计了一套精密的实验系统。该系统包含一个特制的足部踏板，能够通过电机驱动，在检测到足跟反力(F_heel)增加时，自动向上抬起用户的足趾，施加一个向上的机械刺激。同时，安装在足跟和足趾区域的高精度力传感器会实时监测足底反力的变化。

研究团队招募了5名健康的年轻受试者，让他们在两种条件下（施加刺激与不施加刺激）分别执行三种动作：正常的坐-站动作、向前抓取物品以及弯腰捡拾物品。通过分析这些动作过程中足跟反力(F_heel)、足趾反力(F_toe)及其变化率(ξ_heel和ξ_toe)的数据，研究人员发现了一个关键现象：当用户意图站立时，他们对足趾刺激的“反抗”反应会显著增强，导致F_toe和ξ_toe急剧升高；而在进行干扰动作时，这种反应则明显减弱。

为了在“提前检测时间”和“检测准确率”这两个相互矛盾的目标之间找到最佳平衡点，研究团队采用了帕累托优化(Pareto optimization)这一多目标优化方法。他们从离线测试数据中提取了数千种可能的阈值组合，并构建了帕累托前沿(Pareto front)，最终筛选出能够实现最优性能的阈值参数。

1. 机械刺激显著增强了意图检测的鲁棒性

研究结果显示，施加机械刺激能够有效地区分站立意图和干扰动作。在无刺激条件下，干扰动作有时也会导致足底反力升高，容易造成误判。而施加刺激后，站立意图下的F_toe和ξ_toe值显著高于干扰动作下的值，使得系统能够更准确地将两者区分开来，从而大幅提高了干扰动作的检测率。

2. 实现了站立意图的早期检测

通过应用帕累托优化设定的阈值，该系统能够在用户臀部离开椅面之前，平均提前约400毫秒成功检测到站立意图。这一提前量为辅助设备提供了充足的反应时间，确保了助力的及时性。

3. 帕累托优化方法实现了阈值的自动化设定

该研究成功地将帕累托优化方法应用于STS意图检测的阈值设定中。该方法能够自动地在检测准确率和提前检测时间之间进行权衡，找到最优的阈值组合，避免了传统手动设定阈值的繁琐和主观性，提高了方法的实用性和可推广性。

4. 系统性能在在线测试中得到验证

研究人员将离线测试中确定的阈值应用于在线实时检测中，结果表明，系统在真实场景下依然能够保持高精度的检测性能，验证了该方法的有效性和可靠性。

该研究提出了一种基于机械足趾刺激和足底反力分析的坐-站意图检测新方法。通过主动施加刺激并分析用户的力学反馈，该方法能够准确、稳定地识别用户的站立意图，并有效区分干扰动作。研究结果表明，机械刺激的引入显著提升了意图检测的鲁棒性，而帕累托优化方法的运用则实现了检测阈值的自动化设定，在检测准确率和提前检测时间之间取得了良好的平衡。

这项研究的意义在于，它为按需辅助(AAN)的坐-站辅助设备提供了一种非侵入式、高精度的意图检测解决方案。与传统的肌电图(EMG)或角度传感器相比，该方法无需佩戴繁琐的传感器，对用户更加友好，且不易受日常活动干扰。未来，该方法有望被集成到实际的辅助设备中，帮助老年人或行动不便者更安全、更独立地完成站立动作，从而提升他们的生活质量。