《Frontiers in Robotics and AI》：The impact of gait pattern personalization on the perception of rigid robotic guidance: a pilot user experience evaluation
编辑推荐：
引言：机器人辅助步态康复有助于实现高强度且可重复的治疗。然而，多数外骨骼（exoskeleton）依赖预记录的非个体化步态轨迹，且受限于矢状面，可能限制运动的自然性和用户舒适度。方法：研究人员提出一种数据驱动的步态个体化框架，用于支持多平面运动（multi-p
引言：机器人辅助步态康复有助于实现高强度且可重复的治疗。然而，多数外骨骼（exoskeleton）依赖预记录的非个体化步态轨迹，且受限于矢状面，可能限制运动的自然性和用户舒适度。方法：研究人员提出一种数据驱动的步态个体化框架，用于支持多平面运动（multi-planar motion）的外骨骼，包括髋外展/内收（hip abduction/adduction）以及骨盆平移和旋转（pelvic translation and rotation）。个体化轨迹通过回归模型（regression models）生成，模型基于正常数据库（normative database）中的人体测量学（anthropometric）、人口统计学（demographic）和步行速度（walking speed）数据训练。在包含10名年轻未受损参与者的受试者内实验（within-subject experiment）中，研究人员评估这些个体化轨迹的舒适度、自然度和整体体验，并与同一数据库的两种标准模式比较：一种为所有轨迹平均，另一种为随机选择。结果：研究人员未发现不同模式条件间存在显著差异，尽管由于刚性位置-微分控制器（stiff position-derivative controller）所有轨迹均以高精度执行。然而，研究人员发现，后续试次中的模式条件在舒适度和自然度评分上显著高于第一试次。讨论：研究结果提示，参与者可能已适应在外骨骼内行走，而与强制步态模式无关，并强调在设计个体化步态控制器时整合主观反馈以及在实验中考虑用户适应的重要性。
研究背景与问题：下肢外骨骼（exoskeleton）广泛用于步态康复，以提供高强度、任务特异性训练并减轻治疗师体力负担；轨迹跟踪控制可对运动控制严重受损者提供刚性引导。康复领域常假设自然、类生命性训练有利于技能向真实世界迁移，因此近年硬件发展致力于在多平面内实现更自然步行，如骨盆侧向平移、骨盆旋转和髋外展/内收（hip abduction/adduction）。然而，许多外骨骼仍强制执行基于未受损个体预记录数据或治疗师引导训练得到的预定义步态轨迹。个体步态具有独特性，年龄、性别、身体尺寸和步行速度可解释部分个体间变异；标准步态模式虽可提高可用性并增加训练时间，但忽视个体化对有意义、任务特异性练习及潜在持久恢复的意义。已有镜像方法、基于模型的方法和基于学习的方法用于步态个体化，但个体化相较通用模式在康复结局上的确证证据有限，尤其缺乏对舒适度、自然度和享受度等主观体验的实证证据。基于此，研究人员开展试点研究，比较未受损参与者在刚性外骨骼引导下对个体化与非个体化步态模式的主观感知，并以享受度、舒适度和自然度作为评价维度。研究人员使用改造的Lokomat?外骨骼，该平台支持膝关节屈/伸、髋屈/伸和外展/内收，以及骨盆全平移和旋转（含骨盆侧向驱动），并首次在同行评议文献中呈现完整平台及经验证的运动学模型。个体化步态模式即髋、膝和骨盆侧向期望轨迹，由基于步行速度、人体测量学和人口统计学数据的步态模式预测模型生成，模型在大型公开步行数据库上训练，轨迹由刚性位置-微分控制器（stiff position-derivative controller, PD）执行。研究人员预期参与者会更偏好其个体化步态模式。
关键技术方法：研究使用改造的Lokomat?外骨骼及运动学模型，通过回归模型预测步态关键事件，并以五次样条插值重建个体化髋、膝和骨盆侧向轨迹；标准模式由公开数据库轨迹平均得到，随机模式从数据库记录中抽取。预测模型训练与验证使用Fukuchi et al.公开步态数据库，该库含42名志愿者（24名年轻成人21—37岁，18名老年人50—84岁），并仅纳入该库中与跑步机速度上限匹配的三个速度水平。试点纳入10名年轻未受损参与者，进行受试者内三条件比较，每种条件2 min，顺序伪随机化；采用刚性PD控制、问卷（含内在动机量表（Intrinsic Motivation Inventory, IMI）条目及自设舒适度、自然度、被动性条目）、模式排序、膝作动器力与轨迹跟踪误差分析，并以线性混合模型（linear mixed model, LMM）和Friedman检验分析。
研究结果：
3.1 Accuracy evaluation of the personalized and Standard gait patterns（个体化与标准步态模式的准确性评估）：通过留一交叉验证（leave-one-out cross-validation）计算预测轨迹与实际数据库轨迹的均方根误差（root mean square error, RMSE），发现个体化与标准模型在不同关节上各有略优，未出现某一模型在所有评估关节上持续占优。髋屈/伸和髋外展/内收的标准模式RMSE略低，膝屈/伸和骨盆侧向运动的个体化轨迹RMSE略低。
3.2 User experience（用户体验）：通过LMM分析问卷和排序，发现三种模式在总体舒适度、自然度、兴趣/享受及被动性上无显著条件差异；舒适度均值为个体化3.34、标准4.09、随机3.69（7分制），自然度均值为2.85、3.56、3.39。个体化较标准模式报告更高的物理负担（β=1.07，t=2.86，p=0.011）。第三试次较第一试次总体舒适度显著提高（β=1.43，t=2.94，p=0.01），自然度显著提高（β=1.35，t=2.79，p=0.013），并更接近参与者自身步行方式（β=1.85，t=3.59，p=0.002）。排序分析显示第三试次较第一试次更舒适和更自然（p=0.037）。兴趣/享受个性化最高但差异不显著（β=0.20，t=1.35，p>0.05）。
3.3 Human-robot interaction forces and kinematics（人机交互力与运动学）：通过膝作动器平均绝对力和跟踪误差分析，发现随机模式较标准模式引起显著更高的膝力（右腿β=68.7，t=3.6，p=0.002；左腿β=84.5，t=4.1，p=0.001）；个体化与标准之间仅在左膝接近显著（β=42.1，t=2.0，p=0.061），右膝差异不显著（p=0.257）。跟踪误差总体较低（棱柱作动器最大8.48 mm，旋转作动器最大3.33°），且模式间轨迹差异幅度明显大于设备跟踪误差，如膝关节模式间平均差异约24—26°，对应跟踪误差仅2.9—3.1°。
讨论总结：讨论部分指出，研究人员首次在同行评议文献中呈现改造Lokomat?外骨骼及经验证运动学模型，该系统增加髋外展/内收及骨盆全平移和旋转（含侧向驱动），并实现基于公开步行数据库的个体化步态生成框架。然而，试点用户体验结果显示，个体化、标准与随机模式在兴趣/享受、总体舒适度和自然度上无显著差异；个体化仅较标准模式增加物理负担，且未在膝交互力上表现显著差异。原文认为，独立预测各关节轨迹可能降低关节间协调，刚性全轨迹引导、接口顺应性、袖带设计、较慢步行速度及外骨骼行走与真实步行的系统性差异可能掩盖模式间细微差异；健康步态存在步间变异且对速度、环境和扰动具有稳健性，可能使个体平均轨迹落在其他健康年轻成人运动学分布范围内。相较模式条件，试次顺序效应更明显：无论强制何种模式，参与者对最后试次的舒适度、自然度和相似性评分更高，提示其适应实验设置；原文强调暴露和适应对人机交互协议设计的重要性。局限包括数据库代表性有限、预测因素不能完全捕捉个体步态特征、参与者年龄和训练速度范围窄、个体化与标准轨迹重建方法不对称、样本量小、将有序Likert数据按连续变量处理及顺序效应等；研究结论应视为未受损人群中的可行性和用户感知证据，而非临床疗效证据。未来应在临床人群中验证机器人及个体化算法框架，并探索袖带设计、接口刚度、辅助/阻抗控制、无轨迹框架、耦合预测模型、更多样化数据库及基于用户反馈的轨迹细化。
研究结论翻译：在这项受试者内试点研究中，研究人员在健康参与者样本中探讨了对个体化、标准和随机步态模式的用户感知，采用能够提供多平面运动辅助的外骨骼，聚焦享受、舒适和自然度。研究人员开发并评估了用于外骨骼控制的综合运动学模型，以及基于回归的预测模型，该模型由人体测量学、人口统计学和步行速度数据生成个体化髋、膝和骨盆轨迹。主观评估显示步态模式条件间差异极小。然而，研究人员发现，无论强制何种步态模式，参与者通常将最后体验的步态模式评为比第一试次更舒适和自然，提示对实验设置的适应。这些发现表明，在未受损用户的小样本中，步态运动学个体化相比对机器人系统的适应和整体系统工效学，其短期影响较小。未来工作应在临床人群中验证机器人和个体化算法框架，因为个体化在其中可能发挥更关键作用。
