基于人机协同控制的下肢外骨骼个性化偏瘫步态辅助

《Journal of Automation and Intelligence》：Human–robot cooperative control of a lower-limb exoskeleton for personalized hemiparetic gait assistance

　　

偏瘫步态在不同患者间存在差异，且患侧运动表现在不同关节和步态相位之间有所不同。因此，个性化的外骨骼辅助需要适应于当前步态状态的参考轨迹，并根据不同关节和步态相位的运动表现调整辅助强度。为此，提出了一种用于下肢外骨骼的人机协同控制框架。在轨迹生成层面，长短期记忆（Long Short-Term Memory, LSTM）网络从健侧髋关节和膝关节的关键运动特征中预测患侧目标特征。这些预测特征作为局部约束条件输入核化运动基元（Kernelized Movement Primitives, KMP），后者从健康步态数据学习到的概率参考模型中重建连续的患侧参考轨迹。所得轨迹既能反映患者当前步态的变化，又能保留健康步态参考的整体结构。在辅助控制层面，参考轨迹被转换为髋-膝关节空间参考路径，并根据当前患侧关节状态确定前视参考点。随后，利用分相运动范围（Range of Motion, ROM）对称性评估局部运动表现，并迭代更新关节阻抗参数以实现分相适应辅助。在健康步态数据库上的评估表明，该方法在不同受试者和行走速度条件下均能实现准确的轨迹重建。与偏瘫患者的辅助行走实验显示，患侧关节运动和双侧ROM对称性得到改善，同时人机交互力降低。这些结果证明了所提框架在个性化偏瘫步态辅助中的实际可行性。

论文解读文章

一、研究背景与问题

偏瘫步态是脑卒中后常见的功能障碍，表现为患侧下肢运动控制减弱、双侧步态不对称及步行能力受限。由于不同患者的残余运动能力、步态节律和代偿模式存在显著差异，外骨骼提供的辅助必须高度个体化，并能随步态相位动态调节。现有临床常用的预设轨迹或固定参数辅助方案虽然实施简单、运动模式稳定，但难以适应患者间的差异和步态的实时变化。尽管阻抗控制、按需辅助控制和人在回路优化等方法已被用于调节辅助输出，使外骨骼控制从刚性轨迹跟踪向适应患者运动表现的人机协同辅助转变，但参考轨迹生成与辅助控制策略仍面临两个关键问题：一是如何在线生成反映患者当前步态状态的患侧参考轨迹，同时保留正常步态的整体运动模式；二是如何在考虑不同关节和步态相位运动缺陷差异的前提下，自适应地调节辅助参数。现有研究中，参考轨迹生成与辅助控制往往被相对独立地处理，缺乏二者的联合集成。因此，研究人员开展了此项研究，旨在开发一种将在线参考适应与分相辅助调节相结合的人机协同控制框架。

二、研究内容与结论

研究人员提出了一种用于下肢外骨骼的人机协同控制框架，为偏瘫步态提供个性化辅助。该框架利用健侧运动信息表征当前步态状态以进行在线参考生成，同时采用分相患侧运动范围（ROM）对称性估计辅助需求以实现自适应阻抗调节。通过这种方式，外骨骼能够生成适应当前步态状态同时保留正常步态模式的患侧参考轨迹，并能根据不同关节和步态相位的运动缺陷调整辅助参数。在健康步态数据库上的评估显示，该方法在不同受试者和行走速度条件下均实现了准确的轨迹重建。在六名偏瘫患者中的辅助行走实验表明，患侧关节运动和双侧ROM对称性得到改善，同时人机交互力降低。这些结果验证了所提框架在个性化偏瘫步态辅助中的实际可行性。

三、关键技术方法

研究人员采用了以下主要技术方法：

1. 1.
   基于LSTM的特征点预测：从健侧髋、膝关节运动中提取关键特征点（包括时间间隔、关节角度和角速度），利用LSTM网络学习双侧下肢关节运动之间的非线性协调关系，预测患侧对应特征点的偏差值。LSTM模型包含一个80个隐藏单元的LSTM层和一个全连接回归输出层，采用Adam优化器训练。
2. 2.
   基于KMP的轨迹重建：首先从健康步态数据库建立高斯混合模型（Gaussian Mixture Model, GMM）/高斯混合回归（Gaussian Mixture Regression, GMR）概率参考轨迹模型。然后将LSTM预测的患侧特征点作为局部约束，通过核化运动基元（KMP）方法结合径向基函数核，在归一化步态相位域内重建连续的患侧髋、膝关节参考轨迹，使其既满足预测特征点的约束，又保留健康步态的整体形状。
3. 3.
   前视参考点搜索：将生成的时变髋、膝参考轨迹转换为时不变的髋-膝关节空间参考路径，根据当前患侧关节状态在路径上确定前视参考点，引导患侧关节状态趋向正常步态参考路径，同时允许患者自主调节步进节奏。
4. 4.
   基于分相ROM对称性的自适应阻抗调节：将步态周期分为早期站立相、晚期站立相和摆动相，计算各相内患侧与健侧关节ROM之比作为对称性指标。当该指标低于或高于参考区间（0.9~1.1）时，分别增加或减少相应相的刚度参数，阻尼参数则根据刚度参数按比例设定。此外，引入前馈补偿项以抵消外骨骼重力和减轻摆动期抬升患肢的负担。

四、研究结果

5.1 在线参考轨迹生成评估

在8名健康男性受试者组成的健康步态数据库中，采用留一法交叉验证比较了三种方法：M1（复制健侧轨迹）、M2（基于LSTM的直接轨迹映射）、M3（本文提出的个性化轨迹生成方法）。结果显示：

• •
  对于髋关节特征点预测，时间间隔、关节角度和角速度的平均均方根误差（RMSE）分别为25.86 ms、3.02°和12.83°/s；膝关节对应结果为18.85 ms、4.17°和17.37°/s。
• •
  与M1相比，M2的髋关节和膝关节平均RMSE分别降低21.9%和20.3%，而M3分别降低52.6%和45.5%。
• •
  在变速行走条件下，M3相比M2的髋关节和膝关节RMSE进一步降低39.1%和31.7%。

5.2 偏瘫步态辅助评估

在6名偏瘫患者中进行了辅助行走实验，所有患者均保留一定患侧下肢自主运动能力。使用相同的LSTM和KMP超参数设置，预训练的髋、膝关节LSTM模型跨患者共享，无需患者特定重新训练或微调。实验平台为单侧下肢外骨骼，辅助患侧髋、膝关节矢状面屈伸运动。结果表明，所提框架改善了患侧关节运动和双侧ROM对称性，降低了人机交互力。

五、讨论与结论

研究人员在讨论中指出，所提框架的核心优势在于将参考轨迹生成与辅助控制有机集成，使外骨骼能够同时适应患者的当前步态状态和局部运动表现。与直接轨迹映射方法相比，基于LSTM特征预测和KMP轨迹重建的方法通过关键事件驱动更新和整体参考形状约束，有效抑制了输入波动向生成轨迹的传播，提高了轨迹平滑度和准确性。基于分相ROM对称性的自适应阻抗调节方法能够针对不同关节和步态相位的运动缺陷差异进行精细化的辅助强度调整。

研究结论：本文提出的面向下肢外骨骼的人机协同控制框架，通过在线参考轨迹生成和自适应辅助控制的联合设计，为偏瘫步态提供了个性化辅助。在健康步态数据库上的评估显示了良好的轨迹重建性能，在偏瘫患者中的辅助行走实验验证了其改善患侧关节运动、提升双侧ROM对称性和降低人机交互力的实际效果。这些结果证明了所提框架在个性化偏瘫步态辅助中的可行性和有效性。