現実世界での歩行中の外骨格支援をパーソナライズする

Nature volume 610、pages 277–282 (2022)この記事を引用

30,000 アクセス

24 件の引用

1362 オルトメトリック

メトリクスの詳細

パーソナライズされた外骨格支援により、ユーザーは歩行速度 1 とエネルギー経済性 2、3、4 を大幅に向上させることができますが、不自然な実験室条件下での長時間のテストが必要になります。 ここでは、外骨格の最適化が現実世界の条件下で迅速に実行できることを示します。 私たちは、多用途の実験室テストベッドを使用したテストからの洞察に基づいて、ポータブル足首外骨格を設計しました。 私たちは、ウェアラブルセンサーを使用して屋外で外骨格支援を最適化するデータ駆動型の方法を開発しました。その結果、それが実験室での方法と同等に効果的でありながら、最適なパラメーターを 4 倍の速さで特定できることがわかりました。 私たちは、さまざまな速度で短時間の歩行を何度も繰り返して収集したデータを使用して、現実世界の最適化を実行しました。 公共の場での 1 時間の自然な歩行中に最適化された支援により、通常の靴と比較して、自己選択速度が 9 ± 4% 増加し、所定の距離を移動するために使用されるエネルギーが 17 ± 5% 減少しました。 この支援により、参加者が標準速度 1.5 m s-1 でトレッドミル上を歩いた場合、代謝エネルギー消費が 23 ± 8% 減少しました。 人間の動きは、支援機器をカスタマイズし、パフォーマンスを向上させるために使用できる情報をエンコードします。

脚の動きを補助する外骨格は、個人の可動性を向上させる可能性を示していますが、現実世界ではまだ恩恵をもたらしていません。 何百万人もの人が運動障害を抱えており、歩くのが遅くなり5、疲れやすくなります6。また、さらに数百万人が激しい移動を必要とする職業に就いています7。 研究室では、外骨格は歩行速度を上げ 1,8,9 、歩行に必要なエネルギーを削減 2,3,4,10,11,12,13,14,15,16 することができますが、これらの利点はまだ現実世界には反映されていません。条件17． 現実世界で有益な支援を提供することは、いくつかの理由から困難です。支援を個別化するために使用される特殊な機器は研究室の外では利用できません。 トレッドミルでのウォーキングとは異なり、毎日のウォーキングはさまざまな速度と継続時間で何度も行われます。 また、デバイスは自己完結型で使いやすいものでなければなりません。 この研究では、自然条件下での効果的な外骨格支援を実証するために、これらの課題のそれぞれに対処しました。

外骨格支援の利点を最大化するには、個人のニーズに合わせてカスタマイズする必要がありますが、研究室の外ではそれが困難です。 人間の歩行パフォーマンスの最大の改善は、人間参加型の最適化 1、2、3、4 を使用して支援を個別化することによって達成されています。このプロセスでは、人間がデバイスを使用している間の人間のパフォーマンスを向上させるためにデバイス制御を系統的に調整するプロセスです。 代謝率 16 などのパフォーマンスの重要な側面を測定するには、高価な実験器具と長時間の安定したトレッドミル歩行が必要でした 18。 この方法で消費者機器や医療機器を個別にカスタマイズするには、専門クリニックに数回にわたって長期間通う必要があり、費用がかかり非現実的です。 代わりに、低コストのウェアラブル センサーを使用して人間のパフォーマンスを迅速に推定できれば、人々が日常生活の中で自然に動きながら最適化を実行できるでしょう。 これは筋骨格モデリング 19 を使用すれば可能かもしれませんが、そのようなシミュレーションは計算量が多く 20 必要であり、個別化が必要です。 データ駆動型モデルは、人間のパフォーマンスの重要な特徴をより簡単にキャプチャできる可能性があります21、22、23、24、25。

私たちは、外骨格補助歩行中の人間の動きを代謝エネルギー消費に関連付け、実験室の外でも使用できるデータ駆動型モデルを開発しました。 人間の動きは、身体部分の慣性と、環境や筋肉からの力との相互作用から生じます。 私たちは、注意深く分析すれば、動きの微妙な変化から筋肉のエネルギー消費に関する有意義な情報を抽出できるのではないかと仮説を立てました。 以前の実験4では、参加者は約3,600の異なる条件で外骨格の補助を受けながら歩行し、生体力学的結果を測定する実験装置と外骨格の低コストのポータブルセンサーの両方からデータが記録されました。 この以前のデータセット (拡張データ図 1) を使用してロジスティック回帰モデルをトレーニングしました。 データ駆動型分類モデルは、それぞれ「制御則」によって定義された 2 つの異なる外骨格支援パターンからのセンサー データを比較し、どちらの制御則がより大きな利益をもたらすかを分類しました。 モデルの入力は、歩行サイクルごとにセグメント化された足首の角度と足首の速度、および各制御則のトルク パラメーターでした。 次にモデルは、最初の制御則により代謝エネルギー消費が低下する可能性を推定しました。 本質的に、分類子は後から好まれ、より大きな外骨格トルクと、つま先を離すときの足首の伸展の増加につながるスムーズでタイミングの良い動きでした。 最適化中に、ユーザーは一連の制御則を体験し、データ駆動型モデルが考えられるすべての制御則のペアを比較し、制御則がランク付けされ、最適化アルゴリズム 26 が最適パラメータの推定値を更新し、新しい一連の制御則を生成しました。評価します（図1）。 このプロセスは、収束基準が満たされるまで繰り返されました。