下肢輔助設備的協同建模：方法與特徵之解

海南大學的科學家發表的一篇研究論文提出將 FSS-eq2Seq 作爲下肢輔助設備中步態協同建模的兩階段策略，旨在實現協同且用戶自適應的軌跡，以改善人機交互。

這篇新的研究論文於 7 月 3 日發表在《賽博格與仿生系統》雜誌上，表明Seq2Seq 在肢體間和肢體內協同建模方面均優於 LSTM、RNN 和 GRU。此外，FS 顯著提高了 Seq2Seq 的建模性能。

步態協同這一概念提供了新穎的人機界面，並且已被應用於下肢輔助設備的控制，例如動力假肢和外骨骼。具體而言，基於步態協同，輔助設備可以準確地根據患者健全部位的運動爲受影響或缺失的部位生成/預測適當的參考軌跡。

要實現能夠改善人機交互的協同軌跡，需要對步態協同方法進行最優建模，其中包括特徵（輸入）的最優組合。然而，以往的研究缺乏對協同建模最優方法的深入討論。此外，在以往的研究中，對於降低數據維度和提高建模質量至關重要的特徵選擇（FS）經常被忽視。

“在爲各類患者設計並生成具有用戶、時間和相位自適應特性以及協同作用的參考軌跡時，”研究作者、海南大學教授樑鳳燕解釋道。

研究人員藉助 4 種最新的神經網絡，對建模方法和特徵選擇（FS）展開了全面的研究：序列到序列（Seq2Seq）、長短期記憶（LSTM）、循環神經網絡（RNN）和門控循環單元（GRU）。他們還使用 3 種常用方法進行了完整的特徵選擇：隨機森林、信息增益和皮爾遜相關。

“我們的研究結果顯示，在肢間和肢內協同建模方面，Seq2Seq（平均絕對誤差分別爲 0.404°和 0.596°）要優於 LSTM、RNN 和 GRU。此外，特徵選擇被證明能顯著提高 Seq2Seq 的建模性能（P < 0.05）。FS-Seq2Seq 甚至優於現有研究中使用的方法，”研究作者說道。

本項研究旨在明確用於對肢體間和肢體內協同作用進行建模的最優建模方法及特徵組合，從而生成用於控制下肢輔助設備的理想軌跡。“因此，樑表示，提出了一種名爲 FS-Seq2Seq 的兩階段策略，用於輔助設備軌跡生成中的步態協同建模。”

先前的協同建模研究未對建模方法進行全面比較，並且忽略了 FS 過程。本研究強調了基於協同的軌跡預測在輔助設備領域的前景，併爲通過最佳特徵組合來實現最佳建模提供了見解，進而產生協同和用戶自適應的軌跡，以改善人機交互。

這項工作表明，FS-Seq2Seq 作爲一種兩階段策略，在對肢體間和肢體內協同作用進行建模的性能和準確性方面優於其他方法。本研究強調了基於協同的軌跡預測在輔助設備方面的前景，以實現協同和用戶自適應的軌跡，改善人機交互。

這些結果進一步凸顯了在未來研究中於協同建模之前開展系統的特徵選擇的重要性。

因此，未來的研究工作應當持續探索並完善這些技術，以進一步優化輔助設備的控制。