Lernbasierte, abstimmungsfreie Quasi-Steifigkeitssteuerung eines angetriebenen Oberschenkelprothese für aufgabenadaptives Gehen

Core Concepts

Ein lernbasierter, abstimmungsfreier Quasi-Steifigkeitssteuerungsrahmen, der sich über verschiedene Gehaufgaben und Geländebedingungen generalisiert.

Abstract

Dieser Artikel präsentiert einen lernbasierten, abstimmungsfreien Quasi-Steifigkeitssteuerungsrahmen für angetriebene Oberschenkelprothesen, der sich über verschiedene Gehaufgaben und Geländebedingungen generalisiert. Der Rahmen besteht aus drei Hauptteilen: Aufgabenschätzung: Erfassung von Informationen zur Amputatengangbewegung und Geländebedingungen, um Aufgabenparameter wie Gehgeschwindigkeit und Neigung zu schätzen. Drehmoment-Winkel-Beziehungsrekonstruktion: Verwendung von Gaussian Process Regression (GPR) zur Vorhersage der Zielmerkmale der Gelenkswinkel und -drehmomente in einer neuen Aufgabe. Anschließend wird Kernelized Movement Primitives (KMP) eingesetzt, um die Drehmoment-Winkel-Beziehung der neuen Aufgabe aus mehreren menschlichen Referenzverläufen und geschätzten Zielmerkmalen zu rekonstruieren. Quasi-Steifigkeitssteuerung: Basierend auf der rekonstruierten Drehmoment-Winkel-Beziehung wird ein Quasi-Steifigkeitssteuerungsansatz für eine angetriebene Prothese entworfen. Die experimentellen Ergebnisse mit einem Oberschenkelamputierten zeigen, dass der vorgeschlagene Rahmen biomimetische Kinematik und Kinetik ähnlich wie bei gesunden Personen erzeugt und die Leistung eines weit verbreiteten Referenzreglers ohne manuelle Impedanzabstimmung erreicht. Der Rahmen hat das Potenzial, eine autonome Aufgabenanpassung bei kontinuierlich variierenden Gehaufgaben zu ermöglichen.

Stats

Die Gehgeschwindigkeit variiert von 0,4 m/s bis 1,0 m/s mit einer Abweichung von ±0,2 m/s. Die Neigung variiert von 2 Grad bis 8 Grad mit einer Abweichung von ±2 Grad.

Quotes

"Ein lernbasierter, abstimmungsfreier Quasi-Steifigkeitssteuerungsrahmen, der sich über verschiedene Gehaufgaben und Geländebedingungen generalisiert." "Der vorgeschlagene Rahmen erzeugt biomimetische Kinematik und Kinetik ähnlich wie bei gesunden Personen und erreicht die Leistung eines weit verbreiteten Referenzreglers ohne manuelle Impedanzabstimmung." "Der Rahmen hat das Potenzial, eine autonome Aufgabenanpassung bei kontinuierlich variierenden Gehaufgaben zu ermöglichen."

Key Insights Distilled From

Tuning-free Quasi-stiffness Control Framework of a Powered Transfemoral Prosthesis for Task-adaptive Walking

by Teng Ma,Shuc... at arxiv.org 03-27-2024

https://arxiv.org/pdf/2311.15030.pdf

Deeper Inquiries

Wie könnte der vorgeschlagene Rahmen auf andere Bewegungsaufgaben wie Treppensteigen oder Sitzen/Aufstehen erweitert werden?

Der vorgeschlagene Rahmen könnte auf andere Bewegungsaufgaben wie Treppensteigen oder Sitzen/Aufstehen erweitert werden, indem spezifische Bewegungsmuster und -anforderungen für diese Aufgaben berücksichtigt werden. Beispielsweise könnte für das Treppensteigen die Erkennung von Treppenstufen und die Anpassung der Gelenksteifigkeit entsprechend der Höhe der Stufen implementiert werden. Für das Sitzen/Aufstehen könnten zusätzliche Sensoren zur Erkennung von Sitz- und Stehpositionen verwendet werden, um die Steuerung des Prothesengelenks entsprechend anzupassen. Durch die Integration von Bewegungsmustern und -anforderungen für spezifische Aufgaben können die Steuerungsalgorithmen des Rahmens auf vielfältige Bewegungsaufgaben erweitert werden.

Welche zusätzlichen Sensoren oder Informationen könnten verwendet werden, um die Vorhersage der Zielmerkmale weiter zu verbessern?

Um die Vorhersage der Zielmerkmale weiter zu verbessern, könnten zusätzliche Sensoren wie Drucksensoren, Neigungssensoren oder Kraftsensoren verwendet werden. Drucksensoren könnten beispielsweise die Bodenreaktionskräfte während des Gehens messen und so die Vorhersage der Gelenkmomente verbessern. Neigungssensoren könnten Informationen über die Geländeneigung liefern, was besonders wichtig für das Gehen auf unebenem Gelände ist. Kraftsensoren könnten die Kräfte und Momente am Gelenk direkt messen und so präzisere Vorhersagen ermöglichen. Durch die Integration dieser zusätzlichen Sensoren und Informationen könnte die Genauigkeit und Zuverlässigkeit der Vorhersage der Zielmerkmale im Rahmen weiter verbessert werden.

Wie könnte der Quasi-Steifigkeitssteuerungsansatz optimiert werden, um die Leistung bei komplexeren Aufgaben mit nicht-linearen Drehmoment-Winkel-Beziehungen weiter zu verbessern?

Um den Quasi-Steifigkeitssteuerungsansatz zu optimieren und die Leistung bei komplexeren Aufgaben mit nicht-linearen Drehmoment-Winkel-Beziehungen weiter zu verbessern, könnte eine Anpassung der Modellierung und Steuerungsmethoden erforderlich sein. Eine Möglichkeit wäre die Verwendung von nicht-linearen Regressionsmethoden anstelle von linearen Approximationen, um die komplexen Drehmoment-Winkel-Beziehungen genauer zu modellieren. Darüber hinaus könnten fortschrittlichere Steuerungsalgorithmen wie neuronale Netze oder Deep Learning eingesetzt werden, um die nicht-linearen Beziehungen zwischen Gelenkwinkeln und -momenten besser zu erfassen. Durch die Integration dieser fortschrittlicheren Ansätze könnte die Leistung des Quasi-Steifigkeitssteuerungsansatzes bei komplexeren Aufgaben mit nicht-linearen Drehmoment-Winkel-Beziehungen weiter optimiert werden.