下肢辅助设备的协同建模：方法与特征之解

海南大学的科学家发表的一篇研究论文提出将 FSS-eq2Seq 作为下肢辅助设备中步态协同建模的两阶段策略，旨在实现协同且用户自适应的轨迹，以改善人机交互。

这篇新的研究论文于 7 月 3 日发表在《赛博格与仿生系统》杂志上，表明Seq2Seq 在肢体间和肢体内协同建模方面均优于 LSTM、RNN 和 GRU。此外，FS 显著提高了 Seq2Seq 的建模性能。

步态协同这一概念提供了新颖的人机界面，并且已被应用于下肢辅助设备的控制，例如动力假肢和外骨骼。具体而言，基于步态协同，辅助设备可以准确地根据患者健全部位的运动为受影响或缺失的部位生成/预测适当的参考轨迹。

要实现能够改善人机交互的协同轨迹，需要对步态协同方法进行最优建模，其中包括特征（输入）的最优组合。然而，以往的研究缺乏对协同建模最优方法的深入讨论。此外，在以往的研究中，对于降低数据维度和提高建模质量至关重要的特征选择（FS）经常被忽视。

“在为各类患者设计并生成具有用户、时间和相位自适应特性以及协同作用的参考轨迹时，”研究作者、海南大学教授梁凤燕解释道。

研究人员借助 4 种最新的神经网络，对建模方法和特征选择（FS）展开了全面的研究：序列到序列（Seq2Seq）、长短期记忆（LSTM）、循环神经网络（RNN）和门控循环单元（GRU）。他们还使用 3 种常用方法进行了完整的特征选择：随机森林、信息增益和皮尔逊相关。

“我们的研究结果显示，在肢间和肢内协同建模方面，Seq2Seq（平均绝对误差分别为 0.404°和 0.596°）要优于 LSTM、RNN 和 GRU。此外，特征选择被证明能显著提高 Seq2Seq 的建模性能（P < 0.05）。FS-Seq2Seq 甚至优于现有研究中使用的方法，”研究作者说道。

本项研究旨在明确用于对肢体间和肢体内协同作用进行建模的最优建模方法及特征组合，从而生成用于控制下肢辅助设备的理想轨迹。“因此，梁表示，提出了一种名为 FS-Seq2Seq 的两阶段策略，用于辅助设备轨迹生成中的步态协同建模。”

先前的协同建模研究未对建模方法进行全面比较，并且忽略了 FS 过程。本研究强调了基于协同的轨迹预测在辅助设备领域的前景，并为通过最佳特征组合来实现最佳建模提供了见解，进而产生协同和用户自适应的轨迹，以改善人机交互。

这项工作表明，FS-Seq2Seq 作为一种两阶段策略，在对肢体间和肢体内协同作用进行建模的性能和准确性方面优于其他方法。本研究强调了基于协同的轨迹预测在辅助设备方面的前景，以实现协同和用户自适应的轨迹，改善人机交互。

这些结果进一步凸显了在未来研究中于协同建模之前开展系统的特征选择的重要性。

因此，未来的研究工作应当持续探索并完善这些技术，以进一步优化辅助设备的控制。