近日，我院脑机芯片神经工程团队在高水平期刊《Cyborg and Bionic Systems》（《半机器人与仿生系统》，JCR Q1，IF=10.5）发表题为“Interlimb and Intralimb Synergy Modeling for Lower Limb Assistive Devices: Modeling Methods and Feature Selection”的研究论文。
该研究提出步态协同(Gait synergy)的概念作为一种新型人机接口。近年来，基于健康人步态协同性设计轨迹从而引导患者康复的方法已被广泛应用多种下肢辅助装置中，如动力型假肢和康复外骨骼（图1）。具体来说，基于步态协同建模，下肢辅助装置能够根据患者健全部位的运动参数，实时计算生成受影响或缺失部位的参考轨迹。为了产生与患者（卒中或截肢者）运动协同的参考轨迹，改善人机交互，需要对步态协同建模方法以及选择的步态特征参数进行优化。然而，先前的研究缺乏对协同建模最优方法的深入讨论。此外，特征选择（FS）对于降低数据维度和提高建模质量至关重要，但在先前的研究中经常被忽视。因此该研究面向下肢辅助装置的自适应轨迹产生，重点关注步态协同的建模方法与步态特征参数选取。
图1：参与研发的下肢辅助装置。(A)膝关节辅助矫形器，(B) CUHK-EXO（外骨骼），(C)动力型踝足假肢，(D)动力型膝上假肢。
该研究综合分析了四种先进的神经网络建模方法，并结合三种特征选择方法，选择最优特征组合以提高建模精度。四种神经网络建模方法包括：序列到序列（Seq2Seq）、长短期记忆网络（LSTM）、递归神经网络（RNN）和门控循环单元（GRU）。三种特征选择方法包括：随机森林、信息增益和皮尔逊相关系数。研究结果表明，Seq2Seq方法在建模效果上优于LSTM、RNN和GRU，特别是在结合特征选择方法后，Seq2Seq的建模性能显著提升。
图2：FS-Seq2Seq流程图。
论文提出的FS-Seq2Seq模型包含两个阶段（图2），在FS阶段，使用三种特征选择方法来选择输入的运动数据。第二阶段涉及一个Seq2Seq模型。Seq2Seq模型包括编码和解码两部分。在编码部分，注意力机制被用来在每个时刻自适应地提取相关特征，作为编码器的输入。在解码部分，另一个注意力机制用来选择相关的编码器隐藏状态。FS-Seq2Seq双阶段模型在腿间和腿内协同建模的性能和准确性方面优于其他方法(RMSE分别为0.404°和0.596°）。该研究强调了基于步态协同的轨迹预测方法在下肢辅助装置中产生用户自适应的、与用户动作协同的轨迹的前景，从而改善装置与患者的人机交互。未来的研究将继续探索和优化这些技术，以进一步提升辅助装置的控制效果。通过这项研究，FS-Seq2Seq模型不仅在理论上展示了其优越性，也为实际应用提供了可行的技术路径，具有广泛的应用前景。
该研究得到了国家自然科学基金、海南省自然科学基金、海南省重点研发项目等资助。海南大学为第一完成单位，生物医学工程学院梁丰研副教授、博士生莫利奋为论文共同第一作者，我院殷明教授与海口市人民医院宋振华主任医师为论文共同通讯作者。论文得到了香港中文大学Liao Wei-Hsin教授与中科院深圳先进院高飞研究员的指导。
论文链接：https://spj.science.org/doi/10.34133/cbsystems.0122
海大BME