현실 세계에서 걷는 동안 외골격 지원을 개인화

Dec 25, 2023

Nature 610권, 277~282페이지(2022)이 기사 인용

27,000회 액세스

9 인용

1362 알트메트릭

측정항목 세부정보

맞춤형 외골격 지원은 사용자에게 보행 속도1 및 에너지 경제성2,3,4을 가장 크게 향상시키지만 부자연스러운 실험실 조건에서는 오랜 테스트가 필요합니다. 여기에서는 외골격 최적화가 실제 조건에서 신속하게 수행될 수 있음을 보여줍니다. 우리는 다목적 실험실 테스트베드를 사용한 테스트에서 얻은 통찰력을 기반으로 휴대용 발목 외골격을 설계했습니다. 우리는 웨어러블 센서를 사용하여 실외 외골격 지원을 최적화하기 위한 데이터 기반 방법을 개발했으며 이 방법이 실험실 방법과 동일하게 효과적이지만 최적의 매개변수를 4배 더 빠르게 식별한다는 사실을 발견했습니다. 우리는 다양한 속도로 짧은 시간 동안 걷는 동안 수집된 데이터를 사용하여 실제 최적화를 수행했습니다. 공공 장소에서 1시간 동안 자연적인 걷기에 최적화된 보조력은 일반 신발에 비해 자체 선택 속도를 9±4% 증가시키고, 주어진 거리를 이동하는 데 사용되는 에너지를 17±5% 줄였습니다. 이 지원은 참가자가 1.5m/s의 표준 속도로 런닝머신을 걸을 때 대사 에너지 소비를 23±8% 줄였습니다. 인간의 움직임은 보조 장치를 개인화하고 성능을 향상시키는 데 사용할 수 있는 정보를 인코딩합니다.

다리 움직임을 보조하는 외골격은 개인의 이동성을 향상시킬 수 있는 가능성을 보여 주지만 아직 실제적인 이점을 제공하지는 않습니다. 수백만 명의 사람들이 이동 장애로 인해 걷는 속도가 느려지고5 더 피곤해지며6, 수백만 명의 사람들이 격렬한 운동이 필요한 직업을 갖고 있습니다7. 연구 실험실에서 외골격은 보행 속도를 높이고1,8,9 걷는 데 필요한 에너지를 줄일 수 있지만2,3,4,10,11,12,13,14,15,16 이러한 이점은 아직 실제 세계로 적용되지 않았습니다. 조건17. 현실 세계에서 유익한 지원을 제공하는 것은 여러 가지 이유로 어렵습니다. 개인화 지원에 사용되는 특수 장비는 실험실 외부에서 사용할 수 없습니다. 런닝머신 위에서 걷는 것과는 달리 일상적인 걷기는 다양한 속도와 지속 시간으로 여러 번 진행됩니다. 그리고 장치는 독립적이고 사용하기 쉬워야 합니다. 본 연구에서 우리는 자연 조건에서 효과적인 외골격 지원을 입증하기 위해 이러한 각 과제를 해결했습니다.

외골격 지원의 이점을 극대화하려면 개인의 필요에 따른 개인화가 필요하며 이는 실험실 외부에서는 어려운 일입니다. 사람이 장치를 사용하는 동안 인간의 성능을 향상시키기 위해 장치 제어를 체계적으로 조정하는 프로세스인 Human-In-The-Loop 최적화1,2,3,4를 사용하여 지원을 개별화함으로써 인간의 보행 성능이 가장 크게 향상되었습니다. 대사율16을 포함하여 성능의 중요한 측면을 측정하려면 값비싼 실험실 장비와 장기간의 꾸준한 런닝머신 걷기가 필요했습니다18. 이러한 방식으로 소비자 또는 의료 기기를 개별화하려면 전문 진료소를 여러 번 방문해야 하며 이는 비용이 많이 들고 비실용적입니다. 대신 저렴한 웨어러블 센서를 사용해 인간의 성능을 빠르게 추정할 수 있다면 사람들이 일상생활에서 자연스럽게 움직이면서 최적화가 수행될 수 있을 것입니다. 이는 근골격 모델링19을 사용하여 가능할 수 있지만 이러한 시뮬레이션은 계산 집약적이며20 개별화가 필요합니다. 데이터 기반 모델은 인간 수행의 중요한 특징을 보다 간단하게 포착할 수 있습니다21,22,23,24,25.

우리는 외골격 보조 보행 중 인간의 움직임을 대사 에너지 소비와 연관시키고 실험실 외부에서 사용할 수 있는 데이터 기반 모델을 개발했습니다. 인간의 움직임은 신체 부분의 관성과 환경 및 근육의 힘 사이의 상호 작용에서 발생합니다. 우리는 신중한 분석을 통해 움직임의 미묘한 변화로부터 근육 에너지 소비에 대한 의미 있는 정보를 추출할 수 있다는 가설을 세웠습니다. 이전 실험4에서 참가자들은 약 3,600가지의 다양한 조건에서 외골격의 도움을 받아 걸었고, 생체역학적 결과를 측정하는 실험실 장비와 외골격의 저가형 휴대용 센서에서 데이터가 기록되었습니다. 우리는 이전 데이터세트를 사용하여 로지스틱 회귀 모델을 훈련했습니다(확장 데이터 그림 1). 데이터 기반 분류 모델은 각각 '제어 법칙'으로 정의된 두 가지 서로 다른 외골격 지원 패턴의 센서 데이터를 비교하고 어떤 제어 법칙이 더 큰 이점을 제공하는지 분류했습니다. 모델 입력은 보행 주기별로 구분된 발목 각도와 발목 속도, 각 제어 법칙에 대한 토크 매개변수였습니다. 그런 다음 모델은 첫 번째 제어 법칙으로 인해 대사 에너지 소비가 낮아질 가능성을 추정했습니다. 본질적으로, 분류자는 발끝에서 발목 확장을 증가시키는 나중에 더 큰 외골격 토크와 부드럽고 시기적절한 움직임을 선호했습니다. 최적화 중에 사용자는 일련의 제어 법칙을 경험하고, 데이터 기반 모델은 가능한 모든 제어 법칙 쌍을 비교하고, 제어 법칙의 순위를 매기고, 최적화 알고리즘26이 최적 매개변수의 추정치를 업데이트하고 새로운 제어 법칙 세트를 생성했습니다. 평가합니다(그림 1). 이 과정은 수렴 기준이 충족될 때까지 반복되었습니다.