Uma Estrutura de Aprendizado Profundo para Controle de Extremidades de Prótese Ativa

O aprendizado profundo oferece uma alternativa potencialmente poderosa ao controle ajustado manualmente de próteses ativas de membros inferiores, sendo capaz de gerar assistência contínua em nível de articulação de ponta a ponta. Isso elimina a necessidade de classificação de tarefas convencional, máquinas de estado e equações de controle de nível intermediário, colapsando todo o problema de controle em uma rede neural profunda. Nesta carta, dados de sensores e torque comandado convencional de uma prótese de joelho-tornozelo motorizada de código aberto (OSL) foram coletados em cinco modos de locomoção: terreno plano, inclinação/declínio de rampa e subida/descida de escadas. Torques de referência foram gerados usando um controlador de impedância baseado em máquina de estado finita ajustada por especialistas para cada modo e participante amputado transfemoral (N = 12). As fases de apoio da saída foram então estimadas usando uma rede neural convolucional temporal (TCN), que produziu torques de joelho e tornozelo independentes do modo e do usuário, com RMSE de 0.154 ± 0.06 e 0.106 ± 0.06 Nm/kg, respectivamente. Treinar o modelo apenas com dados específicos do modo produziu reduções significativas na descida de escadas, diminuindo o RMSE de joelho e tornozelo em 0.06 ± 0.028 e 0.033 ± 0.008 Nm/kg respectivamente (p < 0.05). Além disso, a TCN se adaptou à velocidade de caminhada e variações de inclinação no torque comandado de referência. Esses resultados demonstram que este modelo de aprendizado profundo não apenas elimina a necessidade de máquinas de estado heurísticas e classificação de modos, mas também pode reduzir ou remover a necessidade de ajuste de assistência da prótese completamente.