原始研究的文章

前面。机器人。AI, 2023年7月19日
秒。机器人控制系统
卷10 - 2023 | https://doi.org/10.3389/frobt.2023.1183170

使用human-in-the-loop优化指导手册假肢调整:一个概念验证研究

锡耶纳c Senatore ¹*, www.雷竞技rebatfrontiersin.org

哥打z高桥²和

菲利普·马尔科姆 ¹*

¹生物力学研究大楼,奥马哈,内布拉斯加州的奥马哈大学东北,美国
²卫生和人体运动学,犹他大学,美国犹他盐湖城

作品简介:Human-in-the-loop优化算法已被证明有助于优化复杂的互动问题,如人类和机器人外骨骼之间的交互。具体来说,这种方法已被证明有效的降低代谢成本而穿着机器人外骨骼。然而,许多假肢和矫形器仍然由被动的元素需要手动调整的设置。

方法:在目前的研究中,我们调查了如果human-in-the-loop算法能指导更快的手动调整过程类似于安装假肢。八个健康的参与者穿着假肢模拟器,在跑步机上走在0.8毫秒⁻¹16岁以下的组合鞋的鞋跟高度和桥塔的高度。human-in-the-loop优化算法被用来找到一个最佳组合减少加载速率对假肢的肢体对侧的模拟器。评估优化算法的性能,我们使用一个收敛标准。我们评估的准确性通过比较它与一个完整的扫描的最佳组合。

结果:在五的八个参与者,human-in-the-loop优化减少花费的时间找到一个最优组合;然而,在三个参与者,human-in-the-loop优化聚合的迭代或者不收敛。

讨论:来自本研究的发现表明,human-in-the-loop方法可能有助于任务需要手动调整,辅助设备,如优化非机动的假肢。然而,这还需要进一步的研究来实现健壮的性能和评价实际适用性与截肢的人戴着假肢。

1介绍

在美国大约有一百万的成年人和下肢截肢(住Ziegler-Graham et al ., 2008)。截肢患者依靠一个假肢恢复功能在他们的生活中。出于这个原因,重要的研究都集中在被动的设计(柯林斯et al ., 2015;Etenzi et al ., 2020)和活跃的假体(赫尔&格拉博夫斯基,2012)。而显著的进步已经在假肢设计中,最近的调查表明,截肢的人更容易患侧肢体骨关节炎,尽管是配备最先进的假肢(丁et al ., 2021)。截肢患者可能经历的生活质量下降的风险增加发展中关节骨关节炎的膝盖侧肢体(伯克et al ., 1978;勒麦尔和费舍尔,1994年;Norvell et al ., 2005;Struyf et al ., 2009)。在站期间,负重的人没有下肢截肢假定是平等地分享。然而,相信截肢的人站在更大的影响力和更多的负重对侧肢体(Isakov et al ., 1992;罗西et al ., 1995;Nadollek et al ., 2002)。一些研究表明,增加对侧肢体的时间试图保护软组织的残肢,不适合负重截肢后立即(Silver-Thorn et al ., 1996)。无论步态偏差的原因,对侧肢体所施加的负荷力大于没有截肢的人对其下肢在自然运动(铃木1972;Engsberg et al ., 1991;Engsberg et al ., 1993)。因此,这种机制可以把截肢的人罹患骨关节炎的风险更高侧肢体。

先前的研究调查的影响假体组件对侧肢体探索步态偏差的原因和截肢的人。研究发现,改变塔灵活性会影响垂直加载速率对侧肢体(科尔曼et al ., 2001)。此外,插座,排列在适当的功能和舒适度至关重要,因为这些因素是影响侧肢体加载速率(Zhang et al ., 2019)。研究表明,假体组件的力学运动期间可能会减轻一些补偿机制与截肢的人(必须et al ., 2021)。,很明显,一个假肢装置有许多参数设置,可以改变来实现最佳的舒适和健康。

拟合会话期间,假肢的设置调整等改进目标整体健康,满意的设备,行走步态模式的特征。大约68% - -88%的截肢戴假肢每天至少7 h帮助移动和日常活动的性能(Pohjolainen et al ., 1990;沃克et al ., 1994;琼斯等人。,1997年)。尽管使用假肢的高速率,高速率的不满舒适的假体(迪林厄姆et al ., 2001;Pezzin et al ., 2004)。几个原因可能会导致不满舒适的义肢。可能有错误在临床测量肢体的维度,部分原因是困难定位准确的骨性标志层的软组织。此外,由于髂不对称的患病率会发生错误(Ingelmark &林德斯特伦,1963)。问个人的意见他们的假体可能导致错误的观点是主观的,考虑到如果他们先前的假肢适合小于最优(1984年弗里;布恩et al ., 2012)。从这一点,很明显,装配假肢可以改善的过程。此外,适当的适合一个假肢不同的假体组件的参数设置,像塔高度和刚度,需要调整。因为不同的假体组件需要被修改和测试,这个过程可以为病人和修复学家耗时。

先进的优化算法已被证明非常有用在选择最优设置外骨骼(Zhang et al ., 2017)。Human-in-the-loop优化算法,优化参数,同时考虑多个交互,已被证明非常有用在推进机器人外骨骼的优化(马尔科姆et al ., 2017;Zhang et al ., 2017)。而不是分析测量多个参数设置完成漫长的协议后,这些算法从一些参数设置和收敛测量实时向最优设置。这些human-in-the-loop算法用于优化设备以响应用户的生理变化(即。、代谢成本)(科勒et al ., 2016)。这种方法设计灵感来源于人类自然优化协调运动的模式对能源成本和其他方面性能(亚历山大m cn。,1989年;其密封et al ., 2015)。研究已经证明,human-in-the-loop优化可以提高性能的可穿戴设备像机器人外骨骼(觉得et al ., 2015;科勒et al ., 2016;Zhang et al ., 2017;丁et al ., 2018)。此外,众所周知,human-in-the-loop优化算法强调定制的重要性和个人主义在辅助设备(科勒et al ., 2016;Zhang et al ., 2017)。然而,human-in-the-loop优化尚未用于指导优化假肢的手动调整。

本研究的目的是评估的可用性human-in-the-loop优化处方手动调整鞋的鞋跟高度和桥塔高度减少加载速率对侧肢体。我们的第一个目标是评估所需的时间找到最优参数组合使用human-in-the-loop优化。该算法同时优化设计鞋的鞋跟高度对侧肢体和桥塔高度假肢模拟器肢体的收敛于一个参数组合,最大限度地减少对侧肢体上的加载速率。我们选择改变鞋的鞋跟高度在侧端,先前的研究已经表明,鞋的鞋跟高度会影响膝关节负荷(沙et al ., 2010)。此外,我们选择了桥塔的高度,因为它是最可行的组件来改变这个初步研究影响健康和假肢的对齐。我们假设该算法将减少所需的时间达到最小加载速率相比,所需的时间来完成的所有可能的参数组合。我们的第二个目标是分析的准确性human-in-the-loop优化算法寻找最优的组合。通过对比加载速率对侧肢体的扫描和优化方法,我们评估human-in-the-loop优化算法的准确性。由于截肢的人如此多样化的人口,实现这种方法拟合过程中可以容纳更具体的定制和允许假肢实现其潜力。

2材料和方法

2.1主题招聘

作为一个初步一步测试与截肢的人,十个健康的年轻成年人(n= 10;质量,76.4±15.5公斤;身高,1.73±0.08米;意味着±SD)招募了。这项研究的目的不是为了获得代表规范数据的普通人截肢;相反,我们的目标是评估的效率优化。因为这个明确的目标,我们相信一个相对比较小的样本和方便抽样策略是可以接受的(金正日et al ., 2020)。生物力学研究中的所有参与者招募建筑大学内布拉斯加州的奥马哈。所有招募参与者能够提供知情同意。这项研究是内布拉斯加州大学的机构审查委员会批准。

健康问卷调查管理评估参与者是否有功能限制,影响其能力以完成协议。我们入选标准基于主题的年龄、身高、腿的长度。我们只包括参与者19-45岁之间。此外,我们只包括参与者可以适应假肢模拟器使用制造商的腿的长度和高度限制(我2.0,长滩、钙、美国、图1 a, B)。我们只包括参与者自由的条件限制行走能力,包括关节,肌肉骨骼或神经系统的问题。另外,我们只包括参与者自由的心血管疾病。

图1

图1。假肢模拟器和实验协议。(一)前视图。设备上的脚的方向可以切换取决于参与者是离开还是右脚。(B)侧视图。假肢模拟器有三个带。肩带安全装置的小腿防止参与者使用他们的小腿,很容易收紧或放松。的较低部分改变桥塔高度升降的装置参数设置。(C)协议的时间表。

2.2实验协议

参与者走设备,模拟假肢行走(图1 a, B)。这个设备和类似设备用于各种研究模拟假肢行走(Keeken et al ., 2012;Ramakrishnan et al ., 2017;Schlafly & Reed, 2020)。有趣,我们可以报告,没有一个参与者与假肢模拟器或类似设备的经验。参与者完成了两次(图1 c)。最初的会话是一个熟悉会话来减轻潜在的学习效果在测试会话。在这次会议期间,参与者走在中性假肢模拟器设置(没有鞋的鞋跟高度和初始安装桥塔的高度;组合1,3)代表行走装置,还没有调整。假肢模拟器是用于主要参与者的肢体,这是决定基于他们将使用的腿踢一个球(范·梅里克et al ., 2017)。参与者走地面,然后发展到20分钟的跑步机,速度增加到0.8毫秒⁻¹是实现。第二个会话期间,参与者完成了三个实验协议:一个参数设置扫描协议,所有条件测试(扫描),其次是human-in-the-loop优化协议(边境优化),最后,验证试验确定最优组合的扫描和优化协议。在所有实验协议期间,参与者走在0.8毫秒⁻¹。研究使用类似的模拟器设备使用一个类似的,步行速度相对较低(Vanicek et al ., 2007;Schlafly & Reed, 2020 b)。平均而言,我们停了大约2分钟之间条件计算加载率,更改设置,让参与者休息。参与者自由休息时间长达5分钟。据坊间传言,参与者并报告轻微疲劳由于用假肢走路模拟器对协议的结束。

2.3仿真优化协议

参与者在跑步机上走戴着假肢模拟器为每个参数组合1分钟。在完成每个组合,human-in-the-loop规定下列组合优化算法评估。我们手动修改参数的组合算法规定。这些调整是有限的可用的物理之间的间隔设置;因此,规定的设置必须是圆形的可用的设置时间间隔。组合改变直到16个组合完成。从这个协议(即最优组合决定。,the optimal determined by HIL optimization) was denoted as the HIL optimization optimum.

我们设计了一个human-in-the-loop优化算法,以减少肢体上的加载速率侧假体模拟器(图2;S1补充的信息)。加载速率是由计算垂直地面反作用力的瞬时加载速率在2000赫兹的频率记录(平)使用仪器的接合皮带跑步机(Bertec,哥伦布,哦,美国)。垂直瞬时加载速率比垂直平均加载速率,因为它提供了一个更加一致的评估(建筑师et al ., 2016)。我们计算了加载速率的最大瞬时斜率从第一个峰值在20% - -80%之间(图2 b1)。这种计算方法用于以前的研究计算加载速率(Abolins et al ., 2019)。

图2

图2。Human-in-the-loop优化算法流程图。(一)参与者在跑步机上走在0.8毫秒⁻¹为每个组合与假肢的模拟器。(B)跑步机记录地面反作用力。(B1)加载速率的计算从地面反作用力通过计算从第一个峰值20% - -80%之间的斜率(蓝圈)。(C)我们使用梯度下降法和连续的抛物线优化找到最佳组合的鞋的鞋跟高度和桥塔高度。(D),该算法规定以下组合测试,也就是说,一个特定的鞋鞋跟高度和桥塔的高度。这个过程一直持续到16个组合完成。从16个组合,然后确定收敛所需的最少,最优((C)实验后,黑星]。经常human-in-the-loop算法重复某些条件而不是测试每一个16个可能的组合就像扫描协议。

算法采用梯度下降法来指导第一个参数组合,然后使用连续抛物线优化一次足够数量的参数组合测试。这些技术都是基于类似的技术适应从先前的研究(科勒et al ., 2016;Molderez et al ., 2017),目标是找到一个目标函数的局部最小值,类似于一个球滚向山谷的最低点。测试后第一个鞋的鞋跟高度和桥塔的高度,两个相邻网格内的所有可能的组合鞋的鞋跟高度和桥塔高度组合被随机选择测试。为了执行一个首先估算梯度的三维空间的鞋的鞋跟高度和桥塔高度对加载速率,我们需要完成这三个参数组合。这被用来计算梯度的方向估计新的最优参数组合。在这个评估,定义的一组hyper-parameters多少新的最优估计将放置在梯度的方向。

四个组合完成后,我们开始使用一个连续的抛物线优化更新算法的估计的最优参数组合。在这一点上,我们通过所有完成组合符合抛物面。考虑到小范围的两个参数进行调整,我们认为应该有只有一个最佳组合。如果抛物线适合凹,指着一个最佳,我们使用了抛物线适合定义新的最优估计。如果non-concave表面(即产生的抛物面拟合。,a surface that descends in many directions), the optimization process reverted to a gradient descent search instead of parabolic optimization. For the remainder of the combinations, we kept evaluating the parabolic fit and, when needed, the gradient descent search until 16 combinations were completed. Throughout the optimization process, it is possible that some combinations could be repeated.

在发展中优化算法的初始阶段,我们比较三种不同优化算法的适用性(协方差矩阵适应进化策略(CMA-ES) (Zhang et al ., 2017;任et al ., 2019)、梯度下降法(觉得et al ., 2015),连续抛物线优化。我们使用模拟侧肢体加载速率数据生成之前获得的测量侧肢体加载速率,加入随机噪声从一个参与者(S2的补充信息)。在这个仿真研究中,我们发现连续抛物线优化相对比另一个更适合这个应用程序优化方法(S3的补充信息)。我们不确定为什么目前的方法表现略好。这可能是与模拟数据生成的这种比较的类型。此外,细节等问题是相对少见的低分辨率只有一个4×4网格的可能的组合。也有可能,这影响了结果。

为每个参与者最初的结合是随机选择的。类似于以前的human-in-the-loop研究(觉得et al ., 2015;Zhang et al ., 2017;丁et al ., 2018;任et al ., 2019),我们限制了最初结合的组合网格的边缘的所有可能的鞋的鞋跟高度和桥塔高度组合(图3一)。因为我们认为最优最可能存在中间网格的参数组合,这一限制使我们看到算法收敛于一个最佳的。假设优化过程开始的参数组合网格;在这种情况下,它可能不容易区分算法确定最优或是否不做任何更新。

图3

图3。参数设置。鞋的鞋跟高度和桥塔的高度是两个参数设置调整整个协议。(一)随机初始的组合。可能的组合选择最初的组合(黑眼圈)用于human-in-the-loop优化。这些都是为每个参与者随机。(B)鞋后跟的高度。鞋后跟的高度被添加到鞋侧肢体和包括10、20和30毫米高度(左到右)。没有脚后跟参数设置显示没有添加到鞋跟鞋。(C)桥塔的高度。桥塔的高度在假肢模拟器上进行调整和变化从两个低和一个高于最初的安装高度。桥塔高度选择不同的2.54厘米。

2.4扫描协议

参与者在跑步机上走戴着假肢模拟器为1分钟每双鞋的鞋跟高度和桥塔高度的组合。鞋后跟高度在鞋侧一侧插入,包括0,10、20和30毫米的高度(图3 b),0表示没有插入额外的鞋跟鞋。桥塔高度改变了假肢模拟器和两个较低的范围从一个高于最初的安装高度,其中每个设置不同2.54厘米(图3 c)。我们使用一些代码来指定每个参数设置:鞋鞋跟高度为0,10,20日和30 mm贴上鞋跟高度# 1,2,3,4,分别;桥塔高度两个低和一个高于最初的安装高度是贴上桥塔高度# 1、2、3和4分别是# 3初始安装高度。所有16个可能的参数组合都在为每个参与者随机的顺序完成。参与者被分配到5分钟的休息之间测试参数组合。从这个协议(即最优组合决定。,the optimal from a 2D surface fitted through all 16 combinations) was denoted as the sweep optimum.

2.5验证测试

此外,完成扫描和优化协议之后,参与者在跑步机上走在边境协议的优化参数组合下,紧随其后的是扫描协议3分钟的最佳组合。进行验证测试允许我们比较侧肢体加载速率之间的优化组合。我们使用的中性组合扫描协议比较结果的设备不是单独调整。我们重复两协议最优,因为最佳组合由边境优化和扫描协议可能有低加载率由于机会。

2.6统计分析

找到最优参数组合的扫描协议,我们适应一个二阶多项式函数的鞋的鞋跟高度和桥塔高度对加载速率。这个安装表面的最小加载速率决定了个体的最佳组合。我们报道的最优参数组合在集团层面使用平均值±标准偏差。

我们使用收敛标准来评估算法的性能,并确定当一个最佳组合已经实现在仿真优化协议。之前的研究使用了一个类似的收敛标准作为human-in-the-loop优化算法的性能指标(觉得et al ., 2015;Zhang et al ., 2017;丁et al ., 2018)。一个最佳组合是实现当规定参数之间的组合仍然设置一个高于和低于估计的最优参数设置(S4的补充信息)。的数量需要在呆在这个乐队组合定义为“combinations-to-convergence。“我们报道的平均数量组合,直到收敛基于平均值±标准偏差发生。评估如果组合收敛发生时的数量明显小于的最大数目(即组合。16),我们使用一个单样本t检验。

我们也评估是否有显著差异在边境之间的参数设置优化最优和扫描最佳使用配对t检验。比较平均加载速率在参与者的最优参数组合,我们使用了一个Holm-Šidak配对t检验修正。此外,我们用配对t检验比较中性的最佳参数组合组合是否有任何重大变化的加载速率对侧肢体相比,穿着一件设备,不是单独调整。

3的结果

数据分析包括八个十个招募参与者(n= 8)。数据来自两个参与者排除由于问题归零力的跑步机和序列中的一个错误条件的协议。

3.1 Combinations-to-convergence

combinations-to-convergence高度变量之间的参与者(图4;补充信息S5.1)。一半的参与者在8个或更少的组合最优实现。两个参与者在超过8取得最优的组合,和两个(即没有达到最优组合。定义,规定的最佳从来没有呆在收敛乐队)。参与者之间的平均combinations-to-convergence收敛是8.3±4.6组合(平均值±标准偏差,n= 6)。两个人不收敛被排除在这个平均值和标准偏差,因为他们没有收敛定义。平均而言,所花费的时间human-in-the-loop优化算法实现最优明显低于完成组合的总数(p< 0.05,n= 6)。

图4

图4。Combinations-to-convergence条形图。计算combinations-to-convergence使用条件测试的数量达到最优组合。没有收敛栏代表的参与者优化协议不收敛于最优组合。

3.2验证的最优组合

平均最优组合决定的扫描参数设置为3.5±1.0,1.5±0.9鞋的鞋跟高度和桥塔高度,分别(平均值±标准偏差,n= 8)。由最优组合的平均值仿真优化参数设置为3.1±1.4,2.0±1.1鞋的鞋跟高度和桥塔高度,分别。没有显著差异之间的参数设置扫描和仿真优化最优(p= 0.785为鞋的鞋跟高度,p桥塔高度= 0.275;图5一个;补充信息S5.2)。在验证测试中,我们使用圆近似最优参数组合从每个协议,因为我们只能测试可用的设置。验证测试期间的平均测试组合的最优扫描为3.4±1.0,1.5±0.8鞋的鞋跟高度和桥塔高度,分别。平均最优参数组合的验证仿真优化为3.1±1.6,2.0±1.0鞋的鞋跟高度和桥塔高度,分别。

图5

图5。最佳组合验证。最优取决于之间的比较扫描(橙色)和最优实现仿真优化(暗橙色)(一)的平均值在参与者的最优组合扫描(橙色圈)相比,在参与者的最优组合仿真优化(暗橙色的平方)。中性的组合来标示为参考光橙色三角形。误差线代表标准差在参与者(n= 8)。(B)平均加载速率在参与者的最佳组合扫描,的最佳组合仿真优化(边境)和中性(1、3)组合。误差代表标准差在参与者(n= 8)。

平均的加载速率扫描优化为11.5±1.7 kN年代⁻¹。平均的加载速率仿真优化优化为11.9±3.6 kN年代⁻¹。中性的加载速率组合设置(1、3)为15.1±3.3 kN年代⁻¹。之间没有显著差异在加载速率这两个最优组合(p= 0.730;图5 b)。的扫描优化和仿真优化最优加载率减少了23.3%和20.7%,分别比中性的组合。的扫描最优加载速率明显低于中性组合(p< 0.05)。然而,在加载率之间无显著差异仿真优化最优和中立的组合(p= 0.169)。

自边境协议没有显示融合在所有参与者,我们进行后续测试。我们用配对t检验比较平均加载速率在参与者聚集到一个最佳组合(n= 6)。当考虑的参与者才收敛时,最优的扫描和仿真优化加载率显著低于中性组合(p< 0.05,补充信息S5.3)。

4讨论

本研究调查如果human-in-the-loop手动调整优化优化算法可以指导一个假肢模拟器。我们假设human-in-the-loop优化算法将减少的时间找到一个最优参数设置。研究结果表明,human-in-the-loop优化算法减少了时间找到一个最佳组合5 8参与者,部分接受我们的假设。

human-in-the-loop优化算法确定一个最优组合类似于最优扫描确定的16个组合。然而,统计能量分析表明,我们还没有确定是否这意味着真正的没有差别或如果这是由于样本量,鉴于统计力量是0.375和0.289的鞋鞋跟高度和桥塔高度,分别。加载速率的最优组合是相似,进一步确认human-in-the-loop优化可以减少加载速率与扫描协议。然而,该算法不收敛在四分之一的参与者提出了优化算法的鲁棒性的担忧。虽然这似乎问题优化算法的鲁棒性,先前的研究表明,这不是一个罕见的结果(Zhang et al ., 2017;威尔克et al ., 2021)。一个特定的研究指出,他们的优化算法可以显著降低代谢成本(威尔克et al ., 2021)。此外,不同的研究中提到的例子研究人员不得不重置算法和添加额外的步行时间(Zhang et al ., 2017)。相反,补充分析重复相同的条件之间的差异可能表明,选择优化问题是非常具有挑战性的(补充信息S6)。我们也调查了是否该算法的特点,如抛物线之间切换的频率优化和梯度下降,time-to-convergence性能有关。尽管如此,我们并没有发现任何明显的关系。

虽然使用human-in-the-loop优化算法减少了时间来找到一个最佳组合超过一半的参与者,参与者要求所有16个组合找到一个最优的组合。此外,该算法没有聚合的最佳组合的两个参与者。这一发现提出的问题是否这种可变性的效果是由于算法或者规定的影响小或不一致的参数组合。探讨这个问题,我们进行了补充分析的统计学意义的影响鞋的鞋跟高度和桥塔高度加载速率基于扫描的数据协议。我们使用以下线性混合效应模型(1)研究的影响鞋的鞋跟高度和桥塔高度侧肢体上的加载速率:

z_{F 我 t} = c_{1} x^{2} + c_{2} x + c_{3} y^{2} + c_{4} y + c_{5} (1)

在x, y, z是鞋的鞋跟高度,桥塔高度,和加载速率,分别计算 $c_{1}$ 来 $c_{4}$ 系数为每个独立的参数设置,然后呢 $c_{5}$ 是恒定的截距项。我们没有发现统计学意义的术语(p值分别为0.629,0.775,0.243,0.383,鞋的鞋跟高度,鞋的鞋跟高度的平方,桥塔高度,和桥塔高度的平方,分别;图6)。一方面,这意味着每个参数设置的影响是不一致的所有参与者。这表明,参数的影响相对较小,而不是高度可重复的。有趣,我们可以评论,鞋的鞋跟高度的范围和桥塔的高度足够大让行走困难的极端结束参数设置(例如,步行最大的鞋鞋跟高度或桥塔高度)。因此,不太可能缺乏统计学上一致的影响很可能不是因为在选择的范围太小了。缺乏显著的一致性的影响可以解释为什么独立参数优化协议为所有参与者并没有收敛。一方面,这可能强调的影响参数设置在参与者是变量,强调需要一个独特的优化方法如human-in-the-loop找到每个人的最佳优化。另一方面,这也表明,所选参数设置可能不是最相关的设置来优化。其他研究有时也承认其他参数设置,可能更敏感的成本函数可以被选择(彭et al ., 2022)。未来的调查应该优化不同的参数设置,已经被证明能够影响侧肢体,像塔灵活性(科尔曼et al ., 2001)和刚度(必须et al ., 2021)。

图6

图6。线性混合效应模型。我们使用一个二阶多项式最佳模型分析的影响鞋的鞋跟高度和桥塔高度对侧肢体加载速率。(一)线性最佳模型的曲面图。桥塔的高度设置为纵轴,和鞋的鞋跟高度设置水平。颜色条代表加载速率,淡蓝色的是最高和深蓝色是最低的。(B, C)二维图。鞋的鞋跟高度的影响(B)和桥塔的高度(C)对侧肢体加载速率。这中间点的二维图被桥塔高度和鞋的鞋跟高度(一)2和3的意思是条件。圆圈和误差(B)代表所有的桥塔高度的平均值±标准偏差在每双鞋的鞋跟高度设置。圆圈和误差(C)代表所有的均值±标准差鞋鞋跟高度在每个桥塔高度设置(n= 8)。

尽管先前的研究已经证明的有效性human-in-the-loop优化优化一个或多个参数,这种方法的应用优化辅助设备的手动调整是小说。在进一步分析,该算法既可以优化参数设置在一些参与者,而其他人只优化一个或没有。图7是一个可视化表示显示参数设置的优化模式的可变性。这个强调,尽管参数设置不影响加载速率对侧肢体,有可能这种方法指导手册的调整。具体地说,它说明了最优鞋的鞋跟高度(图7)是实现更有效地比桥塔的高度和持续在参与者(图7 b)。鞋类参数对侧肢体不通常在截肢的人修改。然而,这一发现表明,进一步分析成鞋的重要性参数对加载速率对侧肢体截肢的人可能是有益的。此外,应作进一步的调查来验证使用改进human-in-the-loop优化算法同时优化两个手动调整参数。

图7

图7。Human-in-the-loop优化历史的参与者:鞋的鞋跟高度的模式(一)和桥塔的高度(B)优化过程中仿真优化为每个参与者。线的颜色与深蓝色的收敛度规线表示参与者聚集在4组合,和浅蓝色线代表参与者不收敛于最优组合。优化历史模式策划相对于最终的最优参数设置决定的仿真优化直观地看到收敛。因此,每一行结束0在纵轴上。虚线代表乐队,用于确定是否收敛算法实现。更具体地说,我们认为该算法融合如果规定的参数组合都是呆在一群±1 (n= 8)。

这项研究有一些局限性。招募参与者通过便利抽样实验在一个大学校园。虽然招聘年龄范围从19岁到45岁的示例可能只代表人口的一部分。关于协议,而不是部分的实验都是随机的。可能一些扫描之间的差异和边境最佳可能由于适应或疲劳。然而,我们认为这个习惯是足够的,因为这项研究的目的是比较优化算法的效率。虽然类似的假肢模拟器被用来模拟假肢行走,我们研究的结果可能并不反映残疾人截肢。验证本研究的结果,协议可以实现为一个案例研究在有截肢的人。,它有可能优化算法可以改善人与截肢的人带着假肢的经验可能更一致的步态模式。众所周知,有截肢的人,需要更多的时间才能适应假肢行走(巴尔et al ., 2012;雷et al ., 2018),增加的机会更一致的步态模式。这更高的一致性有潜力使优化过程更加简单。

截肢的人缺乏感知和力学的直接控制假肢的脚和脚踝(威尔克et al ., 2021)。,感觉反馈的交互必须来自插座和全身本体感觉(威尔克et al ., 2021)。感觉反馈的重要性,重申为什么human-in-the-loop优化成功的外骨骼和可能难以复制在假体等设备。它可能很难实现human-in-the-loop优化与截肢的人对步态差异的贡献远不止组件力学的影响威尔克et al ., 2021)。调查来验证human-in-the-loop优化的实现与截肢的人应该考虑不同的成本函数之外的其他代谢成本优化假肢。由于先前的研究报道,假体组件影响峰值地面反作用力(格拉博夫斯基& D 'Andrea, 2013;Morgenroth et al ., 2011膝盖)和外部引用的时刻(格拉博夫斯基& D 'Andrea, 2013;Morgenroth et al ., 2011),未来的研究可以探讨优化这些变量使用human-in-the-loop优化。关于选择的参数设置调整,有一些限制在临床适用性与截肢的人,因为修复学家通常不改变侧肢体。线性混合效应模型的结果进一步重申局限性改变选中的参数设置的有效性。此外,没有考虑鞋的鞋跟高度刚度,尽管很明显,刚度影响肢体加载(香港et al ., 2013;Kulmala et al ., 2018)。未来的调查可能分析的实现human-in-the-loop优化优化适用的临床参数如桥塔高度和鞋跟高度刚度假肢。

另一个限制是,算法被用来优化参数,只有4设置。一方面,可能在某些参与者会存在实际的最优范围之外的测试组合。另一方面,小数量的设置可能青睐的扫描协议考虑所有可能的组合进行了测试。可能优化更大分辨率的选择可能会导致一个更有利的结果;然而,没有证据表明这将是更好的。还需要进一步的调查来评估的影响更大的分辨率在human-in-the-loop优化参数设置手动调整设备。最初的组合是最佳的可能性降到最低,我们限制了最初的组合组合边境可用的选择。然而,在某些情况下,最初的组合,测试结果是接近最终的最优。这些参与者可能会产生不同的结果表明收敛如果他们的协议开始结合,进一步优化。最后,我们只考虑一种可能的算法,包括连续梯度下降法和抛物型优化技术。 Further investigations could investigate methods like Bayesian optimization (Brochu et al ., 2010;金正日et al ., 2017;2019年)或协方差矩阵适应进化策略CMA-ES (Zhang et al ., 2017;任et al ., 2019)。

5的结论

研究实现了一个human-in-the-loop优化算法来指导手册调整优化假模拟器。这项研究的结果表明,这种方法虽然有潜力实现与截肢的患者人群,许多因素需要考虑。由于假体组件会影响加载侧肢体,优化参数对假体本身是一个更多的临床适用的方法来实现这种方法和截肢的人。因为截肢的人依靠从假肢感觉反馈,优化成本函数与生理变化可能更有利于人与截肢。考虑修复学家通常看一下这两个四肢装配和调整假肢时,未来的调查可能包括多目标优化研究的影响变化的多个参数设置的四肢。

数据可用性声明

可用的数据支持了本文的结论补充材料。

道德声明

涉及人类受试者的研究回顾和内布拉斯加州大学的机构审查委员会批准。患者/参与者提供了他们的书面知情同意参与这项研究。书面知情同意了个人出版的任何可识别的图像或数据包含在本文中。

作者的贡献

SS和PM构思实验。党卫军,KT,下午讨论和设计实验协议。点和SS写测试优化算法。党卫军招募参与者、收集和分析数据,写自定义代码,分析统计结果。学生写了初稿。党卫军,KT,点了手稿。所有作者的文章和批准提交的版本。

资金

支持的工作是研究生研究和创新活动,人类运动变化研究中心的奥马哈,内布拉斯加州大学和美国国立卫生研究院(P20GM109090)。下午还收到了部分来自美国国家科学基金会的支持(# 2203143)。任何意见、发现和结论或建议在这种材料中表达作者的,不一定反映的观点美国国立卫生研究院和美国国家科学基金会。

确认

作者要感谢亚历克斯Dzewaltowski和凯拉瓦茨的支持在这个研究项目和马哈Subramaniam博士和Nikolaos Papachatzis指导整个研究项目。第一作者要感谢她的家人为他们持续的支持和安德鲁·瑞恩对他的耐心和意愿在她的学术之旅。

的利益冲突

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

补充材料

本文的补充材料在网上可以找到:https://www.雷竞技rebatfrontiersin.org/articles/10.3389/frobt.2023.1183170/full补充材料

引用

Abolins, V。,Nesenbergs, K., and Bernans, E. (2019). Reliability of loading rate in gait analysis.IOP相依,爵士。Sci的事宜。Eng。575年,012002年。doi: 10.1088 / 1757 - 899 x / 575/1/012002

CrossRef全文|谷歌学术搜索

亚历山大·m cn r (1989)。优化和步态运动的脊椎动物。杂志。牧师。69年,1199 - 1227。doi: 10.1152 / physrev.1989.69.4.1199