Personnaliser l'assistance de l'exosquelette lors de la marche dans le monde réel

Nature volume 610, pages 277-282 (2022)Citer cet article

30 000 accès

24 citations

1362 Altmétrique

Détails des métriques

L’assistance personnalisée par exosquelette offre aux utilisateurs les améliorations les plus importantes en termes de vitesse de marche1 et d’économie d’énergie2,3,4, mais nécessite de longs tests dans des conditions de laboratoire non naturelles. Nous montrons ici que l’optimisation des exosquelettes peut être réalisée rapidement et dans des conditions réelles. Nous avons conçu un exosquelette de cheville portable sur la base des résultats de tests effectués sur un banc d'essai de laboratoire polyvalent. Nous avons développé une méthode basée sur les données pour optimiser l'assistance des exosquelettes en extérieur à l'aide de capteurs portables et avons constaté qu'elle était aussi efficace que les méthodes de laboratoire, mais qu'elle identifiait les paramètres optimaux quatre fois plus rapidement. Nous avons effectué une optimisation réelle en utilisant des données collectées au cours de nombreuses courtes périodes de marche à différentes vitesses. L'assistance optimisée pendant une heure de marche naturaliste dans un lieu public a augmenté la vitesse auto-sélectionnée de 9 ± 4 % et a réduit l'énergie utilisée pour parcourir une distance donnée de 17 ± 5 % par rapport aux chaussures normales. Cette assistance a réduit la consommation d'énergie métabolique de 23 ± 8 % lorsque les participants marchaient sur un tapis roulant à une vitesse standard de 1,5 m s−1. Les mouvements humains codent des informations qui peuvent être utilisées pour personnaliser les appareils d’assistance et améliorer les performances.

Les exosquelettes qui facilitent le mouvement des jambes sont prometteurs pour améliorer la mobilité personnelle, mais n'ont pas encore apporté d'avantages concrets. Des millions de personnes souffrent de troubles de la mobilité qui rendent la marche plus lente5 et plus fatigante6, tandis que des millions de personnes supplémentaires exercent des activités qui nécessitent une locomotion intense7. Dans les laboratoires de recherche, les exosquelettes peuvent augmenter la vitesse de marche1,8,9 et réduire l'énergie nécessaire pour marcher2,3,4,10,11,12,13,14,15,16, mais ces avantages ne se sont pas encore traduits dans le monde réel. conditions17. Fournir une assistance bénéfique dans le monde réel est difficile pour plusieurs raisons : l’équipement spécialisé utilisé pour personnaliser l’assistance n’est pas disponible en dehors du laboratoire ; contrairement à la marche sur un tapis roulant, la marche quotidienne se déroule en plusieurs périodes de vitesse et de durée variables ; et les appareils doivent être autonomes et faciles à utiliser. Dans cette étude, nous avons abordé chacun de ces défis pour démontrer une assistance efficace par exosquelette dans des conditions naturalistes.

Maximiser les avantages de l’assistance par exosquelette nécessite une personnalisation adaptée aux besoins individuels, ce qui constitue un défi en dehors d’un laboratoire. Les améliorations les plus importantes en matière de performances de marche humaine ont été obtenues en individualisant l'assistance grâce à l'optimisation de l'humain dans la boucle1,2,3,4, un processus dans lequel le contrôle de l'appareil est systématiquement réglé pour améliorer les performances humaines lorsqu'une personne utilise un appareil. La mesure d’aspects importants de la performance, notamment le taux métabolique16, a nécessité du matériel de laboratoire coûteux et de longues périodes de marche régulière sur tapis roulant18. Cette individualisation des consommateurs ou des dispositifs médicaux nécessiterait plusieurs longues visites dans une clinique spécialisée, ce qui serait coûteux et peu pratique. Si les performances humaines pouvaient être estimées rapidement, à l’aide de capteurs portables à faible coût, l’optimisation pourrait être réalisée au fur et à mesure que les gens se déplacent naturellement dans leur vie quotidienne. Cela pourrait être possible grâce à la modélisation musculo-squelettique19, mais de telles simulations nécessitent beaucoup de calculs20 et nécessitent une individualisation. Les modèles basés sur les données peuvent être capables de capturer plus simplement des caractéristiques importantes de la performance humaine21,22,23,24,25.

Nous avons développé un modèle basé sur des données qui relie le mouvement humain pendant la marche assistée par exosquelette à la consommation d'énergie métabolique et peut être utilisé en dehors du laboratoire. Le mouvement humain naît de l’interaction entre l’inertie de nos segments corporels et les forces de l’environnement et de nos muscles. Nous avons émis l'hypothèse qu'une analyse minutieuse pourrait extraire des informations significatives sur la dépense énergétique musculaire à partir de changements subtils dans le mouvement. Lors d'une expérience précédente4, les participants marchaient avec l'aide d'un exosquelette dans environ 3 600 conditions différentes tandis que les données étaient enregistrées à partir d'équipements de laboratoire mesurant les résultats biomécaniques et de capteurs portables peu coûteux sur l'exosquelette. Nous avons formé un modèle de régression logistique à l'aide de cet ensemble de données précédent (Extended Data Fig. 1). Le modèle de classification basé sur les données a comparé les données de capteurs de deux modèles différents d'assistance d'exosquelette, chacun défini par une « loi de contrôle », et a classé quelle loi de contrôle offrait le plus grand avantage. Les entrées du modèle étaient l'angle et la vitesse de la cheville, segmentés par cycle de marche, ainsi que les paramètres de couple pour chaque loi de contrôle. Le modèle a ensuite estimé la probabilité que la première loi de contrôle entraîne une diminution de la dépense énergétique métabolique. Essentiellement, le classificateur a favorisé plus tard des couples d'exosquelette plus importants et des mouvements fluides et bien synchronisés qui ont conduit à une extension accrue de la cheville au niveau des orteils. Au cours de l'optimisation, l'utilisateur a expérimenté un ensemble de lois de contrôle, le modèle basé sur les données a comparé toutes les paires possibles de lois de contrôle, les lois de contrôle ont été classées et un algorithme d'optimisation26 a mis à jour l'estimation des paramètres optimaux et a généré un nouvel ensemble de lois de contrôle. à évaluer (Fig. 1). Ce processus a été répété jusqu'à ce que les critères de convergence soient satisfaits.