Assistive locomotion strategies for active lower limb devices

Abstract

In order to actively aid or restore legged locomotion to individuals suffering from muscular impairments, weakness or neurologic injury, rehabilitation is recommended as a more appropriate way to achieve the ultimate goal of a continuous ambulatory monitoring. Also, the assistance with wearable robots (WRs) during daily living activities provides a more intensive and purposeful targeted therapeutic training, and also reduces the treatment cost and the number of health care personnel. Thus, it is crucial the development of locomotion strategies that recognize in real-time the locomotion mode of human-robot interaction in overground daily living activities. Thus, this thesis intends to develop two locomotion strategies which will be integrated in high level control of exoskeleton H2 (Exo-H2), the WR developed under the scope of BioMot project. The first locomotion strategy proposed and validated addresses online detection of events and gait phases uniquely through information from embedded sensors. This knowledge will allow determining in real-time the biomechanical parameters of assisted walking, and consequently to assess the progress of rehabilitation process by means of WR. The solution validation in different locomotion conditions (assisted walking by WR, walking of humanoid robot and walking of healthy subject) shows up that the proposed solution led to a robust and general tool for gait detection, which is also capable to detect more events and gait phases comparatively to the works presented in literature. Locomotion mode recognition is the second locomotion strategy developed in this thesis, which allows the recognition of different locomotion modes. Based on an exhaustive state of the art survey, a more robust and accurate procedure that leads to a more robust and accurate tool was delineated. According to the results achieved for offline scenario it was verified that the performance of the locomotion strategy increases by using different types of biomechanical parameters, which should be previously selected by means of multivariate statistic methods. Both binary and multiclass classification were addressed through support vector machine (SVM). The implementation of these methods led to a powerful and accurate tool of offline recognition of locomotion modes. Additionally, a strategy for online recognition was proposed. Further work will consist on the application of these locomotion strategies in real-time environment of gait rehabilitation.

De forma a apoiar ou a restaurar a locomoção de indivíduos que apresentam fraqueza muscular ou doenças neurológicas, a reabilitação é recomendada como a forma mais apropriada para alcançar uma monitorização ambulatória contínua. Além disso, a assistência com robots ambulatório (RA) durante as atividades diárias promove um treino terapêutico mais intensivo e direcional, assim como também reduz os custos de tratamento e o número de profissionais de saúde. Como tal, é crucial o desenvolvimento de estratégias que reconheçam, em tempo real, o modo de locomoção da interação sujeito-robot durante as atividades quotidianas. Assim, esta tese visa desenvolver duas estratégias de locomoção, as quais serão integradas no controlo de alto nível do Exo-H2, que corresponde ao RA desenvolvido no âmbito do projeto BioMot. A primeira estratégia de locomoção proposta e validada consiste na deteção online dos eventos e fases da marcha, usando exclusivamente a informação fornecida pelos sensores embebidos. Este conhecimento permitirá a determinação em tempo real dos parâmetros biomecânicos da marcha assistida, e por conseguinte permitirá avaliar o progresso da reabilitação. A validação da solução proposta em diferentes contextos de locomoção (marcha assistida por RA, marcha de um robot humanoide e a marcha de um sujeito saudável) revelou que esta constitui uma ferramenta robusta e geral para a deteção da marcha, sendo capaz de detetar mais eventos e fases da marcha comparativamente aos estudos apresentados na literatura. O reconhecimento do modo de locomoção é a segunda estratégia desenvolvida nesta tese, a qual permite o reconhecimento de diferentes modos de locomoção. Com base no exaustivo levantamento do estado da arte, foi delineado um procedimento robusto, que conduziu a uma ferramenta mais robusta e precisa. De acordo com os resultados alcançados para o cenário offline verificou- se que o desempenho desta estratégia de locomoção aumenta com a utilização de diferentes tipos de parâmetros biomecânicos, os quais devem ser previamente selecionados por meio de métodos estatísticos. Tanto a classificação binária, como a classificação de multi-classes, foram implementadas através do support vector machine (SVM). A implementação destes métodos conduziu a uma ferramenta precisa de reconhecimento dos modos de locomoção em offline. Além disso, também foi proposta a estratégia para o reconhecimento em tempo real. Como trabalho futuro propõe-se a aplicação destas estratégias de locomoção no ambiente em tempo real de reabilitação da marcha.