面向统一、免调谐辅助的智能膝踝假肢端到端控制
研究人员开发了一种基于时间卷积网络的实时端到端假肢控制器，无需手动调谐和意图分类器。在平地、斜坡和楼梯等五种运动模式下测试，控制器表现出无缝适应能力，匹配训练数据的缩放特性，并能在无需个体调整的情况下实现自然的楼梯过渡。
传统的动力假肢通常依赖于阻抗控制器，这类控制器需要大量的手动调谐和明确的模式分类。临床医生必须根据每位用户的步态特点反复调整参数，且在复杂地形如斜坡或楼梯上需要人工切换模式，这既耗时又无法保证最优性能。然而，一项最新发表在arXiv上的研究提出了一种端到端的膝踝假肢控制器，利用时间卷积网络（TCN）直接从机载传感器连续估计执行器信号，彻底消除了对意图分类器和个体化调谐的需求。
研究团队使用来自18名大腿截肢者的多地形步态数据集训练了TCN模型，覆盖平地行走、上坡、下坡、上楼梯和下楼梯五种运动模式。随后，该模型被部署至四名参与者（三名健全个体和一名大腿截肢者）的假肢上进行实时控制。在平地行走实验中，控制器成功再现了训练数据中踝关节峰值扭矩随步行速度的缩放关系：部署时斜率为0.85 Nm/kg每m/s（p=0.001），训练数据斜率为0.96 Nm/kg每m/s（95%置信区间[0.42,1.50]，p=0.002），仅排除一个因异常假肢负载导致的离群点。在上坡时，控制器根据坡度自动调节膝关节预屈曲角度：部署时每度坡度增加2.92度（p=0.027），训练数据对应3.30度（95%CI[1.83,4.77]，p<0.001）。下坡时，控制器相比平地行走显著增加了膝关节的阻力扭矩（部署时+0.16 Nm/kg，p<0.001；训练时+0.16 Nm/kg，p=0.008）。更令人印象深刻的是，尽管训练数据仅包含一种肢体领先序列，但控制器在楼梯上下行中成功生成了健全侧和假肢侧交替领先的无缝过渡，展现了出色的泛化能力。
这些结果提供了初步证据，表明端到端控制能够为动力假肢提供统一且模式自适应的辅助，无需针对个体进行繁琐的调谐。这种技术有望大幅降低假肢的临床适配负担，同时提升用户在不同地形下的自然行走体验。未来工作将包括更大规模的用户测试、长期稳定性评估以及向其他类型假肢的扩展。