面向統一、免調諧輔助的智能膝踝假肢端到端控制
研究人員開發了一種基於時間卷積網絡的實時端到端假肢控制器，無需手動調諧和意圖分類器。在平地、斜坡和樓梯等五種運動模式下測試，控制器表現出無縫適應能力，匹配訓練數據的縮放特性，並能在無需個體調整的情況下實現自然的樓梯過渡。
傳統的動力假肢通常依賴於阻抗控制器，這類控制器需要大量的手動調諧和明確的模式分類。臨牀醫生必須根據每位用户的步態特點反覆調整參數，且在複雜地形如斜坡或樓梯上需要人工切換模式，這既耗時又無法保證最優性能。然而，一項最新發表在arXiv上的研究提出了一種端到端的膝踝假肢控制器，利用時間卷積網絡（TCN）直接從機載傳感器連續估計執行器信號，徹底消除了對意圖分類器和個體化調諧的需求。
研究團隊使用來自18名大腿截肢者的多地形步態數據集訓練了TCN模型，覆蓋平地行走、上坡、下坡、上樓梯和下樓梯五種運動模式。隨後，該模型被部署至四名參與者（三名健全個體和一名大腿截肢者）的假肢上進行實時控制。在平地行走實驗中，控制器成功再現了訓練數據中踝關節峯值扭矩隨步行速度的縮放關係：部署時斜率為0.85 Nm/kg每m/s（p=0.001），訓練數據斜率為0.96 Nm/kg每m/s（95%置信區間[0.42,1.50]，p=0.002），僅排除一個因異常假肢負載導致的離羣點。在上坡時，控制器根據坡度自動調節膝關節預屈曲角度：部署時每度坡度增加2.92度（p=0.027），訓練數據對應3.30度（95%CI[1.83,4.77]，p<0.001）。下坡時，控制器相比平地行走顯著增加了膝關節的阻力扭矩（部署時+0.16 Nm/kg，p<0.001；訓練時+0.16 Nm/kg，p=0.008）。更令人印象深刻的是，儘管訓練數據僅包含一種肢體領先序列，但控制器在樓梯上下行中成功生成了健全側和假肢側交替領先的無縫過渡，展現了出色的泛化能力。
這些結果提供了初步證據，表明端到端控制能夠為動力假肢提供統一且模式自適應的輔助，無需針對個體進行繁瑣的調諧。這種技術有望大幅降低假肢的臨牀適配負擔，同時提升用户在不同地形下的自然行走體驗。未來工作將包括更大規模的用户測試、長期穩定性評估以及向其他類型假肢的擴展。