近日，我院腦機芯片神經工程團隊在高水平期刊《Cyborg and Bionic Systems》（《半機器人與仿生系統》，JCR Q1，IF=10.5）發表題為“Interlimb and Intralimb Synergy Modeling for Lower Limb Assistive Devices: Modeling Methods and Feature Selection”的研究論文。

該研究提出步态協同(Gait synergy)的概念作為一種新型人機接口。近年來，基于健康人步态協同性設計軌迹從而引導患者康複的方法已被廣泛應用多種下肢輔助裝置中，如動力型假肢和康複外骨骼（圖1）。具體來說，基于步态協同建模，下肢輔助裝置能夠根據患者健全部位的運動參數，實時計算生成受影響或缺失部位的參考軌迹。為了産生與患者（卒中或截肢者）運動協同的參考軌迹，改善人機交互，需要對步态協同建模方法以及選擇的步态特征參數進行優化。然而，先前的研究缺乏對協同建模最優方法的深入讨論。此外，特征選擇（FS）對于降低數據維度和提高建模質量至關重要，但在先前的研究中經常被忽視。因此該研究面向下肢輔助裝置的自适應軌迹産生，重點關注步态協同的建模方法與步态特征參數選取。

圖1：參與研發的下肢輔助裝置。(A)膝關節輔助矯形器，(B) CUHK-EXO（外骨骼），(C)動力型踝足假肢，(D)動力型膝上假肢。

該研究綜合分析了四種先進的神經網絡建模方法，并結合三種特征選擇方法，選擇最優特征組合以提高建模精度。四種神經網絡建模方法包括：序列到序列（Seq2Seq）、長短期記憶網絡（LSTM）、遞歸神經網絡（RNN）和門控循環單元（GRU）。三種特征選擇方法包括：随機森林、信息增益和皮爾遜相關系數。研究結果表明，Seq2Seq方法在建模效果上優于LSTM、RNN和GRU，特别是在結合特征選擇方法後，Seq2Seq的建模性能顯著提升。

圖2：FS-Seq2Seq流程圖。

論文提出的FS-Seq2Seq模型包含兩個階段（圖2），在FS階段，使用三種特征選擇方法來選擇輸入的運動數據。第二階段涉及一個Seq2Seq模型。Seq2Seq模型包括編碼和解碼兩部分。在編碼部分，注意力機制被用來在每個時刻自适應地提取相關特征，作為編碼器的輸入。在解碼部分，另一個注意力機制用來選擇相關的編碼器隐藏狀态。FS-Seq2Seq雙階段模型在腿間和腿内協同建模的性能和準确性方面優于其他方法(RMSE分别為0.404°和0.596°）。該研究強調了基于步态協同的軌迹預測方法在下肢輔助裝置中産生用戶自适應的、與用戶動作協同的軌迹的前景，從而改善裝置與患者的人機交互。未來的研究将繼續探索和優化這些技術，以進一步提升輔助裝置的控制效果。通過這項研究，FS-Seq2Seq模型不僅在理論上展示了其優越性，也為實際應用提供了可行的技術路徑，具有廣泛的應用前景。

該研究得到了國家自然科學基金、海南省自然科學基金、海南省重點研發項目等資助。海南大學為第一完成單位，365英国上市官网在线梁豐研副教授、博士生莫利奮為論文共同第一作者，我院殷明教授與海口市人民醫院宋振華主任醫師為論文共同通訊作者。論文得到了香港中文大學Liao Wei-Hsin教授與中科院深圳先進院高飛研究員的指導。

論文鍊接：https://spj.science.org/doi/10.34133/cbsystems.0122