Generating Personalized Lower-Limb Kinematics Across Walking Speeds Using Subject-Conditioned Diffusion

Resumen Técnico: Generación de Cinemática de Miembros Inferiores Personalizada a través de Difusión Condicionada por Sujeto según la Velocidad de Marcha

Declaración del Problema
La personalización de la asistencia de exoesqueletos requiere datos de marcha específicos del usuario en diversas tareas locomotoras, particularmente en velocidades de marcha variables. Sin embargo, la adquisición de estos datos suele exigir sesiones de captura de movimiento repetitivas, costosas y laboriosas, que son especialmente onerosas para poblaciones clínicas (por ejemplo, supervivientes de accidentes cerebrovasculares). Los modelos generativos existentes suelen centrarse en representaciones de la marcha a nivel poblacional en lugar de capturar características específicas del usuario, o bien no logran transferir eficazmente los patrones de marcha específicos del sujeto a diferentes contextos locomotores. El desafío central abordado es la generación de cinemática de miembros inferiores personalizada para velocidades de marcha no observadas utilizando únicamente una única velocidad observada, preservando al mismo tiempo la identidad de la marcha única del sujeto.

Metodología
Los autores proponen un marco de difusión residual condicionada por sujeto diseñado para sintetizar trayectorias de marcha para una velocidad objetivo ($v_{tgt}$) dada una secuencia de marcha fuente ($x_{src}$) a una velocidad conocida ($v_{src}$).

• Formulación Residual: En lugar de generar secuencias cinemáticas puras desde cero, el modelo aprende a predecir el cambio residual ($\hat{r}$) necesario para transformar la trayectoria fuente en la trayectoria objetivo: $\hat{r}(x_{src}, x_{tgt}) = x_{tgt} - x_{src}$. La secuencia objetivo final se reconstruye como $\hat{x}_{tgt} = x_{src} + \hat{r}$. Este enfoque tiene como objetivo modelar variaciones sutiles dependientes de la velocidad mientras se preserva la firma de la marcha específica del sujeto.
• Arquitectura del Modelo: El marco utiliza un denoiser basado en Transformer (basado en el backbone GaitDynamics) condicionado por tres entradas:
  1. Marcha del Sujeto: La secuencia de marcha fuente ($x_{src}$) se codifica mediante una LSTM bidireccional en un embedding de sujeto ($z_s$).
  2. Parámetros de Velocidad: Un vector que contiene la velocidad fuente, la velocidad objetivo, su diferencia y su ratio se procesa a través de un MLP para crear un embedding de velocidad ($z_{speed}$).
  3. Mecanismo de Condicionamiento: Los embeddings de sujeto y velocidad se combinan y se utilizan para modular los estados ocultos del Transformer mediante Modulación Lineal por Características (FiLM). Esto permite al modelo dar forma a su representación interna basándose en la transición específica de sujeto y velocidad sin añadir estos como canales de entrada directa.
• Objetivo de Entrenamiento: El modelo se entrena con datos de personas sanas utilizando un objetivo de difusión de preservación de varianza. La función de pérdida combina cuatro términos:
  1. Pérdida de predicción de ruido ponderada (las articulaciones de la rodilla tienen el doble de peso que las de la cadera/tobillo).
  2. Pérdida de reconstrucción residual.
  3. Pérdida de preservación de identidad (que fomenta residuos cercanos a cero para velocidades idénticas).
  4. Pérdida de preservación del sujeto (una pérdida contrastiva que asegura que las secuencias generadas retengan el embedding del sujeto de origen de forma distinta a otros sujetos).
• Conjuntos de Datos: El modelo fue entrenado con un conjunto de datos de personas sanas (22 sujetos, 0.5–1.85 m/s) y evaluado con un conjunto de datos de pacientes con accidente cerebrovascular fuera de la distribución (19 sujetos, 0.3–1.2 m/s) sin ajuste fino específico para el accidente cerebrovascular.

Contribuciones Clave

1. Pipeline Condicionado por Sujeto: Una arquitectura novedosa que combina la marcha de la velocidad fuente de un sujeto con una velocidad objetivo deseada para condicionar un modelo de difusión, permitiendo la generación de preservación de identidad.
2. Formulación de Generación Residual: Una estrategia para sintetizar cambios de trayectoria en lugar de datos brutos, lo que mejora el modelado de las variaciones dependientes de la velocidad manteniendo la identidad del sujeto.
3. Evaluación de la Preservación de Identidad: Una evaluación exhaustiva que demuestra que el modelo puede sintetizar una marcha biomecanicamente plausible a través de las velocidades a partir de una única muestra de origen, superando a las líneas base deterministas.

Resultados

• Precisión: En sujetos sanos excluidos, el modelo alcanzó un Error Absol de la Media (MAE) de 3.4° (Pearson's $r=0.95$). En sujetos con accidente cerebrovascular fuera de la distribución (sin ajuste fino), alcanzó un MAE de 6.0° ($r=0.86$).
• Personalización: El rango de personalización promedio (donde el rango 1 indica que la marcha generada es la más cercana al sujeto real en comparación con todos los demás sujetos) fue de 3.3 para personas sanas y 2.8 para sujetos con accidente cerebrovascular, lo que indica una fuerte preservación de la identidad de la marcha individual.
• Comparación con Líneas Base: El modelo de difusión propuesto redujo el MAE en más del 70% en comparación con las líneas base de alimentación hacia adelante supervisadas (MLP y TCN), que arrojaron errores de 12.25° y 11.43°, respectivamente.
• Eficiencia de Datos: El uso de una única velocidad de origen produjo una precisión dentro de 0.4° de la utilizada con cuatro velocidades de origen, lo que sugiere que la recolección extensiva de datos a través de múltiples velocidades no es estrictamente necesaria para una generación de alta fidelidad.
• Generalización Clínica: El modelo se generalizó a los patrones de marcha tras un accidente cerebrovascular, preservando la identidad del sujeto incluso para los lados parético y no parético, manteniendo también errores de cadencia bajos (error porcentual promedio de aproximadamente 6–7%).

Significancia y Reivindicaciones
El artículo afirma que la difusión residual condicionada por sujeto puede sintetizar la marcha personalizada a través de las velocidades con un mínimo de datos (una única velocidad observada). Esta capacidad reduce significamente la carga de recolección de datos inherente a los flujos de trabajo de personalización de exoesqueletos. Al generar datos específicos del usuario sin requerir sesiones repetidas de captura de movimiento en todas las velocidades objetivo, el marco aborda un cuello de botella importante en el despliegue de intervenciones de robótica vestible personalizadas y efectivas tanto para poblaciones sanas como clínicas. El trabajo demuestra que un modelo generativo puede capturar simultáneamente los cambios de marcha dependientes de la velocidad y la identidad específica del sujeto, ofreciendo una alternativa viable a los modelos de promedio poblacional para el control de exoesqueletos.