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

Technische Samenvatting: Genereren van Gepersonaliseerde Kinematica van de Onderste Extremiteiten over Verschillende Loopsnelheden Gebruikmakend van Subject-Geconditioneerde Diffusie

Probleemstelling
Het personaliseren van ondersteuning door exoskeletten vereist gebruikersspecifieke loopgegevens voor diverse locomotie-taken, met name bij variërende loopsnelheden. Het verwerven van deze gegevens vereist echter herhaalde, kostbare en tijdrovende motion capture-sessies, die vooral belastend zijn voor klinische populaties (bijv. beroerteoverlevers). Bestaande generatieve modellen richten zich vaak op populatiebrede looprepresentaties in plaats van het vastleggen van gebruikersspecifieke kenmerken, of ze slagen er niet in om subjectspecifieke looppatronen effectief over te dragen naar verschillende locomotiecontexten. De kernuitdaging die wordt aangepakt, is het genereren van gepersonaliseerde kinematica van de onderste extremiteiten bij ongeziene loopsnelheden met behulp van slechts één geobserveerde snelheid, terwijl de unieke loopidentiteit van het subject behouden blijft.

Methodologie
De auteurs stellen een subject-geconditioneerd residu-diffusiekader voor dat ontworpen is om looptrajecten te synthetiseren voor een doel-snelheid ($v_{tgt}$) gegeven een bron-loopsequentie ($x_{src}$) bij een bekende snelheid ($v_{src}$).

• Residu-formulering: In plaats van ruwe kinematische sequenties vanaf nul te genereren, leert het model het residu ($\hat{r}$) te voorspellen dat nodig is om het bron-traject te transformeren naar het doel-traject: $\hat{r}(x_{src}, x_{tgt}) = x_{tgt} - x_{src}$. Het uiteindelijke doel-sequentie wordt gereconstrueerd als $\hat{x}_{tgt} = x_{src} + \hat{r}$. Deze aanpak beoogt subtiele snelheid-afhankelijke variaties te modelleren terwijl de onderliggende subjectspecifieke loopkenmerken behouden blijven.
• Modelarchitectuur: Het kader maakt gebruik van een Transformer-gebaseerde denoiser (gebaseerd op de GaitDynamics-backbone) die geconditioneerd is op drie inputs:
  1. Subject Loop: De bron-loopsequentie ($x_{src}$) wordt gecodeerd via een bidirectionele LSTM naar een subject-embedding ($z_s$).
  2. Snelheidsparameters: Een vector die de bron-snelheid, doel-snelheid, hun verschil en hun ratio bevat, wordt verwerkt via een MLP om een snelheid-embedding ($z_{speed}$) te creëren.
  3. Conditioneringsmechanisme: De subject- en snelheid-embeddings worden gecombineerd en gebruikt om de verborgen toestanden van de Transformer te moduleren via Feature-wise Linear Modulation (FiLM). Dit stelt het model in staat om zijn interne representatie vorm te geven op basis van de specifieke subject- en snelheidsovergang zonder deze als directe inputkanalen toe te voegen.
• Trainingsdoelstelling: Het model wordt getraind op data van gezonde proefpersonen met een variance-preserving diffusie-doelstelling. De verliesfunctie combineert vier termen:
  1. Gewogen ruisvoorspellingsverlies (kniegewrichten worden twee keer zo zwaar gewogen als heup/enkel).
  2. Residu-reconstructieverlies.
  3. Identiteitsbehoud-verlies (stimuleert nagenoeg nul-residuen bij identieke snelheden).
  4. Subject-behoud-verlies (een contrastieve verlies die ervoor zorgt dat gegenereerde sequenties de bron-embedding van het subject behouden en onderscheidend blijven van andere subjects).
• Datasets: Het model werd getraind op een dataset van gezonde proefpersonen (22 subjects, 0,5–1,85 m/s) en geëvalueerd op een uitgesloten groep gezonde proefpersonen en een out-of-distribution beroerte-dataset (19 subjects, 0,3–1,2 m/s) zonder beroertespecifieke fine-tuning.

Belangrijkste Bijdragen

1. Subject-geconditioneerde Pipeline: Een nieuwe architectuur die de bron-snelheid loop van een subject combineert met een gewenste doel-snelheid om een diffusiemodel te conditioneren, wat identiteitsbehoudende generatie mogelijk maakt.
2. Residu-generatie Formulering: Een strategie om trajectveranderingen te synthetiseren in plaats van ruwe data, wat de modellering van snelheid-afhankelijke variaties verbetert terwijl de subject-identiteit behouden blijft.
3. Evaluatie van Identiteitsbehoud: Een uitgebreide evaluatie die aantoont dat het model biomechanisch plausibele loopbewegingen over verschillende snelheden kan synthetiseren vanuit een enkele bron-sample, waarbij het superieur is aan deterministische baselines.

Resultaten

• Nauwkeurigheid: Op uitgesloten gezonde subjects bereikte het model een Mean Absolute Error (MAE) van 3,4° (Pearson's $r=0,95$). Op out-of-distribution beroerte-subjects (zonder fine-tuning) bereikte het een MAE van 6,0° ($r=0,86$).
• Personalisatie: De gemiddelde personalisatie-rang (waarbij rang 1 aangeeft dat de gegenereerde loop het dichtst bij de ware subject ligt vergeleken met alle andere subjects) was 3,3 voor gezonde proefpersonen en 2,8 voor beroerte-subjects, wat wijst op een sterke bewaring van de individuele loopidentiteit.
• Vergelijking met Baselines: Het voorgestelde diffusiemodel verminderde de MAE met meer dan 70% vergeleken met gesuperviseerde feed-forward baselines (MLP en TCN), die fouten van respectievelijk 12,25° en 11,43° opleverden.
• Data-efficiëntie: Het gebruik van een enkele bron-snelheid leverde een nauwkeurigheid op die binnen 0,4° lag van het gebruik van vier bron-snelheden, wat suggereert dat uitgebreide dataverzameling over meerdere snelheden niet strikt noodzakelijk is voor hoogwaardige generatie.
• Klinische Generalisatie: Het model generaliseerde naar beroerte-looppatronen en behield de subject-identiteit, zelfs voor de paretische en niet-paretische zijde, waarbij de cadansfouten laag bleven (gemiddeld ongeveer 6–7% percentage error).

Betekenis en Claims
Het artikel claimt dat subject-geconditioneerde residu-diffusie gepersonaliseerde loopbewegingen over snelheden kan synthetiseren met minimale data (een enkele geobserveerde snelheid). Deze capaciteit vermindert de last van dataverzameling die inherent is aan downstream exoskelet-personalisatiewerkstromen aanzienlijk. Door gebruikersspecifieke gegevens te genereren zonder dat daarvoor herhaalde motion capture-sessities over alle doel-snelheden voor nodig zijn, adresseert het framework een belangrijke flessenhals bij het inzetten van effectieve, gepersonaliseerde draagbare robotinterventies voor zowel gezonde als klinische populaties. Het werk demonstreert dat een generatief model zowel snelheid-afhankelijke loopveranderingen als subjectspecifieke identiteit tegelijkertijd kan vastleggen, wat een levensvatbaar alternatief biedt voor populatie-gemiddelde modellen voor exoskeletcontrole.