Locomotion Mode Transitions: Tackling System- and User-Specific Variability in Lower-Limb Exoskeletons

Título: Transições de Modo de Locomoção: Lidando com Variabilidade Específica do Sistema e do Usuário em Exoesqueletos de Membros Inferiores

1. Problema e Motivação

O controle eficaz de exoesqueletos de membros inferiores depende da detecção precisa e em tempo real das transições entre modos de locomoção (ex.: caminhar para sentar, subir/descer escadas). Embora métodos existentes sejam eficazes para atividades em estado estacionário (como caminhar), a detecção de transições é crítica para garantir segurança, estabilidade e interação suave humano-robô.

Os principais desafios identificados são:

• Variabilidade: As características específicas do usuário (padrões de marcha) e do sistema (design mecânico do exoesqueleto) introduzem variabilidade nos dados dos sensores.
• Limitações de Modelos Não Adaptativos: Modelos de classificação não adaptativos (com limiares fixos) frequentemente falham em manter alta precisão sem latência quando aplicados a novos usuários ou exoesqueletos com designs complexos.
• Compromisso Personalização vs. Generalização: Abordagens baseadas em treinamento específico por sujeito exigem longos tempos de avaliação, enquanto modelos genéricos podem não atender às necessidades individuais.

2. Metodologia

Os autores propõem uma abordagem que combina um classificador baseado em Máquina de Estados Finitos (FSM) com técnicas de otimização de limiares (thresholds) para adaptar o sistema a cada usuário e dispositivo.

A. Dados e Recursos (Features)

• Sensores: Utilização de dados de ângulo e velocidade da coxa ($\theta_{th}$, $\dot{\theta}_{th}$) e forças de reação no solo (GRF).
• Características Instantâneas (ICFs): Três características principais são extraídas para classificar transições em momentos específicos do passo (Flexão Máxima do Quadril - MHF, Contato do Calcanhar - HS, e intervalo de ângulo THR):
  1. $\theta_{th}$ no MHF.
  2. Diferença entre $\theta_{th}$ no MHF e no HS.
  3. $\dot{\theta}_{th}$ quando $\theta_{th}$ está em uma faixa específica.
• Mapeamento de Desalinhamento: Foi desenvolvido um algoritmo de regressão baseado em aprendizado para corrigir desalinhamentos entre as articulações do humano e do exoesqueleto (especificamente no quadril), alinhando os dados medidos com padrões biomecânicos da literatura.

B. Algoritmo de Classificação

• Utiliza-se uma Máquina de Estados Finitos (FSM) com quatro estados (Sentado, Caminhada, Subida de Escada, Descida de Escada).
• A detecção de transição é tratada como um problema de classificação binária em um espaço de características unidimensional, utilizando limiares (thresholds) treinados offline por modelos de Machine Learning (SVM Linear e Regressão Logística).

C. Métodos de Otimização de Limiares (Personalização)

Para superar a variabilidade, dois métodos de ajuste de limiares foram introduzidos:

1. Abordagem Baseada em Estatística (SBA): Ajusta os limiares treinados escalando-os com base nas propriedades estatísticas (média e desvio padrão) dos dados do novo usuário. É um método de "uma etapa" rápido.
2. Otimização Bayesiana (BO): Trata o ajuste de limiares como um problema de otimização. Utiliza Processos Gaussianos para modelar a relação entre os limiares e o desempenho do FSM, minimizando uma função objetivo (penalizando erros de detecção e atrasos) com o mínimo de experimentos. O BO busca o equilíbrio entre exploração e exploração para encontrar limiares ótimos rapidamente.
3. Busca em Grade (GSA): Utilizada como linha de base para comparação.

3. Contribuições Principais

1. Avaliação Comparativa: Avaliação de um algoritmo baseado em limiares treinados por ML em dois exoesqueletos distintos (eWalk e autonomyo), demonstrando a adaptabilidade a restrições de design variadas.
2. Novos Métodos de Personalização: Introdução da SBA e da Otimização Bayesiana para ajustar limiares de transição, permitindo que o algoritmo se adapte a padrões de marcha individuais e características do sistema sem necessidade de re-treinamento completo do modelo.
3. Correção de Desalinhamento: Desenvolvimento de um mapeamento de regressão para corrigir erros de alinhamento articular humano-exoesqueleto, melhorando a precisão dos dados de entrada.
4. Dataset Aberto: Disponibilização de um conjunto de dados de cinemática de membros inferiores com 18 sujeitos, dois exoesqueletos e quatro modos de locomoção, incluindo transições.

4. Resultados Experimentais

Os experimentos foram realizados com 10 sujeitos em cada exoesqueleto (eWalk e autonomyo) em ambiente externo, cobrindo transições entre caminhar, sentar, subir e descer escadas.

• Impacto do Mapeamento de Desalinhamento: A correção dos ângulos do quadril no exoesqueleto autonomyo reduziu o erro quadrático médio (RMSE) em 3,61° em relação à literatura e melhorou a consistência dos dados, embora tenha havido uma leve redução na precisão de algumas transições específicas (W-S/S-W) devido à maior sensibilidade do novo alinhamento.
• Desempenho da Otimização:
  • eWalk (Sistema mais simples): A SBA já trouxe melhorias significativas. A Otimização Bayesiana (BO) melhorou ainda mais a precisão, alcançando aumentos de até 18% em transições específicas (ex.: W-SD e SD-W para o sujeito S5, subindo de 20%/40% para 100%).
  • autonomyo (Sistema complexo): A SBA mostrou-se ineficaz. A BO foi crucial, aumentando a precisão de detecção em todas as transições (ex.: W-S e S-W subiram de ~75-77% para 90%).
  • Comparação BO vs. GSA: A BO foi 4 vezes mais rápida computacionalmente que a Busca em Grade (GSA) para encontrar limiares ótimos, convergindo em 30 iterações contra 100 da GSA, mantendo alta precisão.
• Precisão Geral: A personalização via BO permitiu que o sistema alcançasse taxas de detecção corretas superiores a 90% na maioria dos casos, superando métodos não personalizados em até 80% em cenários específicos.

5. Significado e Conclusão

O estudo demonstra que a personalização é fundamental para o controle adaptativo de exoesqueletos.

• Eficiência Computacional: A abordagem baseada em limiares treinados por ML, combinada com otimização Bayesiana, oferece uma solução leve, interpretável e computacionalmente eficiente, adequada para sistemas embarcados, superando a necessidade de redes neurais profundas pesadas.
• Adaptabilidade: A Otimização Bayesiana provou ser superior para lidar com a variabilidade complexa de usuários e sistemas, ajustando-se rapidamente a comportamentos únicos (como padrões de marcha cautelosos ou ajustes pré-sentar).
• Futuro: Embora promissora, a abordagem ainda enfrenta desafios com comportamentos não padronizados e ruído. Trabalhos futuros devem focar na otimização de parâmetros em tempo real, inclusão de dados de ambas as pernas e testes com usuários com deficiências de mobilidade.

Em suma, o artigo estabelece que a integração de dados específicos do sujeito e do sistema, através de métodos de otimização inteligentes como a Otimização Bayesiana, é essencial para criar dispositivos assistivos mais seguros, responsivos e eficazes.