Event-Driven On-Sensor Locomotion Mode Recognition Using a Shank-Mounted IMU with Embedded Machine Learning for Exoskeleton Control

Título: Reconhecimento de Modo de Locomoção Acionado por Eventos em Sensor com IMU Montado na Canela e Aprendizado de Máquina Embarcado para Controle de Exoesqueleto

1. Problema e Motivação

O reconhecimento de atividades humanas (HAR) é fundamental para o controle de exoesqueletos de membros inferiores, permitindo transições suaves entre modos de locomoção e estratégias de controle adaptativas. No entanto, as abordagens convencionais enfrentam desafios significativos:

• Alto Consumo de Energia: A maioria dos sistemas transmite continuamente dados brutos do sensor (IMU) para um microcontrolador hospedeiro para processamento e classificação, o que drena a bateria rapidamente.
• Complexidade e Latência: O processamento contínuo no hospedeiro aumenta a complexidade do sistema e pode introduzir latência, prejudicando a resposta em tempo real necessária para robótica assistiva.
• Limitações de Recursos: Dispositivos vestíveis exigem soluções de baixo consumo e baixa latência que os pipelines de processamento tradicionais muitas vezes não atendem de forma eficiente.

O objetivo deste trabalho é superar essas limitações realizando a inferência de aprendizado de máquina diretamente no sensor (na borda), eliminando a necessidade de processamento contínuo no microcontrolador principal.

2. Metodologia

O sistema proposto utiliza uma arquitetura de inferência "no sensor" (on-sensor) baseada em um único IMU montado na canela.

• Hardware:

  • Sensor: IMU de 6 eixos LSM6DSV16X (STMicroelectronics), integrado no dispositivo SensorTile.box.
  • Posicionamento: Montado na face lateral da canela (shank) do participante usando tiras elásticas.
  • Taxa de Amostragem: 7,68 kHz (para capturar a dinâmica do membro inferior).
  • Microcontrolador Hospedeiro: Configurado para operar em estado de baixo consumo, acordando apenas mediante interrupções.

• Software e Fluxo de Dados:

  • Ferramenta: Utilização do ST MEMS Studio para configuração, treinamento e implantação.
  • Modelo: Um classificador de árvore de decisão leve foi treinado para distinguir três modos de locomoção:
    1. Stance (Posição de pé/quieto).
    2. Level Walking (Caminhada em nível).
    3. Stair Ascent (Subida de escada).
  • Processamento:
    • Extração de 15 características (features) de acelerômetro e giroscópio (ex.: variância, energia, pico a pico, média).
    • O modelo foi compilado e implantado diretamente no Núcleo de Aprendizado de Máquina (MLC) embarcado no IMU.
  • Operação em Tempo Real:
    • O IMU executa a extração de características e a classificação internamente.
    • O IMU gera uma interrupção (INT1) apenas quando detecta movimento ou uma nova classificação.
    • O microcontrolador hospedeiro acorda, lê o registro de saída do MLC (apenas o rótulo da atividade) e o encaminha ao controlador do exoesqueleto.
    • Vantagem: Não há streaming contínuo de dados brutos via Bluetooth (BLE) para o hospedeiro.

3. Contribuições Principais

1. Arquitetura de Inferência no Sensor: Demonstração prática de um sistema HAR que executa toda a inferência dentro do IMU, utilizando o MLC embarcado, sem necessidade de código de ML personalizado no microcontrolador hospedeiro.
2. Eficiência Energética e de Latência: Redução drástica do consumo de energia e da carga computacional do hospedeiro, que permanece em modo de baixo consumo (sleep) a maior parte do tempo, acordando apenas para eventos (interrupt-driven).
3. Modelo Compacto e Interpretável: Desenvolvimento de uma árvore de decisão extremamente leve (3 folhas, tamanho 5) que é fisicamente plausível e fácil de verificar para sistemas embarcados críticos.
4. Discriminação Robusta: Capacidade de distinguir eficazmente entre caminhada em nível e subida de escada, um desafio comum em sistemas de exoesqueleto que requerem assistência de torque específica para o modo.

4. Resultados

• Desempenho de Treinamento: O modelo alcançou 100% de precisão no conjunto de dados de treinamento (43 instâncias), com um coeficiente Kappa de Cohen de 1,0.
• Validação em Tempo Real:
  • O sistema foi testado em um cenário contínuo simulando a sequência: Stance → Caminhada → Subida de Escada.
  • O IMU forneceu estimativas de modo estáveis com transições consistentes.
  • O microcontrolador hospedeiro funcionou corretamente como um leitor de eventos, registrando os rótulos sem processar dados brutos.
• Comportamento do Sistema: A saída do MLC (rótulos decodificados) mostrou uma sequência temporal limpa e coerente com a atividade real, validando a viabilidade da abordagem para controle de baixo atraso.

5. Significado e Conclusão

Este trabalho representa uma mudança de paradigma em direção à inteligência vestível autônoma no sensor. Ao mover a inteligência de processamento para o próprio sensor, o sistema oferece:

• Escalabilidade: Facilita a integração em sistemas de exoesqueletos e robótica assistiva onde a vida útil da bateria e a resposta térmica são críticas.
• Simplicidade de Integração: Elimina a necessidade de pipelines complexos de processamento de sinais no lado do hospedeiro.
• Futuro: Embora os resultados atuais sejam promissores, o trabalho aponta para a necessidade de validação mais ampla com múltiplos sujeitos, variações de velocidade e inclinação, e integração em malha fechada com controladores de exoesqueleto reais para quantificar o impacto na segurança e no conforto do usuário.

Em resumo, a proposta fornece um caminho prático para o reconhecimento de contexto de baixa complexidade e baixo ciclo de trabalho, essencial para a próxima geração de dispositivos vestíveis assistivos.