基于Transformer的轨迹处方用于sEMG优化的机器人辅助康复

机器人介导的康复有潜力提供高强度、个体化的治疗，但现有系统（其疗效并未得到一致改善）通常规定运动学轨迹，而非明确针对被认为支持恢复的神经运动激活。为弥补这一空白，并最终实现激活优化的康复机器人行为，我们提出了一种可个性化的基于 transformer 的模型，该模型将个体在与末端执行器康复机器人交互时的肌肉激活（通过表面肌电图测量）映射到规定的接触力轨迹。该模型使用 transformer 编码器-解码器，利用旋转位置嵌入（RoPE）生成轨迹相关和用户特定神经运动因素的潜在表示，并通过流匹配增强轨迹预测，以产生偏向训练分布的合理处方分布。使用 16 名健康参与者完成 15 项等长轨迹跟踪任务的数据，我们评估了在留出任务和用户上的泛化能力，以及在治疗会话时间尺度内进行用户特定微调的可行性。该模型在留出任务和用户上实现了平均轨迹预测误差 <8%，具有实际上瞬时的确定性推理和亚秒级的轨迹分布采样。在真实康复任务中使用该模型的初步测试表明，平均而言，参与者在整个任务中仅累积 15% 的误差即可达到目标神经运动激活。这些结果为机器人介导康复中数据驱动的、以激活为目标的轨迹处方提供了概念验证，并为未来在临床人群中的验证奠定了基础。数据和代码已在 SimTK 上作为 OpenRobotRehab 项目的一部分开源。

中文由 AI 翻译，仅供参考，以原文为准。