AI-based methodologies for exoskeleton-assisted rehabilitation of the lower limb: a review
关键词：人工智能强化学习、支持向量机、神经网络、决策树、下肢
原文：DOI： 10.3389/FROBT.2024.1341580
2024年
翻译：靠岸学术
目录
1绪论
下肢康复是一个具有重要临床意义的领域，涉及对因创伤、神经系统或肌肉骨骼健康状况而导致下肢运动障碍的个体进行康复。Shi et al. (2019); Zhou et al. (2021).在全球范围内，2019年有24.1亿人患有可以通过康复获益的疾病，导致了3.1亿伤残调整寿命年（YLDs）。这个数字从1990年到2019年增加了63%。对患病率贡献最大的疾病领域是肌肉骨骼疾病（17.1亿人）(Cieza et al., 2020)。传统上，下肢康复是由治疗师通过包括特定锻炼的物理治疗来进行的。然而，可穿戴机器人技术（即下肢外骨骼）和人工智能（AI）的结合，正在为设计新的工具和方法铺平道路，以提高治疗质量，并增强患者的独立性和活动能力（Holzinger et al., 2019；Di Tommaso et al., 2023；Reddy, 2022）。
在所有专门设计用于辅助患者下肢的设备中，外骨骼是与人类密切互动的可穿戴机器人。通常，它们是与人类肢体协同工作的机电一体化结构，可提高人类的运动经济性，增强关节力量，并提高耐力和强度（Tamantini et al., 2023a）。如今，外骨骼设备已被研究并应用于许多应用场景中，例如工业（Masood et al., 2016）、太空（Lovasz et al., 2017）和医疗保健（Bortole et al., 2015；Pecoraro et al., 2022）。此外，它们还可以用于工业领域，执行诸如重物提升或重复运动等任务，从而降低工人受伤的风险（Herr, 2009；Pons, 2010）。外骨骼可用于康复，使脊髓损伤、中风或其他疾病的患者能够恢复活动能力并改善其身体机能。目前，人们对旨在步态康复或辅助的下肢顺应性外骨骼的设计非常感兴趣（Zhang et al., 2016；Sanchez-Villamañan et al., 2019）。
下肢外骨骼通常包括框架、致动器、传感器和控制系统，使其能够模仿人类的运动（Bhardwaj et al., 2021）。它们可以由电池或其他能源供电，并且可以通过人的动作、基于软件的控制器或两者的组合来控制（Talatian et al., 2021）。下肢外骨骼由布置在多个关节上的致动器组成，特别是用户的髋部、踝部或膝部。每个关节都可以辅助解剖关节产生的不同运动（Zhang et al., 2017）。因此，外骨骼可以根据在机器人辅助步态期间可以辅助的关节或多个关节进行如下分类。
• 髋部外骨骼辅助连接上下肢的髋关节，使人能够进行屈曲/伸展、外展/内收和内/外旋。这些运动是人行走或跑步所必需的。这些外骨骼在用户的髋部上放置了驱动器，以减少髋部和踝部肌肉的压力（Zhang et al., 2018）。
• 大多数膝关节外骨骼仅呈现一个自由度（DoF），这是膝关节屈曲/伸展动作所需的。在这些情况下，通常使用柔性充气垫作为致动器。充气部分放置在用户膝盖后方，以减轻外骨骼的重量。它使用气动系统来充气和放气。外骨骼在步态的摆动阶段充气，在行走期间的步态周期中放气（Celebi et al., 2013）。
• 已开发出踝关节外骨骼来辅助一个自由度。踝关节有四块骨头和三个平面运动（三个自由度）。跖屈或背屈运动是步态周期中的主要运动，可以通过机器人设备辅助（Gordon and Ferris, 2007）。
• 多关节外骨骼集成多个致动器，以在机器人辅助步态期间辅助用户。它们驱动多个关节的组合，实施复杂的控制策略，以应对硬件复杂性的增加，并产生和谐的步态（Qiu-zhi et al., 2016；Franks et al., 2021；Kalita et al., 2021）。
在外骨骼开发的领域中，人工智能已成为一个基本的基石，积极地为外骨骼辅助下肢机器人辅助康复中的各种功能性任务做出贡献。这些任务包括机器人控制（RC）、运动分类（LC）、意图检测（ID）和人体关节轨迹预测（HJTP）。人工智能动态地适应穿戴者的运动，无缝地将外骨骼与用户集成。这种适应性增强了响应能力，并突出了交互的个性化性质。
人工智能与外骨骼之间的协同作用优化了运动协调性，增强了更高效和更有针对性的治疗干预的潜力。在遥控（RC）中，人工智能方法优化了对任务和用户的适应性。在局地控制（LC）中，它提高了对环境的适应性，并推广到未知和非结构化环境（Tu et al., 2021）。人工智能方法有助于推进用户动作感知，增强系统响应能力，并促进响应的定制化，从而利用来自可穿戴传感器和摄像头的数据（Wu et al., 2018; Tamantini et al., 2023b），分别应用于意图解码（ID）和人机任务规划（HJTP）。本综述旨在阐明人工智能（如这些缩写词所示）的应用如何为外骨骼辅助下肢机器人辅助康复的各个方面增加价值，并得到科学文献中证据的支持。通过文献分析，我们旨在全面了解人工智能在外骨骼辅助下肢机器人辅助康复的不同背景下的具体贡献。
本文的其余部分结构如下：第2节介绍了已发表的综述，以更好地突出本文对科学文献的特定贡献的新颖性。第3节介绍了为进行科学文献综述而实施的方法。第4节详细介绍了综述的结果。特别是，深入分析了外骨骼辅助步态中使用的基于人工智能的解决方案。第5节讨论了文献分析的主要成果，提供了该研究主题的优势、局限性和未来展望。最后，第6节总结了本文的贡献，附录1列出了文本中使用的所有首字母缩略词。
2当前综述
近年来，机器人辅助康复领域引起了广泛关注，学术著作大量涌现。现有的文献资料包括几篇全面的综述，深入探讨了外骨骼在下肢康复中的应用（Prakash et al., 2018；Khera and Kumar, 2020；Mu et al., 2021；Harris et al., 2022）。然而，本综述的独特之处在于，它专注于将先进的人工智能（AI）方法整合到该领域中，从而呈现出一种新颖且具有创新性的贡献。
Khera和Kumar (2020) 细致地探讨了机器学习在步态分析中的作用，根据他们对43项不同研究的分析，确定支持向量机 (SVM) 是一种重要的分类器。同样，Mu et al.(2021) 深入研究了人工智能在康复中的应用，特别关注客观评估方法。他们的研究涵盖了各种人工智能驱动的参数，如轨迹误差特征、关节角度、关节角速度和表面肌电图 (sEMG) 信号特征，为我们强调先进的人工智能技术奠定了基础。Prakash et al.(2018) 的广泛调查全面涵盖了跨不同领域的步态分析，展示了各种机器学习方法以及相关数据集。虽然内容丰富，但这项调查为我们独特的贡献奠定了基础，即将尖端的人工智能方法整合在一起。最后，Harris et al.(2022) 最近的调查探讨了人工智能在人类步态中的应用，确定了六个关键关注领域。虽然有价值，但他们的工作强调了不断发展的格局，为新的见解留下了空间，尤其是在人工智能方法与下肢康复的融合方面。
本质上，我们的综述独特地强调了将先进人工智能方法整合到外骨骼辅助下肢机器人辅助康复的背景中，这使其成为对现有文献的独特贡献。通过倡导这种创新方法，我们的综述提供了新的视角和见解，这些视角和见解有可能指导这一关键领域未来的发展。
3方法
截至2023年10月，我们对 Google Scholar、Scopus 和 Web of Science 数据库进行了全面的文献检索更新。检索使用了关键词及其组合，包括 (Lower-Limb ∗ ) AND (Robot ∗ OR Exoskeleton) AND (Artificial Intelligence OR Machine Learning OR Deep Learning)。值得注意的是，我们的初步文献分析强调了特定算法的显著重复出现，揭示了强化学习 (RL)、支持向量机 (SVM)、神经网络 (NN) 和决策树 (DT) 是唯一的焦点。这一初步审查是我们后续调查的基础，为在我们的综述中纳入这些主要算法提供了明确的方向。因此，我们使用诸如 (Lower-Limb ∗ ) AND (Robot ∗ OR Exoskeleton) AND (Reinforcement Learning OR Neural Network ∗ OR Support Vector Machine ∗ OR Decision Tree ∗ ) 等组合进行了更具体的搜索，以提炼研究的重点。
图1展示了用于突出显示综述过程的PRISMA流程图。本综述的纳入标准总结如下
研究应该在2000年至2023年之间发表。
该研究应发表在采用同行评审程序的知名期刊或国际会议上。这种严格的筛选确保了纳入分析工作的有效性和可靠性。
研究应报告一种在仿真环境中测试的新型算法，并应包括从健康受试者到下肢运动障碍（如下肢脊髓损伤和/或中风）患者的参与者。
该研究应侧重于基于人工智能的方法在下肢外骨骼辅助康复中的应用，明确声明所提出的算法，阐明复制训练过程所需的具体条件，并实施所提出的方法。输入特征、超参数和工作
为了使研究符合条件，应明确说明所提出方法的条件。
在最终产生的文献作品中，经过删除重复项并应用纳入标准后，筛选出40篇论文。通过分析每项研究中实施的AI算法，可以描述从文献分析中获得的研究。
4用于下肢外骨骼辅助康复的人工智能方法
图2展示了一个可利用人工智能方法的下肢康复外骨骼的主要功能模块的示意图。在这个示意图中，中心焦点是外骨骼用户，围绕着他/她，从机器人系统和多模态患者监测中收集了一套全面的数据。这些涌入的信息随后被导向两个关键模块：LC和ID。前者旨在辨别与行走相关的高级参数，如步态阶段和地形特征，而后者则专注于识别用户启动行走的意图。这些模块的输出汇聚到轨迹生成系统，这是一个关键组件，负责预测外骨骼生成适合个体人体测量尺寸的行走模式所需的关节角度。最终，这些预测信息的积累指导着RC模块，该模块负责实际的驱动系统。通过利用机器人的当前配置并使其与所需的运动对齐，该控制模块在执行和优化外骨骼的响应方面发挥着关键作用，以确保为用户提供无缝定制和自适应的行走体验。此框图中描述的模块可以使用传统方法或基于人工智能的创新方法来实现，而人工智能是本次综述的中心焦点。
表1–3全面概述了本文中综述的研究论文。每一行包括论文参考文献、目标、特征、模型、性能、受试者（H：健康，P：病理）、机器人和不同的应用场景。特别是，我们包括四个主要场景，即RC、LC、ID和HJTP。通过以这种方式构建信息，该表提供了对所包含论文及其内容的全面概述。该表按照方法和年份排序，并像本节一样分为四个部分。事实上，此处综述的37篇论文根据所采用的人工智能方法分为四类，即强化学习（RL）、神经网络（NN）、支持向量机（SVM）和决策树（DT）。在表1中，“非机器人”表示所提出的AI算法完全是在仿真环境中设计和验证的，而没有在真实的骨骼外平台中进行任何验证。
4.1 强化学习
强化学习（RL）是一种人工智能类别，用于训练智能体在特定环境中执行任务或实现目标，通过最大化预期累积奖励。它有三个主要组成部分：动作空间、状态空间和奖励。实际上，智能体通过采取行动在状态空间中移动，而最大化奖励的行动是最优的（Kaelbling et al., 1996）。
在Bingjing等人(2019)中，作者提出了一种控制下肢外骨骼的方法。目标是帮助患者
一种安全、有效且针对个体患者需求量身定制的方法。该外骨骼辅助双下肢运动，每个下肢具有两个旋转自由度。该外骨骼机器人由气动比例伺服系统驱动，从而实现精确的运动控制。为了实现有效的人机交互，作者采用了自适应导纳模型。导纳控制是一种用于调节机器人与环境（即患者）之间交互的方法。本研究中使用的导纳模型是自适应的，因此它可以根据患者的需求和表现调整其参数。作者使用 sigmoid 函数和 RL 算法为导纳参数设计了一种自适应律。智能体是外骨骼，环境是患者。通过使用 RL 优化导纳参数，作者获得了适用于每个患者特定需求的个性化参数。选择关节角度误差和人机接触力来构成状态空间，动作从对应于向上、向下、向左和向右移动的四种可能性中选择。ε-贪婪策略应用于 onpolicy 方法，这意味着以 0.5 的概率选择最大估计动作值。该实验旨在验证交互式控制系统的可行性，该系统以临床步态分析 (CGA) 数据库中的髋关节和膝关节角度数据作为参考轨迹，并在步态康复训练外骨骼的原型上进行。该数据库是通过北方公司的三维运动捕捉系统捕捉大量正常人在行走时的运动信息而建立的数字技术有限公司该系统已在一个健康受试者上进行了测试，误差为 0.2 弧度（弧度）(Bingjing et al., 2019)。
表1：应用于外骨骼辅助下肢机器人辅助康复的人工智能解决方案。
Khan et al.提出的方案。(2019) 是一种用于机器人行走辅助设备的最优自适应顺应性控制。该方法基于生物启发式强化学习，并且完全是无动态模型的。该方案使用关节位置和速度反馈，以及行走期间用户施加的感知关节扭矩，用于顺应性控制。特别是，强化学习系统具有包含髋关节和膝关节角位置和速度的状态向量，并且动作是通过actor-critic系统选择的。控制器的有效性通过使用外骨骼行走辅助设备模型的仿真进行测试，对于两个测试的自由度，返回的角度误差 ≤ 0.08 rad。特别是，使用了在SimMechanics工具箱（Matlab/Simulink）中开发的RWAD。
Xu等人 (2020) 提出了一个主从式外骨骼系统，用于镜像疗法，通过可穿戴机器人在Xu等人 (2020) 的研究中，将治疗性训练从患者的功能肢体转移到受损肢体。e IL 在外骨骼的辅助下，模仿 FL 规定的动作，通过重复运动刺激和加强受伤的肌肉。e RL 方法被用于人机交互控制中，以提高康复效果并保证安全。e 该研究结合了多通道感知信息，包括运动轨迹
表2 基于人工智能的下肢外骨骼机器人辅助康复解决方案（续）
肌肉激活（通过皮肤表面肌电信号表达）和用户的情绪（显示为面部表情）融入到学习算法中。e RL 方法通过归一化优势函数算法实现。此外，该研究开发了一种带有磁流变执行器的外骨骼，并使用所提出的系统进行了临床实验，以验证该框架的性能。特别是，五名偏瘫患者参与了实验。在实验过程中，患者对健全肢体施力以驱动主机器人，而受损肢体则试图启动自身的肌肉以完成步态任务。特别是，使用了具有深度神经网络的连续动作空间中的经典 Q 学习。总的来说，该研究证明了……的潜力
表 3 基于人工智能的下肢外骨骼机器人辅助康复解决方案（续）
采用强化学习的主从机器人系统，以提高镜像疗法在下肢康复中的有效性和安全性。结合多通道感知信息以及在外骨骼设计中使用磁流变（MR）驱动器，也可以为开发更先进的康复系统提供有价值的见解（Xu et al., 2020）。
我们研究了 Luo 等人。（2021）提出了一种新的下肢康复外骨骼运动控制器，该控制器使用强化学习。该外骨骼专为协作式深蹲运动而设计，配备了矢状面和额状面上的踝关节驱动装置以及多个足底力传感器，用于估计压力中心，这是系统平衡的关键指标。所提出的控制器利用了压力中心信息，将其纳入控制策略网络的状态输入，并在学习过程中将其添加到奖励中，以在运动过程中保持良好的系统平衡状态。为了提高控制器的鲁棒性，该研究还使用了动力学随机化和对抗性力扰动，包括训练期间的大型人机交互力。通过不同设置的数值实验评估了学习控制器的有效性，以了解学习过程是否可以生成可行的控制策略来控制外骨骼以执行良好平衡的深蹲运动，如果学习到的控制策略在大型随机外部扰动下是否足够鲁棒，以及在受到来自残疾人操作员的不确定人机交互力时是否能够维持稳定的运动。该研究证明了基于强化学习的运动控制器在下肢康复外骨骼中的潜力，尤其是在效率、稳定性和鲁棒性方面。所提出的控制器能够整合压力中心信息并在训练期间处理大型人机交互力的能力在现实世界的康复环境中可能很有价值，在这些环境中，保持平衡和稳定性至关重要（Luo et al., 2021）。
彭等人（Peng et al.）的论文（2021）提出了一种用于下肢外骨骼自适应控制的创新方法。所提出的方法结合了策略迭代、强化学习（RL）和事件触发机制，以实现在线学习和自适应，同时减少控制更新的次数。特别地，在事件触发最优控制框架中，利用了一种自适应在线学习结构，即Actor-Critic神经网络。所提出的EtOC在数值模拟中得到验证，并在真实的下肢康复外骨骼上进行了测试，最终误差为0.1弧度。总的来说，所提出的方法为下肢康复外骨骼机器人的自适应控制提供了一个有希望的方向（Peng et al., 2021）。
Rose等人的论文。(2022) 提出了一种新的基于强化学习和策略迭代的事件触发控制策略，用于下肢康复外骨骼。所提出的方法集成了一个事件触发机制和一个新的事件触发调整律，以及一个actor-critic神经网络，用于在线学习和适应。实验结果表明，与传统的定时触发控制方法相比，该方法在保持有保证的控制性能的同时，减少了控制更新的次数。该实验已通过0.01弧度的误差进行了模拟。这些方法有可能提高控制系统的适应性和效率，同时减少计算负担和能源消耗（Rose et al., 2022）。
在 Luo 等人中。（2023）中，作者提出了一种基于深度强化学习的下肢康复外骨骼的鲁棒控制器。该控制器使用解耦的离线人-外骨骼模拟训练进行训练，具有三个独立的网络。目标是提供可靠的步行辅助，以对抗各种不确定的人-外骨骼交互力。该控制器作用于 LLRE 的本体感受信号流，包括关节运动学状态，并预测驱动关节的实时位置控制目标。为了处理不确定的人体交互力，控制策略通过集成的人体肌肉骨骼模型和真实的人-外骨骼交互力进行有意的训练。此外，在训练过程中采用域随机化来提高控制策略对不同人体状况（具有不同的神经肌肉疾病）的鲁棒性。经过训练的控制器为患有不同程度神经肌肉疾病的患者提供可靠的步行辅助，无需任何控制参数调整。该系统已在 3 名病理受试者和 1 名健康受试者身上进行了测试，最终误差为 0.1 rad (Luo et al., 2023)。
总结来说，强化学习因其能够通过与环境互动、通过犯错并根据实体获得奖励来学习最优控制策略，以及解决经典分析方法难以解决的问题，而在外骨骼辅助康复领域受到了关注。我们看到，即使深度强化学习在其他领域已被证明超越了经典强化学习，但它仍然很少被研究。特别是，深度强化学习为康复机器人轨迹规划和控制策略提供了一种新的解决方案，具有很高的精度（Wang et al., 2021a）。鉴于现有算法数量众多，选择严格取决于给定的问题（Arulkumaran et al., 2017）。
4.2 神经网络
神经网络是机器学习的一个子集，是深度学习算法的核心。它们由节点层组成，包含一个输入层、一个或多个隐藏层和一个输出层。每个节点都连接到另一个节点，并具有相关的权重和阈值。如果任何单个节点的输出高于指定的阈值，则该节点被激活，并将数据发送到网络的下一层；否则，不会将数据传递到下一层（LeCun et al., 2015）。
Lim et al.的这篇论文。(2010) 讨论了使用多层感知器 (MLP) 根据个体的年龄、性别、身高和体重来预测其自然步态参数。该MLP经过训练，可以为给定的对象输出合适的步行速度和步频。该研究评估了MLP在预测两种不同设置的所需输出方面的效率和准确性。在第一种设置中，MLP专门针对慢速步行速度条件进行训练。在第二种设置中，MLP针对慢速和正常步行速度条件进行训练。该模型的输入特征是步频、步长和步行速度。该模型已经在50名健康受试者身上进行了测试。所提出的方法能够返回准确的预测，偏差为0.03%。该研究证明了使用MLP预测个体自然步态参数的潜力，这在康复和运动科学等领域可能很有用（Lim et al., 2010）。
在Luu等人发表的文献中（2011），作者提出了一种新的模型，该模型使用步态参数和下肢人体测量数据作为输入，生成步行过程中下肢关节角度波形。运动数据是通过使用带有被动标记的运动捕捉系统捕获的，并且下肢关节角度的波形是从实验数据中计算出来的。然后将波形分解为傅里叶系数，这使得波形分析更加容易。他们设计了一个多层感知器（MLP）来预测特定受试者和所需步态参数的傅里叶系数向量。计算相关系数、平均绝对偏差和阈值绝对偏差等评估参数，以检查MLP预测的质量。将由预测的傅里叶系数向量构建的波形与使用上述评估参数从实验数据计算出的实际波形进行比较。结果表明，根据评估参数的结果，构建的波形与实验波形非常吻合，这证明了使用MLP准确预测步行过程中下肢关节角度波形的潜力，特别是，该系统已经在15名健康受试者身上进行了测试，准确率达到0.98。这在生物力学和康复等领域可能很有用，在这些领域中，理解和优化人体运动非常重要。
Jung等人的论文(2015) 提出了一种用于下肢外骨骼机器人步态相位分类的方法，该方法使用来自带有力感应电阻器的足部传感器的传感器信号，以及每个下肢节段的方向和关节的角速度。作者研究了MLP和NARX。在实验过程中，受试者穿戴ROBIN-H1外骨骼，并按照特定规则在跑步机上行走。所提出的分类器的性能通过基于四个标准的离线和在线评估进行评估：分类成功率、最大连续误差宽度、平均值和标准差以及不稳定区域的数量。结果表明，基于NARX的方法在替代足部传感器作为步态相位分类手段方面表现出令人满意的性能。用作输入的特征是人体力。该系统已经在7名健康受试者身上进行了测试，准确率为0.98。结果表明，这种方法可以实现更准确和可靠的步态相位分类，这可能有助于提高外骨骼的性能和安全性（Jung et al., 2015）。
刘等人的论文。(2016) 提出了一种名为深度康复步态学习 (DRGL) 的方法，用于建模下肢外骨骼的膝关节。该方法利用长短期记忆网络 (LSTM) 来学习步态特征固有的时空相关性。借助 DRGL，可以根据穿戴者的其他关节预测和纠正异常的膝关节轨迹，而无需复杂的人体和外骨骼运动学和动力学模型。DRGL 的主要优点是，新的恢复步态模式不仅符合健康的行走步态，还包含穿戴者自身的步态特征。为了证明 DRGL 的有效性，作者基于“病理步态”从 DRGL 获得了一种新的恢复步态，该“病理步态”是通过让一个健康的受试者模仿膝盖受伤而获得的。实验表明，受试者可以在 DRGL 生成的新的恢复步态模式下，借助 SIAT 下肢外骨骼正常行走。该系统已在 20 名健康受试者身上进行了测试。所提出的神经架构能够以 ≤ 0.30 弧度的角度误差重建人体轨迹，并以高度一致性捕获关键步态特征。这表明 DRGL 是一种很有前景的方法，可用于利用下肢外骨骼改善步态康复。总的来说，该论文提出了一种使用深度学习技术进行步态康复的新方法。所提出的 DRGL 方法可能对下肢外骨骼的设计和开发产生重要影响，这些外骨骼可以帮助患者从膝盖受伤或其他影响步态的疾病中恢复（Liu et al., 2016）。
Błażkiewicz和Wit（2018）的论文旨在开发一种神经网络，能够准确模拟步态周期中踝关节、膝关节和髋关节角度的变化，并利用它来模拟踝关节和髋关节角度变化受限对膝关节角度进展的影响。该研究涉及34名年轻健康的大学生，并使用Vicon系统收集步态运动学数据，然后使用MLP进行分析。结果表明，所开发的MLP能够以0.94的精度准确模拟下肢运动的关节角度进展，并且其对受限的踝关节和髋关节角度范围对膝关节的影响的模拟表明，制动阶段至关重要。该研究强调了神经网络作为临床生物力学中有用的研究方法的潜力，并表明在这方面的进一步研究可以扩展我们对下肢代偿功能的理解。这些发现可能有助于下肢外骨骼和其他辅助设备的设计和开发，以及下肢损伤或影响步态的患者的康复（Błażkiewicz and Wit, 2018）。
Yang等人的论文。(2019) 提出了两种外骨骼控制方案，用于在存在外骨骼的未建模动力学、人与外骨骼之间的相互作用以及其他扰动的情况下，执行轨迹跟踪任务。提出的第一个控制器是纯粹基于神经网络的（径向基函数神经网络），并采用组合误差因子（CEF），通过改善瞬态响应来增强人体安全性。CEF由跟踪误差及其导数的加权和组成。第二个控制器是基于重复学习控制（RLC）和径向基函数神经网络的组合方案开发的，其中附加的RLC用于学习导致外骨骼腿部重复运动的周期性不确定性。控制器的稳定性以李雅普诺夫方式得到了严格证明。该研究强调，虽然纯神经网络控制器可以同时处理周期性和非周期性不确定性，但康复治疗期间外骨骼运动的主要特征，即重复性，被完全忽略，这可能会降低跟踪性能。结果表明，与仿真中使用的其他方法相比，所提出的控制方法实现了显着的控制效果和卓越的瞬态性能。使用的输入数据是肌电图，并且系统已经过仿真，实现了误差≤ ⋅10–3 rad。总的来说，该研究证明了基于神经网络的控制方法在提高康复治疗中下肢外骨骼的性能和安全性方面的潜力。该结果可能有助于康复和其他应用中辅助设备的高级控制策略的设计和开发（Yang et al., 2019）。
Xiong等人的论文(2019) 提出了一种新颖的方法，通过使用由Elastic Net和MLP选择的少量输入变量来预测关节力矩。该方法通过从在跑步机上以不同速度跑步的健康受试者身上收集的实验数据进行测试。结果表明，该方法仅需5-6个EMG信号作为输入，即可准确预测关节力矩，归一化均方根误差 (NRMSE) 低于7.89%，预测关节力矩与多体动力学力矩之间的互相关系数 (p)。该方法可以有效减少关节力矩预测所需的输入变量，这可能有助于运动康复中的实时步态分析和外骨骼机器人控制 (Xiong et al., 2019)。
本文 Yingxu et al.(2019) 描述了一项关于应用基于中央模式发生器 (CPG) 的仿生控制方法来控制下肢外骨骼以进行康复的研究。作者使用动态赫布学习算法改进了 Hopf 振荡器，并构建了一个 CPG 振荡器网络，以生成步态信号来控制下肢外骨骼。该研究旨在通过将外骨骼与人体在运动周期中产生的控制信号相匹配，来提高外骨骼的性能和适应性。它包括对患者的穿戴测试，并且不同运动模式步态曲线的仿真实验结果表明，CPG 仿生控制外骨骼可以有效地控制下肢外骨骼并执行康复训练。该系统已经过仿真，输入数据为髋部、膝部和关节扭矩加上速度，最终角度误差为 0.90 rad。该研究为基于 CPG 的控制方法在康复外骨骼中的应用提供了宝贵的见解，并强调了提高下肢外骨骼的性能和适应性以用于康复目的的潜力（Yingxu et al., 2019）。
Fereydooni等人发表的论文。(2020) 提出了一种基于表面肌电信号 (sEMG) 和人体力双闭环控制策略的下肢外骨骼智能控制方法。该方法旨在自适应地控制外骨骼，使其在康复领域更好地发挥作用。所提出的方法有几个贡献。首先，它使用小波神经网络 (WNN) 根据表面肌电信号获得患者的期望轨迹。其次，它基于表面肌电信号和人体力，通过可变阻抗控制器 (VIC) 修改参考轨迹。第三，它使用基于李雅普诺夫稳定性理论的模型参考自适应控制器 (MRAC) 以及参数更新定律，迫使外骨骼跟踪参考轨迹。实验结果表明，所提出的方法有效地减少了轨迹跟踪误差，并使参考轨迹与患者的运动意图同步。模型参考控制器可以出色地迫使外骨骼跟踪参考轨迹。最终系统已在 4 名健康受试者身上进行了测试，误差 ≤ 0.01 m。所提出的方法可以扩展到康复领域的其他应用，并具有为康复目的设计智能控制的潜力。
Shi等人的论文（2020）讨论了患者肢体的恢复，并致力于在康复训练期间遵循计划的轨迹。轨迹跟踪的准确性对于有效的康复训练至关重要。PID控制是轨迹跟踪的传统方法，但由于动态模型的不确定性和缺乏良好的调节能力，它可能不足以胜任。因此，作者结合了RBF神经网络和PID控制，以提高轨迹跟踪的准确性。磁流变（MR）阻尼器和电机用于驱动。该控制在Simulink中进行仿真，并比较了PID控制和RBFPID控制下的轨迹跟踪误差。通过仿真实验获得的结果表明，RBF-PID控制具有更好的抗干扰性能，从而提高了治疗过程中轨迹跟踪的运动灵活性、实时性和稳定性。该系统已经过仿真，最终误差为0.02 rad。
Zhou等人发表的论文。(2020) 提出了一种基于循环神经网络 (RNN) 的个性化步态模式生成方法，用于创建从身体参数和步态参数到步态模式的函数映射。所提出的方法是在同类中最大的步态数据集上训练的，该数据集包含来自 137 名健康受试者的 4,425 个步态模式（Zhou et al., 2020）。RNN 擅长序列建模，并且可以生成在连续变化的速度和步长下的步态模式。所提出的模型的实验结果表明，与先前的最先进方法相比，它分别将踝关节、膝关节和髋关节的测量误差降低了 12.83%、20.95% 和 28.25%，特别是与广义回归神经网络 (Luu et al., 2014) 和高斯过程回归 (Yun et al., 2014) 相比。它对个性化康复训练具有重要意义，包括设计定制的康复计划、识别有跌倒风险的患者以及评估康复计划的有效性。该论文的发现证明了使用 RNN 进行康复中步态模式生成的潜力 (Zhou et al., 2020)。
Tang等人发表的论文。（2021）提出了一个用于康复评估的RNN。该方法通过学习现有的临床步态数据，提取不同年龄、疾病类型和病程的患者的步态特征参数。该算法使用重复的数据迭代来模拟36名健康受试者身上患者的相应步态参数。实验表明，与人工评估者相比，训练后的ANN算法对大多数数据具有较高的准确率（82.2%，Cohen’s I kappa = 0.743）。该算法与人工评估者评估的改良Ashworth评分也具有很强的相关性（r = 0.825）。
Wang等人的论文。（2021b）提出了一个两阶段注意力模型，该模型置于基于LSTM的编码器-解码器架构中，用于预测人类步态轨迹，该模型结合了真实和合成步态数据。作者使用具有时间卷积神经网络CNN的生成对抗网络（GAN）来生成合成的人类步态数据（合成数据与真实数据的比例为4:1），该数据保留了真实步态数据的动态特性。他们使用NOKOV光学运动捕捉平台从五名健康受试者那里收集了真实的人类步态数据。作者将他们的GAN模型与传统的LSTM模型进行了比较，发现注意力机制（MLP）具有更高的学习历史步态数据之间依赖性的能力，从而能够准确预测步态轨迹中髋关节角度和膝关节角度的当前值。通过收集五名健康受试者的步态数据获得的结果表明，基于GAN的数据增强可以合成逼真的多维人类步态数据。基于历史步态数据预测的步态轨迹可用于步态轨迹跟踪策略。本文展示了使用合成数据来增强真实数据并提高机器学习模型在人体运动分析任务中的性能的潜力。最终准确率约为0.88（Wang et al., 2021b）。
Lin和Sie (2023) 的这项研究侧重于开发一种用于康复目的的下肢外骨骼，使用人工神经网络来改进其控制系统。首先，作者使用带有迭代学习控制器的PID控制测试了所提出的下肢机器人外骨骼机器人（LLRER）。然而，他们发现LLRER的膝部（使用PAM驱动）由于非线性而表现不佳。为了补偿这种非线性，研究人员使用了基于预先训练的逆模型的MLP控制。他们还使用粒子群优化（PSO）来优化基于MLP架构的PID参数。结果表明，在三种控制器中，带有PID控制（PSO调整）的MLP表现最佳。左膝关节的平均绝对误差（MAE）为0.03 rad，右膝关节的平均MAE为0.024 rad，在10名健康受试者身上进行了测试。在康复测试中，发现带有PID控制的MLP控制器是合适的，并且在人体测试中验证了其对不同步态的通用性。研究人员发现，逆模型的建立不需要使用复杂的数学公式和参数进行建模，使其更易于使用。此外，使用PSO搜索PID的最佳参数，以及MLP补偿PID控制给出的架构图和控制信号，有效地减少了误差。
总之，我们看到了神经网络如何处理从RC、LC到HJTP的多个任务。由于它们能够从原始数据中学习模式，因此对于实际应用特别有用。神经网络架构和维度的选择严格取决于问题（Hunter et al., 2012），通常更容易测试基于问题理论知识开发的几种架构，并选择性能最佳的架构（Warrier and Amuru, 2020）。最后，值得注意的是，需要一个大的数据集来正确训练神经网络并获得良好的准确性。
4.3 支持向量机
本节介绍支持向量机在下肢外骨骼机器人辅助康复中的应用。支持向量机是一种用于分类和回归的监督学习方法。该名称来源于被称为支持向量的数据点，这些数据点更接近超平面，并影响特征空间中边界的位置和方向。使用这些支持向量，可以最大化分类器的边距（Gunn et al., 1998）。
在Ceseracciu等人中。(2010)，作者探讨了使用SVM从表面肌电图（sEMG）数据中识别运动意图的方法。该研究使用一种相位依赖的方法，该方法基于足部接触和足部蹬离事件，以关联肌肉激活信号。该研究证明了来自三个健康受试者的实验数据具有良好的准确性。还测试了不同EMG特征和肌肉子集的分类准确性，以确定基于EMG的外骨骼康复控制所需的最小设置。该研究表明，SVM可用于准确识别来自sEMG数据的运动意图。本研究中使用的相位依赖方法有助于关联肌肉激活信号，从而提高分类的准确性。该系统已在3名健康受试者身上进行了验证，准确率为0.95。该研究还强调了选择EMG特征和肌肉的最佳子集对于基于EMG的外骨骼康复控制的重要性（Ceseracciu et al., 2010）。
申等人发表的论文。(2013) 提出了一种运动意图识别方法，用于控制可穿戴的下肢辅助设备，该设备旨在帮助中风患者进行日常生活活动或康复。主要目标是根据连接到辅助设备的肢体的传感器读数来识别用户的预期运动，以执行正确的控制动作，从而有效地帮助用户完成其预期动作。为此，该研究收集了一个健康受试者执行各种运动任务的数据库。提取信号的特征，并执行主成分分析以减少维度数量。使用转换后的信号，训练具有径向基函数核的多类SVM来对不同的运动模式进行分类。使用Nelder-Mead优化算法来选择SVM的适当参数。对健康受试者佩戴LEAD执行一系列运动任务的离线分类结果表明，所提出的方法可以有效地识别用户的不同运动意图。测试结果表明，SVM可以正确分类每种运动模式，平均准确率等于0.9580 %± 0.04%。该研究证明了使用运动意图识别方法来控制可穿戴辅助设备以帮助中风患者进行ADL或康复的潜力。所提出的方法可以有效地识别用户的不同运动意图，并且SVM分类的高准确率表明该方法可能在现实世界中具有实际应用。
吴等人发表的论文。（2016）提出了两种机器学习模型，用于从空间和时空角度预测步态相位，使用从四个测角仪收集的关节角度数据和来自三个力敏电阻器的足底压力分布数据。这两种模型是由粒子群优化算法优化的SVM和具有外部输入的非线性自回归模型。实验结果表明，两种模型都能够预测步态相位，但NARX在准确性方面优于SVM，因为它利用FSR数据来纠正错误的预测。该系统已在10名健康受试者身上进行了验证，角度精度为0.087 rad。作者认为，同时基于空间和时间维度预测步态相位更好。该论文提出了一种使用机器学习技术预测步态相位的有趣方法，并证明了在预测过程中结合时空特征的有效性（Wu et al., 2016）。
Li et al.的论文(2017) 讨论了使用 Kinect 传感器和下肢外骨骼来提供有针对性的康复训练。Kinect 传感器位于机器人外骨骼的前面，用于获取康复训练期间放置在患者身体上的标记物的水平距离数据。这些数据用于使用 SVM 识别不同的患者。通过识别不同的患者，系统可以根据每个患者的特定需求，为其提供个性化和有针对性的康复训练。这种方法比一刀切的方法更有效，因为它考虑到了步态和运动模式的个体差异。该系统已在 3 名健康受试者身上进行了验证，准确率为 0.95。总的来说，该论文展示了将 Kinect 传感器等技术与外骨骼相结合，以提高康复训练的有效性并为患者提供个性化护理的潜力。
Lin等人的论文。(2017) 提出了一种用于气动人工肌肉驱动的下肢外骨骼的实时肌电触发控制器。所提出的控制器旨在使康复任务能够被患者的运动意图所控制。为此，使用离散小波变换技术捕获并识别患者肌肉的EMG信号，以获取EMG信号的特征向量。基于实验结果选择特征的最佳多组分，并研究支持向量机（SVM）以提高分类性能。为了实现具有运动意图触发控制的康复机器人的闭环控制系统，他们还使用了MyRIO控制器。该系统允许通过EMG特征提取准确识别患者的运动意图，从而确保所提出系统的安全性和性能。该系统已在8名健康受试者身上进行了测试，最终准确度为0.99。总的来说，该论文证明了使用EMG触发控制下肢外骨骼的潜力，这可以通过使外骨骼实时响应患者的运动意图来帮助为患者提供个性化护理（Lin et al., 2017）。
齐格勒等人（Ziegler et al.）的论文（2018）提出了一种基于SVM的方法，用于根据双腿肌肉活动对健康人步态中的站立相和摆动相进行分类。该论文介绍了一种从肌肉对的双边EMG信号计算出的新型EMG特征，在8名健康受试者身上测试显示出有希望的结果，分类准确率高达0.96%。特别是，所有使用的运动数据均来自HuMoD数据库，该数据库是一个开源的人体运动动力学数据库（Wojtusch and von Stryk, 2015）。所提出的方法可能在康复设备或辅助技术的设计中具有实际应用，这些设备或技术旨在帮助有步态障碍的个体。本研究中SVM的使用表明，这种方法可能对康复领域的其他分类任务有效，并且新型EMG特征的引入可能会激发对开发用于分类任务的新特征的进一步研究。
Wang等人的论文(2019) 描述了一种多传感器融合步态识别系统的开发，该系统用于精确控制外骨骼运动。该系统获取人体腿部的足底压力和加速度信号。在实验中，收集了五个测试对象的双脚压力信号以及腰部、左大腿、左小腿、右大腿和右小腿的运动数据。测试持续了 3 分钟，包括站立、上楼梯、下楼梯、上下坡以及在水平地面上行走。该研究调查了六种不同的步态，包括站立、水平行走、上楼梯、下楼梯、下坡和下斜坡。作者证明了 SVM 优于多层感知器 (MLP) 和径向基函数 (RBF) 神经网络模型。该研究还分析了 SVM 算法的不同滑动窗口大小。结果表明，SVM 算法具有最高的识别率，在总共 5H 个受试者上测试的平均识别准确率等于 0.965%。对人类步态的准确识别为下肢外骨骼控制策略的设计提供了良好的理论基础。该研究的发现可能在为行动不便的人开发辅助设备以及为工业和军事用途设计外骨骼方面具有潜在的应用。
研究了Ma等人。(2019)旨在通过引入核递归最小二乘算法来构建一个考虑独特步态特征适应性的分类模型，从而仅使用髋关节和膝关节的角度来改善外骨骼中的步态相位分类。此外，还开发了一种基于KRLS算法的辅助扭矩预测器。研究使用从10名佩戴外骨骼的健康志愿者收集的步态数据，将KRLS模型的性能与另外两种常用的步态识别方法（MLP和SVM）进行了比较。结果表明，KRLS分类的准确率平均比MLP和SVM高3%，测试平均准确率为0.86%。在辅助扭矩预测实验中，KRLS算法的性能是MLP的两倍。此外，KRLS算法被证明是稳定的、鲁棒的，并且能够很好地推广到不同的数据集。研究表明，KRLS算法是一种很有前途的方法，可以改善外骨骼机器人的步态相位分类和辅助扭矩预测（Ma et al., 2019）。
在 Guo 等人中。（2020）SVM 在此应用中的使用基于其对复杂数据集（例如从人体肌肉表面收集的 sEMG 信号）中的模式进行分类和识别的能力。所提出的方法包括在不同的运动姿势（例如行走、站立或坐立）期间从人体收集 sEMG 信号。然后使用 SVM 分类器处理和分析这些信号，以识别穿戴者的预期运动姿势。SVM 分类器的输出随后用于规划外骨骼的移动步态，并且解码的意图信号控制步态切换。为了确保运动期间规划步态的稳定性，研究人员还分析了外骨骼在执行不同运动姿势期间的稳定性。实验结果表明，基于 SVM 的解码 sEMG 信号以用于人类运动意图和控制外骨骼步态切换的方法具有良好的准确性和实时性能。该系统已在 10H 受试者上进行了测试，准确率为 0.95。SVM 在下肢外骨骼中的应用对于帮助患者康复具有重要潜力。通过使用 sEMG 信号来识别人类运动意图并控制外骨骼的运动，患者可以更安全、更快速地完成康复训练。此外，SVM 在此应用中的使用可能对需要实时识别和分类复杂数据集的其他领域产生影响（Guo et al., 2020）。
Ge et al.的论文(2022) 描述了一个使用表面肌电信号 (sEMG) 进行下肢动作识别的实验。该实验基于人体下肢力量产生的原理设计，旨在对五种常见的下肢动作（自然行走、坐下、站立、上楼和下楼）进行分类。具体来说，受试者执行特定的动作，并收集一组原始表面肌电数据。作者提取了用于训练支持向量机 (SVM) 分类器的表面肌电时域特征。实验结果表明，支持向量机分类器对 6 名健康受试者的平均准确率达到了 0.9066%，验证了实验设计的有效性。总的来说，该论文提出了一种使用表面肌电信号进行下肢动作识别的新方法，并证明了使用时域特征和支持向量机分类器的有效性。实验结果将在康复、运动训练和人机交互等领域具有潜在的应用价值 (Ge et al., 2022)。
Ge et al.的论文(2022) 描述了一个使用表面肌电信号 (sEMG) 进行下肢动作识别的实验。该实验基于人体下肢力量产生的原理设计，旨在对五种常见的下肢动作（自然行走、坐下、站立、上楼和下楼）进行分类。具体来说，受试者执行特定的动作，并收集一组原始表面肌电数据。作者提取了用于训练支持向量机 (SVM) 分类器的表面肌电时域特征。实验结果表明，支持向量机分类器对 6 名健康受试者的平均准确率达到了 0.9066%，验证了实验设计的有效性。总的来说，该论文提出了一种使用表面肌电信号进行下肢动作识别的新方法，并证明了使用时域特征和支持向量机分类器的有效性。实验结果将在康复、运动训练和人机交互等领域具有潜在的应用价值 (Ge et al., 2022)。
4.4 决策树
决策树（DT）是一种非参数监督学习算法，可用于分类和回归任务。它以分层的树状结构为特征，该结构由根节点、分支、内部节点和叶节点组成（Charbuty and Abdulazeez, 2021）。
郭和蒋 (2015) 的论文提出了一种使用外骨骼识别在人机协同运动中步态子阶段的方法。作者介绍了一种传感器布局，包括鞋压力传感器、膝关节编码器以及大腿和小腿陀螺仪，用于测量足部的接触力、膝关节角度和角速度。为了区分人体下肢运动和人机协同运动，作者将步态周期的子阶段划分为：双支撑相、右腿摆动相和左腿站立相、右腿在前左腿在后的双支撑相、右腿站立相和左腿摆动相，以及左腿在前右腿在后的双支撑相。作者使用 C4.5 决策树算法融合传感器信息，并通过分类识别步态周期的子阶段。基于仿真结果，所提出的算法保证了识别精度。在 1 名健康受试者身上进行的实验结果验证了步态划分和识别方法。输入特征是力、膝关节角度和角速度，最终精度约为 0.99。此外，作者认为所提出的方法可以使液压缸提前缩回，并在外骨骼跟随人的运动时提高最大行走速度 (Guo and Jiang, 2015)。
Ren等人发表的论文。(2018)提出了一种基于人体测量特征预测患者特定步态轨迹的方法。作者指出，人类步态模式与人体测量特征密切相关，但这种关系尚未得到充分研究。所提出的方法使用傅里叶级数拟合步态轨迹，并通过获得的傅里叶系数表示步态模式。作者使用人类年龄、性别和12个身体参数（年龄、身高、体重、性别、大腿长度、小腿长度、大转子间宽度、髂嵴间宽度、髂前上棘宽度、膝盖直径、脚长、踝高、踝宽、脚宽）来设计步态预测模型。为了使该方法适用于下肢外骨骼，使用基于最小冗余-最大相关性准则的优化方法选择人体测量特征。所选特征与人类步态之间的关系使用随机森林建模，预测患者特定的步态轨迹。该系统已在先前研究（Yun et al., 2014）中从113名健康受试者（Luu et al., 2014）收集的数据上进行了验证，误差为0.08 rad。
Thongsook等人发表的论文。（2019）比较了三种算法在识别被动式下肢外骨骼的三个不同步态阶段的性能：C4.5决策树、MLP和NARX。步态阶段包括站立期、摆动期和推进期。这些算法使用位于髋部和膝关节位置的两个IMU传感器，以及自制鞋中的两个FSR传感器，提供四个输入。在不同行走速度下收集包含鞋子与地面接触的压力、膝关节角度和膝关节角速度的测试数据，实验结果显示了每种算法在用不同模式大小训练时的分类成功率。该系统的最终准确率对于C4.5等于1，对于MLP等于0.98，对于NARX等于0.948，测试对象为1名健康受试者。这些实验有助于确定最适合在实时应用中识别不同步态阶段的算法（ongsook et al., 2019）。
Imura等人的工作。(2021)旨在利用机器学习方法识别影响卒中住院康复后居家出院的因素，包括功能性和环境因素。作者指出，虽然已经讨论了环境因素对于卒中患者实现居家出院的重要性，但关于应用决策树结合各种功能和环境变量来识别具有高居家出院可能性的卒中患者的研究有限。为了弥补这一差距，作者收集了一个包含481名卒中患者功能状态和环境因素（如居住安排和社会支持）信息的私人数据集，并使用三个分类和回归树（CART）模型来识别预测居家出院的因素，最终准确率为0.85。结果表明，功能因素（如运动功能和认知功能）是最重要的预测因素，其次是环境因素（如居住安排和社会支持）（Imura et al., 2021）。
He (2022) 的论文提出了一种基于人体姿态信息的下肢外骨骼术后康复训练运动控制系统。该系统具有多种功能，如主动/被动训练模式控制、运动姿态和肌电信号采集、WiFi通信和安全保护。训练过程采用随机森林和线性回归进行识别和分析。对 10 名健康受试者进行的实验结果表明，随机森林算法在运动识别方面比线性回归算法具有更好的性能，准确率为 0.997。系统中使用的特征是髋、膝和踝关节的位置。所开发的控制和监控系统可以通过 Android 进行控制，并且可以通过训练过程中的监控信号实现训练过程的智能分析 (He, 2022)。
张等人提出的步态偏差校正方法。(2022) 旨在减少穿戴者在使用下肢外骨骼时的步态偏差。通过使用临床步态分析曲线作为参考轨迹，并结合身体特征参数，步态校正模型修改外骨骼的输入轨迹，以减少步态偏差。特别地，步态偏差校正方法基于 XGboost 算法，这是一种在工业中常用的算法，因为它高效地实现了梯度提升算法。为了训练该算法，使用了 CGA 曲线。对 15 名健康受试者进行的结果表明，通过将误差减少 0.11 弧度，校正使得步态轨迹更接近参考曲线，表明在后续训练效果方面具有潜在益处（Zhang et al., 2022）。
表 4 综述中分析的作品概述，按基于人工智能的算法的应用分组。
DT参与了两个不同的任务RC和LC。由于其透明性，即使是一个旧模型，它仍然是最常用和最具竞争力的模型之一。由于能够处理分类数据，它们特别适合区分不同的运动类型（Badesa et al., 2014）。通常，相对于其他技术，训练DT需要的数据量较少（Colledanchise and Ögren, 2018）。
5讨论
作者认为文献分析的结果是可靠的，因为60%的论文来源于经过同行评审的科学期刊，而剩余的40%来源于经过同行评审的国际会议论文集。值得注意的是，所有论文都经过了彻底的修订过程，进一步加强了研究结果的有效性。
表4报告了本次综述中按应用和所实现的AI算法分组的论文。
通过按列分析表格，我们注意到在RC领域，研究人员已经广泛探索了RL和NN。RL受到了极大的关注，大量的研究论文证明了这一点。RL的普及可归因于其独特的能力，即能够使外骨骼通过与环境的互动来学习最佳控制策略。通过接收奖励或惩罚形式的反馈，RL算法迭代地改进其决策过程，从而在复杂和动态的任务中实现适应性强且稳健的控制。另一方面，神经网络（NNs）也被应用于RC领域，尽管与RL相比程度较轻。这些模型以其逼近复杂函数和有效地从高维数据中学习的能力而闻名（Lin and Sie, 2023）。当应用于RC任务时，神经网络可以捕获传感器数据或关节配置中的复杂模式和关系，从而促进更细致和复杂的控制策略。RL和神经网络都在RC领域展示了有希望的结果。选择采用哪种算法通常取决于控制任务的具体要求，RL在需要自适应学习和动态决策的情况下更受欢迎，而神经网络在处理高维传感器数据和复杂的控制映射时更有效。总的来说，这两种技术的结合展示了在使用人工智能来增强和改进外骨骼控制能力方面的持续进步。
在LC领域，研究人员采用了三种机器学习技术：SVM、NN和DT。在这些技术中，SVM（Lin et al., 2017）尤其被用于气动运动。SVM在该领域的应用受到限制。尽管如此，由于其在二元设置中有效分类数据的能力，以及由于“核技巧”使得对原本非线性可分的元素进行分类成为可能，它仍然具有相关性。相反，NN在LC中表现出更多样化的应用（Lin and Sie, 2023）。NN非常适合这些任务，因为它们可以学习输入信号和运动类型之间错综复杂的关系。通过对庞大的数据集进行训练，NN可以捕捉人类运动中复杂的模式和变化，从而产生准确而稳健的分类结果。DT在LC领域的研究较少，但仍然由He (2022); Zhang et al. (2022)代表。它们提供了可解释性，使研究人员能够深入了解模型的决策过程。此外，DT可以有效地处理分类数据，使其适用于具有离散结果的分类任务，例如区分不同的运动类型。LC中使用的三种机器学习技术各有独特的优势：SVM在处理非线性分类任务方面的有效性，NN在捕捉复杂模式方面的能力，以及DT的可解释性和对分类数据的适用性。这些技术的结合展示了研究人员为应对运动分类的挑战并进一步推进该领域而采用的方法的多样性。
在ID领域，研究人员主要采用了两种主要的机器学习技术：RL和SVM。虽然这两种方法都被使用过，但RL在较少数量的论文中被探索过（Guo et al., 2020；Imura et al., 2021）。另一方面，SVM涉及更多的任务（Wu et al., 2016；Ma et al., 2019）。意图检测在人机交互中起着至关重要的作用，因为它使外骨骼能够准确地解释人类的意图和命令。通过在ID中采用RL，研究人员旨在创建智能且适应性强的系统，这些系统可以从与人类的互动中学习，并相应地优化其决策过程。RL允许外骨骼通过连续的反馈循环来理解人类的意图，从而提高人机通信和协作的效率。同时，ID研究的较高代表性突出了其在解决与人类意图相关的分类任务中的有效性。SVM擅长二元分类，使其成为实时辨别各种人类命令或意图的合适选择。它能够根据来自传感器或输入的特征向量有效地对数据进行分类，进一步增强了其在人机交互中的适用性。总的来说，RL和SVM在意图检测研究中的结合强调了开发准确可靠的方法的重要性，以实现无缝和直观的人机通信。随着研究人员继续探索和改进这些机器学习技术，在各个领域推进人机交互和协作的潜力变得越来越有希望。
在HJTP领域，正如Wang et al. (2021b)等大量被引论文所表明的那样，NN是主要采用的机器学习技术。NNs在该领域的普遍性证明了它们在捕捉人体关节运动中复杂的时空模式方面的卓越能力，这使得它们特别适合轨迹预测任务。NNs擅长从大型数据集中学习，并从序列数据中提取有意义的表示，这对于预测人体关节轨迹的连续性和动态性至关重要。通过利用循环和卷积架构，NNs可以有效地建模关节位置随时间的依赖关系和相互作用，从而准确地预测未来的关节运动。NNs在HJTP研究中的应用标志着人们越来越认识到它们在增强人机交互、康复过程和运动分析方面的潜力。准确预测人体关节轨迹的能力有助于更安全、更高效的人机协作，因为外骨骼可以实时预测和适应人体运动。此外，诸如LSTM网络和基于Transformer的模型等神经网络架构的进步，进一步加强了它们的预测能力，使它们能够处理更长的时间依赖关系并捕捉关节运动中更精细的模式。随着HJTP继续成为一个关键的研究领域，NN仍然处于创新的前沿，推动着人机交互、辅助机器人和个性化康复的进步。NNs的持续发展有望彻底改变外骨骼感知和与人类用户互动的方式，最终提高人机协作任务的整体性能和安全性。
5.1 结论与未来方向
在综合我们综述的关键发现时，一个突出的模式在各种外骨骼辅助下肢机器人辅助康复领域中显现出来。文献中一个普遍的观察结果是，算法需要在人体受试者身上进行广泛的验证。虽然已经开发了许多有希望的解决方案，但这些工作中有很大一部分仍然局限于模拟环境或仅在健康个体身上进行验证。在考虑将人工智能驱动的康复解决方案转化为临床环境时，通往实际应用的关键步骤的重要性不可低估。从受控实验环境过渡到临床环境的复杂和动态条件，需要严格的验证，以确保基于人工智能的算法解决方案的有效性和安全性。基于模拟或健康受试者的验证与临床实施之间的差距突出了一个关键问题。它强调，研究与实际临床部署之间的桥梁需要以人为本的可靠验证研究，最好包括具有代表性的目标患者群体。
此外，当前文献中一个显著的差距在于以人为本技术的整合。虽然研究领域展示了大量的技术进步，但在全面考虑人类意见、偏好和专家见解的研究方面却存在不足。医疗专业人员的参与尤为重要，他们对患者需求和临床要求有全面的了解。一个关键的挑战在于确保开发的人工智能技术与医疗从业者的观点、工作流程和患者护理目标无缝对接。显而易见的是，不仅验证，而且全面考虑人类意见和专家见解也起着关键作用。在未来人工智能设备和方法的设计过程中，必须始终优先考虑患者，因为他们是技术的最终用户。考虑并纳入用户反馈，并评估技术对个人的影响，是开发以人为中心技术的关键。这种方法确保了新兴技术与最终用户的需求和体验紧密结合，从而促进了更有效和用户友好的技术融入医疗实践。
另一个重要的新兴观点是，目前大多数现有数据集都是私有的，而我们鼓励研究人员和从业者公开数据，以维持研究进展。在这方面，感兴趣的读者可以参考David等人的研究。（2023）对已发表的关于人类运动的数据集进行了调查，然而，只有少数情况下这些数据集可以用于训练机器学习算法。
对前几节报告的著作的调查表明，无监督学习尚未被探索。其应用可能在机器人辅助行走中得到进一步研究，以预训练监督学习方法（Erhan et al., 2010）。此外，我们注意到只有三篇论文利用了深度强化学习（deep-RL）（Rose et al., 2022；Luo et al., 2023）：我们认为研究这种学习范式是一个很有前景的研究方向，因为深度强化学习已经显示出其超越经典强化学习算法的潜力。例如，这种情况发生在序列任务中，因为深度强化学习可以受益于强化学习范式中的LSTM架构（Li, 2017；Yu et al., 2020）。
6结论
本文献综述了人工智能在下肢机器人辅助康复中的应用。本研究确定了主要使用哪些算法来解决机器人控制、步态模式分类、运动交互检测和机器人系统运动规划等不同方面的问题。值得注意的是，即使本文回顾的科学文献已经证明了这些方法可以改善机器人辅助行走，但目前在临床环境中使用的设备并没有将人工智能算法整合到其功能中。
一方面，该综述还表明，一些人工智能算法适用于解决特定问题，例如，强化学习（RL）仅用于外骨骼设备控制任务，而其他方法则可以灵活应用于不同的应用领域。另一方面，主要信息强调，从事下肢外骨骼研究的科学界需要推动人工智能方法在研究项目和工业应用中的整合。考虑到人工智能在下肢机器人辅助康复中的伦理整合，需要在提高效率和保护治疗师的就业机会之间取得微妙的平衡。通过健全的标准优先考虑患者安全至关重要，自动化决策中的人工监督可确保符合伦理标准。人工智能算法的透明度，尤其是在安全外骨骼的开发中，对于建立信任至关重要。通过人工监督解决算法偏差对于防止不同人群的治疗结果出现差异至关重要。在不断发展的人工智能驱动的医疗保健领域，必须采取协作的伦理方法来应对这些挑战，并将患者福祉放在首位（Durán and Jongsma, 2021；Kordzadeh and Ghasemaghaei, 2022；Morone et al., 2022）。