Towards AI-controlled FES-restoration of movements: Learning cycling stimulation pattern with reinforcement learning

要約

機能的電気刺激 (FES) は、ロボットを含む他のリハビリテーション機器との統合が進んでいます。
FES サイクリングは、リハビリテーションにおける一般的な FES アプリケーションの 1 つであり、特定のパターンで脚の筋肉を刺激することによって実行されます。
適切なパターンは個人によって異なり、手動調整が必要ですが、これは個々のユーザーにとって時間がかかり、困難な場合があります。
ここでは、追加のハードウェアやセンサ​​ーを必要としない、パターンを見つけるための AI ベースの方法を紹介します。
私たちの方法には 2 つのフェーズがあり、強化学習と詳細な筋骨格モデルを使用してモデルベースのパターンを見つけることから始まります。
オープンソース ソフトウェアを使用して構築されたモデルは、自動スクリプトを通じてカスタマイズできるため、技術者以外の人でも追加費用なしで使用できます。
次に、私たちの方法では、実際のサイクリングデータを使用してパターンを微調整します。
私たちはシミュレーションと固定三輪車での実験の両方をテストします。
シミュレーション テストでは、私たちの方法はさまざまなサイクリング構成に対してモデルベースのパターンを堅牢に提供できます。
実験的評価は、私たちの方法がEMGベースのパターンよりも高いサイクリング速度を引き起こすモデルベースのパターンを見つけることができることを示しています。
わずか 100 秒のサイクリング データを使用するだけで、私たちの方法はより良いサイクリング パフォーマンスをもたらす微調整されたパターンを提供できます。
この研究は、FES サイクリングを超えて、現実世界のリハビリテーションにおけるヒューマンインザループ AI の実現可能性と可能性を示すショーケースです。

要約(オリジナル)

Functional electrical stimulation (FES) has been increasingly integrated with other rehabilitation devices, including robots. FES cycling is one of the common FES applications in rehabilitation, which is performed by stimulating leg muscles in a certain pattern. The appropriate pattern varies across individuals and requires manual tuning which can be time-consuming and challenging for the individual user. Here, we present an AI-based method for finding the patterns, which requires no extra hardware or sensors. Our method has two phases, starting with finding model-based patterns using reinforcement learning and detailed musculoskeletal models. The models, built using open-source software, can be customised through our automated script and can be therefore used by non-technical individuals without extra cost. Next, our method fine-tunes the pattern using real cycling data. We test our both in simulation and experimentally on a stationary tricycle. In the simulation test, our method can robustly deliver model-based patterns for different cycling configurations. The experimental evaluation shows that our method can find a model-based pattern that induces higher cycling speed than an EMG-based pattern. By using just 100 seconds of cycling data, our method can deliver a fine-tuned pattern that gives better cycling performance. Beyond FES cycling, this work is a showcase, displaying the feasibility and potential of human-in-the-loop AI in real-world rehabilitation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google