Hensigtsgenkendelse til protesekontrol

Fokus for dette arbejde er et foreslået nyt system til kunstig intelligens (AI) til selvtilpasning af et hensigtsgenkendelsessystem i motordrevne proteser for at hjælpe med implementeringen af ​​hensigtsgenkendelsessystemer, der tilpasser sig individuel patientgang. Efterforskerne antager, at protesen ved hjælp af vores selvtilpassede hensigtsgenkendelsessystem vil forbedre ganghastigheden. Uafhængig ambulation i lokalsamfundet er kendt for at være mere udfordrende for personer med transfemoral amputation (TFA), og derfor vil undersøgelsen måle selvvalgt ganghastighed (SSWS), som er en korrelation med det generelle helbred og er en forudsigelse for funktionel afhængighed, mobilitetshandicap og falder; desuden er langsomme SSWS korreleret til lavere livskvalitet (QOL), nedsat deltagelse og symptomer på depression. Selvtilpassende hensigtsgenkendelse har et stort potentiale til at genoprette gang i samfundsmiljøer og forbedre udførelsesformen, hvilket er blevet forbundet med forbedret QOL og øget apparatbrug hos patienter, der bruger avancerede proteser i overekstremiteterne. I dette eksperiment vil patienter med TFA blive egnet med robotknæ-/ankelprotesen og fortsætte med at gå over et kredsløb for at inkludere niveaugang, rampestigning og rampenedstigning ved forskellige grader og hastigheder, mens efterforskerne fanger 3D-biomekanik og færdiggørelsestider med både det selvadaptive og statiske brugeruafhængige system (kontroltilstand). En tredje betingelse, patientens klinisk ordinerede passive proteseanordning (daglig brug) vil blive testet for at tjene som udgangspunkt for den drevne teknologi. Efterforskerne forventer, at det selvadaptive system lærer den bedste forudsigelse af patientens unikke gang, hvilket fører til fordele i funktionelle og patientrapporterede resultater i forhold til kontrol- og baseline-tilstande.