Prädiktive muskuloskelettale Simulationen identifizieren Hüft-Sprunggelenk-Unterstützung als effizienteste Zwei-Gelenk-Strategie für Exoskelette
Die Autoren untersuchen in einem Preprint mittels subjektspezifischer prädiktiver Simulationen auf Basis von OpenSim Moco, wie sich ideale Drehmomentunterstützung an Hüfte, Knie und Sprunggelenk auf metabolische Kosten und Biomechanik beim Gehen auswirkt. Bei 50 Nm erreicht die kombinierte Hüft-Knie-Sprunggelenk-Unterstützung eine mittlere COT-Reduktion von 48,50 Prozent, Hüft-Sprunggelenk-Unterstützung erzielt 44,60 Prozent und ist damit die effektivste Zwei-Gelenk-Strategie. Die Ergebnisse liefern Hinweise für die Auslegung von Exoskelett-Aktuatoren, müssen jedoch experimentell validiert werden.
Wie beeinflussen unterschiedliche Kombinationen von idealer Drehmomentunterstützung an Hüft-, Knie- und Sprunggelenk in subjektspezifischen muskuloskelettalen Modellen die metabolischen Kosten und biomechanischen Gangmuster?
Die Auslegung individuell optimaler Exoskelett-Unterstützung ist aufgrund großer interindividueller Variabilität in Anthropometrie, Muskelkraft und Biomechanik schwierig. Bisherige Ansätze beruhen oft auf heuristischer Abstimmung oder generischen Modellen und können individuelle Anpassungen nur unzureichend vorhersagen.
Bisherige Ansätze umfassen expertenbasierte oder heuristische Drehmomentabstimmung, Human-in-the-loop-Optimierung mit physiologischem Feedback sowie muskuloskelettale Simulationen mit vorgeschriebener Kinematik (Computed Muscle Control) oder Single-Shooting-Prädiktionsmethoden wie SCONE. Diese Methoden sind entweder aufwendig, nutzen feste Kinematik ohne Anpassung an externe Momente oder haben Schwierigkeiten, individuelle Reaktionen korrekt abzubilden.
Die Autoren verwenden direkte Kollokation mit OpenSim Moco und subjektspezifisch skalierten muskuloskelettalen Modellen von sechs Probanden, inklusive BMI-basierter Skalierung der maximalen isometrischen Muskelkräfte. In prädiktiven Simulationen werden ideale bidirektionale Drehmomentaktoren an Hüfte, Knie und Sprunggelenk in allen sieben Kombinationen sowie ohne Unterstützung bei Drehmomentgrenzen von 25 Nm und 50 Nm modelliert. Die Zielfunktion kombiniert metabolische Kosten, Muskelanstrengung, Gelenk- und COM-Beschleunigung sowie Tracking der gemessenen Gangkinematik. Ausgewertet werden COT, Gelenkwinkel, Muskelaktivierungen, Assistenzdrehmomente und Gelenkleistungsmetriken.
Bei 50 Nm Assistenz erreicht die Kombination Hüft+Knie+Sprunggelenk (H+K+A) eine mittlere COT-Reduktion von 48,50 Prozent (Standardabweichung 4,55 Prozent, Spannweite 42,22 bis 54,65 Prozent) gegenüber dem unassistierten Gehen. Unter den Einzelgelenk-Bedingungen reduziert die Hüftunterstützung den COT am stärksten um 31,77 Prozent (SD 5,21 Prozent), Knie und Sprunggelenk folgen mit 19,17 Prozent bzw. 17,02 Prozent. Die Zwei-Gelenk-Kombination Hüft+Sprunggelenk (H+A) erzielt 44,60 Prozent (SD 7,08 Prozent) und ist damit die effektivste Zwei-Gelenk-Strategie. Bei 25 Nm liegen die Reduktionen für H+K+A bei 41,20 Prozent. Die Gelenkleistungsanalyse zeigt, dass bei 50 Nm die Hüfte die höchste mittlere positive Leistung (MPP) von 0,375 W/kg liefert, gefolgt vom Knie (0,243 W/kg) und Sprunggelenk (0,220 W/kg). Die Positive Power Ratio (PPR) ist am Sprunggelenk mit 0,861 am höchsten, an der Hüfte 0,820 und am Knie 0,672. Die Knieunterstützung liefert positive Leistung nahe der Pre-Swing-Phase, entgegen der biologischen negativen Leistung. Alle Ergebnisse stammen aus Simulationen mit sechs subjektspezifischen Modellen, nicht aus Experimenten mit realen Robotern.
Die Autoren nennen als Grenzen: das Modell umfasst nur neun Muskeln pro Bein, vernachlässigt Sehnencompliance und Co-Kontraktion über den Strafterm hinaus, verwendet vereinfachten Bodenkontakt ohne Zehengelenk, und der Tracking-Term schränkt kinematische Anpassungen ein. Die absoluten metabolischen Reduktionen können von experimentellen Werten abweichen. Die Simulationen sind zweidimensional, nutzen ideale Aktuatoren ohne Gerätemasse oder Dynamik und basieren auf nur sechs Probandenmodellen. Eine Validierung an realen Probanden und Hardware steht aus. Das Paper ist ein Preprint und nicht begutachtet. Angaben zu veröffentlichtem Code oder Simulationsdaten werden im Paper nicht gemacht.
Hersteller von aktiven Exoskeletten für Gehunterstützung und Rehabilitation können die Erkenntnisse nutzen, um Aktuator-Konfigurationen zu priorisieren, insbesondere die Hüft-Sprunggelenk-Kombination als effiziente Zwei-Gelenk-Lösung. Kurzfristig (jetzt) können die relativen Gelenkprioritäten in die Designphase einfließen. Innerhalb von 1 bis 3 Jahren könnten auf diesen Simulationen basierende Controller für reale Exoskelette entwickelt werden, sofern die Vorhersagen durch Experimente mit menschlichen Probanden validiert und die Modelle um realistischere Muskel- und Kontaktmodelle erweitert werden. Für den breiten Einsatz personalisierter Strategien sind zudem effiziente Methoden zur Generierung subjektspezifischer Modelle erforderlich.
Der Volltext wird hier nicht wiedergegeben, weil die Lizenz der Studie das nicht erlaubt. Das Original steht auf arXiv.