A regression-based rapid calibration method for CEINMS-RT for lab-independent control of a bionic ankle prosthesis

The use of bionic prostheses for lower-limb replacement and the restoration of walking in amputee patients is steadily increasing. In this context, neuromusculoskeletal models (NMSMs) represent a promising tool for the real-time control of wearable robots, as they allow the estimation of biomechanical quantities by integrating electromyographic signals (EMGs) with kinematic and kinetic information. However, subject-specific calibration of these models is required to obtain accurate estimates of the variables of interest. Currently, this process relies on complex workflows based on motion capture acquisitions, which represent the gold standard calibration, making the process time-consuming and poorly scalable in clinical settings. This thesis is the result of a collaboration with the Neuromechanics and Neuromuscular Robotics Lab at the University of Twente. In this work, an alternative calibration pipeline for CEINMS-RT aimed at reducing the dependence on experimental acquisitions is presented. It is based on a regression model to estimate reference ankle joint angle and moment profiles over the gait cycle as a function of walking speed. These curves, along with EMGs acquired from the subject, are employed in the calibration phase of an EMG-informed NMSM, replacing the data obtained through motion capture. Four regression models were analyzed and trained on a dataset of nine healthy subjects, and their predictive capability was evaluated using Leave-One-Out Cross-Validation. Among the models considered, Gaussian Process Regression showed the highest accuracy and was therefore selected to generate the reference profiles used in the proposed pipeline. The performance of the selected model was further evaluated through subject-specific statistical analyses to assess the robustness of the predictions across subjects. Once the biomechanical profiles were obtained, the NMSM was calibrated for each subject using both the reference procedure based on motion capture and the regression-based approach. The alternative calibration method was then quantitatively evaluated by comparing the joint moments estimated by the model calibrated with the reference procedure and those obtained using the proposed approach. The results showed comparable performance between the two methods, suggesting that the regression-based approach may represent a more efficient alternative.

L’uso di protesi bioniche per la sostituzione degli arti inferiori e il recupero della deambulazione nei pazienti amputati è in costante aumento. In questo contesto, i Modelli NeuroMuscoloScheletrici (NMSMs) rappresentano uno strumento promettente per il controllo in tempo reale di robot indossabili, poiché consentono di stimare grandezze biomeccaniche integrando segnali elettromiografici (EMG) con informazioni cinematiche e dinamiche. Tuttavia, per ottenere stime accurate delle variabili di interesse, è necessaria una calibrazione specifica per ciascun soggetto. Attualmente, il processo gold standard per la calibrazione si basa su metodi complessi basati su acquisizioni tramite motion capture, rendendo però il flusso di lavoro lungo e poco scalabile in ambito clinico. In questo lavoro viene presentata una pipeline alternativa di calibrazione per il software CEINMS-RT, finalizzata a ridurre la dipendenza dalle acquisizioni sperimentali. Essa si basa su un modello di regressione per stimare i profili di riferimento dell’angolo e del momento articolare della caviglia lungo il ciclo del passo in funzione della velocità di cammino. Tali curve, insieme agli EMG acquisiti dal soggetto, vengono impiegate nella fase di calibrazione di un NMSM, sostituendo i dati ottenuti tramite motion capture. Questa tesi è il risultato di una collaborazione con il Neuromechanics and Neuromuscular Robotics Lab dell’Università di Twente. Sono stati analizzati quattro modelli di regressione, addestrati su un dataset di nove soggetti sani, e la loro capacità predittiva è stata valutata mediante Leave-One-Out Cross-Validation. Tra i modelli considerati, Gaussian Process Regression ha mostrato la maggiore accuratezza ed è stato pertanto selezionato per generare i profili di riferimento utilizzati nella pipeline proposta. Le prestazioni del modello selezionato sono state ulteriormente valutate mediante analisi statistiche soggetto-specifiche, al fine di verificare la robustezza delle predizioni tra i diversi individui. Una volta ottenuti i profili biomeccanici, il NMSM è stato calibrato per ciascun soggetto utilizzando sia la procedura di riferimento, basata su motion capture, sia tramite l’approccio basato su regressione. Il metodo di calibrazione alternativo è stato infine validato quantitativamente confrontando i momenti articolari stimati dal modello calibrato con procedura gold standard e quelli stimati mediante l’approccio proposto. I risultati hanno mostrato prestazioni comparabili tra i due metodi, suggerendo che l’approccio basato su regressione possa rappresentare un’alternativa più efficiente.