[0002] 本
发明是于2015年2月12日提交的美国临时申请No.62/115,495的非临时
专利申请，该申请的内容全部以引用的方式结合在本文中。
背景技术
(1)发明领域
[0003] 本发明涉及一种跌倒预防系统，并且具体地，涉及一种结合套装和
传感器以通过使用者预测即将发生的跌倒并且发起从事预防这种跌倒的协议的系统。
[0004] (2)相关技术的描述
[0005] 跌倒是导致现役军人(参见所结合的参考文献列表，第33号和第35号参考文献)以及老年人住院
治疗的重要原因。例如，每年有三分之一65岁以上的人将经历虚弱导致的跌倒，估计每年直接花费在跌倒上的健康治疗
费用超过300亿美元(参见第8号参考文献)。负重(例如，背包重量)和疲劳增加跌倒事故的危险(参见第24号和第25号参考文献)。
[0006] 为了减轻跌倒的
风险，需要可操作以保护使用者免受与这种跌倒相关联的损伤的系统。
现有技术例如通过
加速计检测跌倒，并且使用坚硬的承重
外骨骼来停止跌倒。外骨骼的问题在于它们是不舒服的、笨重的和昂贵的。进一步地，这种外骨骼是笨拙的并且如果它们耗尽电量，则会阻碍穿戴者的移动性。利用这种笨重的、坚硬的外骨骼，现有技术解决方法可能等待，直到跌倒发生为止，然后检测跌倒并且使用该坚硬的外骨骼来停止跌倒。
[0007] 现有技术也受累于其感测能
力。为了感测使用者的步态，仅可以将粗略的身体配置数据(诸如撞击足部定时)应用于某种步态病理学(诸如足下垂)(参见第42号参考文献)。进一步地，为了感测跌倒，在外骨骼中采用陀螺传感器(参见第3号参考文献)(其进行检测，但不进行预测)。有时采用不可穿戴的视频运动捕获系统(参见第44号参考文献)，其降低了这种系统的移动性。其它系统采用不可靠的自我报告(参见第9号参考文献)，其仅可以检测跌倒，但是不可以预测跌倒。进一步地，这种系统不主动监视外部跌倒预测指标，诸如绊倒的危险(参见第2号参考文献)。
[0008] 现有技术中存在关于推断和预测
生物力学状态的能力的其它限制。例如，用于步态分析的一般生物力学模型不大可能捕获从高的、肌肉发达的军人到矮的老年患者的惯性属性的范围。针对肌肉骨骼动力学模拟推断出肌肉激活的现有技术分别是OpenSim(参见第7号参考文献)和CMC(参见第38号和第39号参考文献)。尽管精确，但是这些模型在计算上太密集以至于不能在实时
嵌入式系统上运行(参见第34号和第31号参考文献)。
[0009] 现有控制
软件也受到各种限制。例如，迄今为止，仅仅已经针对姿势
稳定性研究了对动摇的人反应的正演模型(参见第18号、第19号和第21号参考文献)。另外，基于优化
算法的传统关节力矩控制方法(参见第15号和第16号参考文献)在计算上太密集以至于不能在实时嵌入式系统上运行。进一步地，用于行走的领先的基于动量的方法包括捕获点方法(参见第23号参考文献)，并且当可用立足点受到限制时，立足点放置控制(参见第26号参考文献)可能是有问题的。
[0010] 用于现有系统的
致动器也受到限制。外骨骼通常是重的且耗电的，并且在处于非辅助模式下时阻碍移动。进一步地，虽然已经使用了前庭
电刺激(GVS)来增强姿势平衡控制(参见第32号参考文献)，但是在综合方法中还未采用其来控制肌肉刺激。相反，现有技术使用刺激肌肉激活的功能性电刺激(FES)；然而，仅仅将FES施加至一个或者两个
位置，从而将其适用性限制到某种步态病理学(诸如足下垂)(如例如在第42号参考文献中所描述的)。最后，对跌倒预防的训练通常使用锻炼游戏(参见第41号参考文献)，这种训练是预防性的而非预测性的。
[0011] 因此，持续需要一种跌倒预防系统，该跌倒预防系统在仍然可操作用于通过使用者预测即将发生的跌倒并且发起参与预防这种跌倒的协议的同时是敏捷的(具有低功率和轻重量)并且可以易于使用者穿戴。
发明内容
[0012] 本发明描述了一种用于步态干预和跌倒预防的系统。在各个实施方式中，该系统包括连体套装，该连体套装具有多个分布式传感器和前庭-肌肉Biostim阵列(vestibulo-muscular biostim array)。分析模
块与连体套装和传感器连接。分析模块可操作以用于接收
传感器数据，并且基于该传感器数据来分析特定使用者的步态并且预测跌倒。闭环Biostim控
制模块还包括在系统中，并且按照期望与套装连接。闭环Biostim
控制模块可操作以用于激活所述前庭-肌肉Biostim阵列以补偿预测跌倒的风险。
[0013] 在另一方面中，前庭-肌肉Biostim阵列包括多部位前庭电刺激(GVS)执行器，该GVS执行器靠近套装的头部，因此，GVS执行器可操作以用于增强使用者的前庭感觉。
[0014] 在又一方面中，前庭-肌肉Biostim阵列还包括功能性电刺激(FES)执行器，该FES执行器
定位成靠近套装的腿部，因此，FES执行器可操作以用于刺激使用者的肌肉以产生对使用者的关节力矩的直接控制。
[0015] 另外，闭环Biostim控制模块包括Biostim
控制器，该Biostim控制器在闭环控制中将力矩和平衡调节施加至前庭-肌肉Biostim阵列的GVS执行器的FES执行器，在闭环控制中，施加力矩和平衡调节，直到达到补偿效果为止。
[0016] 进一步地，连体套装是由弹性布料制成的共形连体套装，其中，前庭-肌肉Biostim阵列与连体套装连接，使得在穿戴连体套装时将前庭-肌肉Biostim阵列的执行器被定位成抵靠使用者的身体。
[0017] 在另一方面中，多个分布式传感器选自由肌电(EMG)传感器、惯性测量单元(IMU)传感器和
地面反作用力(GRF)传感器组成的组。
[0018] 另外，在各个实施方式中，至少一些传感器可操作以用于将
生物传感器数据提供至分析模块。
[0019] 分析模块包括肌肉骨骼模型、步态分析模块和跌倒预测模块。步态分析模块基于生物传感器数据来更新肌肉骨骼模型并且分析特定使用者的步态。进一步地，跌倒预测模块提前运行更新的肌肉骨骼模型以确定跌倒风险是否增高。
[0020] 在又一方面中，闭环Biostim控制模块包括平衡控制器，该平衡控制器确定补偿预测跌倒的风险所要求的关节力矩和前庭平衡调节。
[0021] 在另一方面中，前庭-肌肉Biostim阵列包括触觉执行器，该触觉执行器靠近套装的腰部，因此触觉执行器可操作以用于警告使用者预测的跌倒。
[0022] 最后并且如上所提到的，本发明还包括
计算机程序产品和计算机实现方法。计算机程序产品包括计算机可读指令，该计算机可读指令存储在非暂时性计算机可读介质上，该计算机可读指令可由具有一个或者多个处理器的计算机执行，使得在执行该指令时，使得一个或者多个处理器执行本文所列出的操作。可替代地，计算机实现方法包括使计算机执行这种指令并且执行所得到的操作的动作。
附图说明
[0023] 结合对以下附图的参考，本发明的目的、特征和优点将通过本发明的各个方面的以下详细描述变得显而易见，在附图中，
[0024] 图1是示出根据本发明的各个实施方式的系统的组件的
框图；
[0025] 图2是具体实现为本发明的一方面的计算机程序产品的图示；
[0026] 图3是示出了结合到软套装并且由使用者穿戴的根据各个实施方式的系统的图示；
[0027] 图4是示出了根据各个实施方式的系统的模块的高级系统示意图；
[0028] 图5A是集成主要子系统以执行感测、处理和致动的软套装的图示；
[0029] 图5B是提供了根据本发明的各个实施方式的适用于结合到重量轻且功率低的软套装的各个组件的示例的表格；
[0030] 图5C是提供了根据本发明的各个实施方式的适用于结合到重量轻且功率低的软套装的各个组件的示例的表格；
[0031] 图6是示出了根据本发明的各个实施方式的处理流程和模块的示意图；
[0032] 图7示出了用于将肌肉骨骼模型个性化的示例测试过程；
[0033] 图8是示出了通过拮抗肌的肌肉活动识别出的正确步态的误差，拮抗肌开始展示疲劳期间的共激活的标记并且通过刺激肌肉以改善激活放电模式而被校正；以及[0034] 图9是根据本发明的各个实施方式的闭环Biostim控制模块的高级控制系统示意图。
具体实施方式
[0035] 本发明涉及一种跌倒预防系统，并且具体地，涉及一种结合套装和传感器以通过使用者预测即将发生的跌倒并且发起参与预防这种跌倒的协议的系统。呈现以下描述以使本领域的普通技术人员能够制造并使用本发明，并且在特定应用的背景下将以下描述结合于其中。各种
修改以及不同应用中的各种用途对本领域的技术人员而言将变得显而易见，并且本文所限定的一般原理可以应用于许多方面。因此，本发明并不旨在受限于所呈现的方面，而是应符合与本文所描述的原理和新颖特征相一致的最广范围。
[0036] 在下面的详细描述中，阐述了很多具体细节以便提供本发明的更透彻理解。然而，对于本领域的技术人员而言，可以实施本发明而没有必要限于这些具体细节是显而易见的。在其它实例中，为了避免模糊本发明，公知的结构和装置以框图的形式被示出，而非详细示出。
[0037] 读者的注意力致力于与本
说明书同时提交并且和本说明书开放给公众查阅的所有论文和文献，所有这样的论文和文献的内容以引用的方式结合在本文中。除非有明确说明，否则本说明书公开的所有特征(包括任何所附
权利要求、
摘要和附图)可以由用于相同、等同或者类似目的的替代特征来代替。因此，除非有明确说明，否则公开的每个特征仅仅是通用系列的等同或者类似特征的一个示例。
[0038] 此外，如在35U.S.C.第112条第6款中规定的，没有明确说明用于执行特定功能的“装置”或者用于执行特定功能的“步骤”的权利要求中的任何元素不应该被理解为“装置”或者“步骤”条款。具体地，本文权利要求中使用“步骤”或者“动作”并不意味着调用35U.S.C.第112条第6款的规定。
[0039] 在详细描述本发明之前，首先提供引用的参考文献的列表。接下来，提供对本发明的多个主要方面的描述。随后，简介向读者提供本发明的一般理解。最后，提供本发明的各个实施方式的具体细节以便给出对特定方面的理解。
[0040] (1)所结合的参考文献的列表
[0041] 下面的参考文献在本申请中自始至终被引用。为了清楚和方便起见，参考文献在本文中被列出作为读者的中心资源。因此，以下参考文献通过引用的方式结合在本文中，如同在本文中完全阐述一样。参考文献在本申请中通过参考以下相应参考文献编号来引用：
[0042] 1.L.R.Bent,B.J.McFadyen,V.French Merkley,P.M.Kennedy,and J.T.Inglis.Magnitude effects of galvanic vestibular stimulation on the trajectory of human gait.Neuroscience letters,279(3):157–160,2000.[0043] 2.C.Boelens,E.E.G.Hekman,and G.J.Verkerke.Risk factors for falls of older citizens.Technology and Health Care,pages 1–13,2013.Doi:10.3233/THC-
130748.URL http://iospress.metapress.com/content/9180L23KHL7486R0.
[0044] 3.A.K.Bourke and G.M.Lyons.A threshold-based fall-detection algorithm using a bi-axial gyroscope sensor.Medical engineering&physics,30(1):84–90,2008.
[0045] 4.V.De Sapio.An approach for goal-oriented neuromuscular control of digital humans in physics-based simulations.International Journal in Human Factors Modeling and Simulation,4(2):121–144,2014.
[0046] 5.V.De Sapio,J.Warren,O.Khatib,and S.Delp.Simulating the task-level control of human motion:a methodology and framework for implementation.The Visual Computer,21(5):289–302,2005.
[0047] 6.V.De Sapio,J.Warren,and O.Khatib.Predicting reaching postures using a kinematically constrained shoulder model.In Advances in robot kinematics,pages 209–218.Springer,2006.
[0048] 7.S.L.Delp,F.C.Anderson,A.S.Arnold,P.Loan,A.Habib,C.T.John,E.Guendelman,and D.G.Thelen.OpenSim:open-source software to create and analyze dynamic simulations of movement.IEEE Transactions on Biomedical Engineering,54(11):1940–1950,2007.
[0049] 8.F.Englander,T.J.Hodson,and R.A.Terregrossa.Economic dimensions of slip and fall injuries.Journal of forensic sciences,41(5):733–746,1996.[0050] 9.J.Fleming and C.Brayne.Inability to get up after falling,subsequent time on floor,and summoning help:prospective cohort study in people over 90.BMJ:British Medical Journal,337,2008.
[0051] 10.H.Geyer and H.Herr.A muscle-reflex model that encodes principles of legged mechanics produces human walking dynamics and muscle activities.IEEE Transactions on Neural Systems and Rehabilitation Engineering,18(3):263–273,2010.
[0052] 11.M.Giftthaler and K.Byl.Increased robustness of humanoid standing balance in the sagittal plane through adaptive joint torque reduction.In Proceedings of the 2013 IEEE International Conference on Intelligent Robots and Systems,2013.
[0053] 12.M.H.Granat,A.C.B.Ferguson,B.J.Andrews,and M.Delargy.The role of functional electrical stimulation in the rehabilitation of patients with incomplete spinal cord injury-observed benefits during gait studies.Spinal Cord,31(4):207–215,1993.
[0054] 13.E.E.Hansson and M.Magnusson.Vestibular asymmetry predicts falls among elderly patients with multi-sensory dizziness.BMC geriatrics,13(1):77,2013.
[0055] 14.B.Kleiner and D.Cesmeci.D8.4-foresighted control of active foot prostheses.Proceedings SENSOR 2011,pages 669–672,2011.
[0056] 15.A.D.Kuo.An optimal control model for analyzing human postural balance.IEEE Transactions on Biomedical Engineering,42(1):87–101,1995.[0057] 16.C.Liu and C.G.Atkeson.Standing balance control using a trajectory library.In Proceedings of the 2009 IEEE/RSJ International Conference on Intelligent Robots and Systems,pages 3031–3036.IEEE,2009.
[0058] 17.M. and S.Hesse.Restoration of gait by functional electrical stimulation in paraplegic patients:a modified programme of treatment.Spinal Cord,33(3):126–131,1995.
[0059] 18.M.Mansouri and J.A.Reinbolt.A platform for dynamic simulation and control of movement based on OpenSim and MATLAB.Journal of biomechanics,45(8):1517–1521,2012.
[0060] 19.K.Miller.Feedback for the brain and body:A new freely available interface between matlab and opensim.Biomedical Computation Review,Summer:3–4,2012.
[0061] 20.A.Murai and K.Yamane.A neuromuscular locomotion controller that realizes human-like responses to unexpected disturbances.In 2011 IEEE International Conference Robotics and Automation,pages 1997–2002.IEEE,2011.[0062] 21.S.Piazza,M.Mansouri,D.Torricelli,J.A.Reinbolt,and J.L.Pons.A biomechanical model for the validation of modular control in balance.In Converging Clinical and Engineering Research on Neurorehabilitation,pages 815–819.Springer,2013.
[0063] 22.J.Piovan and K.Byl.Reachability-based control for the active slip model.International Journal of Robotics Research,page Submitted,2013.[0064] 23.J.Pratt,J.Carff,S.Drakunov,and Am.Goswami.Capture point:A step toward humanoid push recovery.In 2006 6th IEEE-RAS International Conference on Humanoid Robots,pages 200–207.IEEE,2006.
[0065] 24.X.Qu.Effects of cognitive and physical loads on local dynamic stability during gait.Applied Ergonomics,44(3):455–458,2013.ISSN 0003-6870.doi:
[0066] http://dx.doi.org/10.1016/j.apergo.2012.10.018.URL http://www.sciencedirect.com/-science/article/pii/S0003687012001767.
[0067] 25.X.Qu and J.C.Yeo.Effects of load carriage and fatigue on gait characteristics.Journal of biomechanics,44(7):1259–1263,2011.
[0068] 26.M.Raibert,K.Blankespoor,G.Nelson,R.Playter,et al.Bigdog,the rough-terrain quadruped robot.In Proceedings of the 17th World Congress of the International Federation of Automatic Control,pages 10823–10825,2008.[0069] 27.J.A.Reinbolt,R.T.Haftka,T.L.Chmielewski,and B.J.Fregly.Are patient-specific joint and inertial parameters necessary for accurate inverse dynamics analyses of gait？IEEE Transactions on Biomedical Engineering,54(5):782–793,2007.
[0070] 28.C.O.Saglam and K.Byl.Switching policies for metastable walking.In In Proceedings of IEEE Conference on Decision and Control,2013.Submitted.[0071] 29.M.Sartori,D.G.Lloyd,M.Reggiani,and E.Pagello.A stiff tendon neuromusculoskeletal model of the knee.In 2009 IEEE Workshop on Advanced Robotics and its Social Impacts,pages 132–138.IEEE,2009.
[0072] 30.M.Sartori,D.G.Lloyd,M.Reggiani,and E.Pagello.Fast operation of anatomical and stiff tendon neuromuscular models in emg-driven modeling.In 2010 IEEE International Conference on Robotics and Automation,pages 2228–
2234.IEEE,2010.
[0073] 31.M.Sartori,M.Reggiani,D.Farina,and D.G.Lloyd.Emg-driven forward-dynamic estimation of muscle force and joint moment about multiple degrees of freedom in the human lower extremity.PloS one,7(12):e52618,2012.
[0074] 32.A.P.Scinicariello,K.Eaton,J.T.Inglis,and J.J.Collins.Enhancing human balance control with galvanic vestibular stimulation.Biological cybernetics,84(6):475–480,2001.
[0075] 33.L.Senier,N.S.Bell,M.M.Yore,and P.J.Amoroso.Hospitalizations for fall-related injuries among active-duty army soldiers,1980–1998.Work:A Journal of Prevention,Assessment and Rehabilitation,18(2):161–170,2002.[0076] 34.A.Seth,M.Sherman,J.A.Reinbolt,and S.L.Delp.OpenSim:a musculoskeletal modeling and simulation framework for in silico investigations and exchange.volume 2,pages 212–232.Elsevier,2011.
[0077] 35.E.Shuping,M.Canham-Chervak,P.J.Amoroso,and B.H.Jones.Identifying modifiable causes of fall-related injury:An analysis of us army safety data.Work:A Journal of Prevention,Assessment and Rehabilitation,33(1):23–34,2009.
[0078] 36.Yousuke Suzuki,Takayuki Tanaka,Shun’ichi Kaneko,Shunji Moromugi,and Maria Q Feng.Soft sensor suits as man-machine interface for wearable power amplifier.In Systems,Man and Cybernetics,2005 IEEE International Conference on,volume 2,pages 1680–1685.IEEE,2005.
[0079] 37.W.Tao,T.Liu,R.Zheng,and H.Feng.Gait analysis using wearable sensors.Sensors,12(2):2255–2283,2012.
[0080] 38.D.G.Thelen and F.C.Anderson.Using computed muscle control to generate forward dynamic simulations of human walking from experimental data.Journal of Biomechanics,39(6):1107–1115,2006.
[0081] 39.D.G.Thelen,F.C.Anderson,and S.L.Delp.Generating dynamic simulations of movement using computed muscle control.Journal of Biomechanics,36(3):321–328,2003.
[0082] 40.K.Tsukada and M.Yasumura."Activebelt:Belt-type wearable tactile display for directional navigation."UbiComp 2004:Ubiquitous Computing.Springer Berlin Heidelberg,2004.384-399.
[0083] 41.M.Van Diest,C.J.C.Lamoth,J.Stegenga,G.J.Verkerke,and K.Postema.Exergaming for balance training of elderly:state of the art and future developments.Journal of neuroengineering and rehabilitation,10(1):101,
2013.
[0084] 42.R.van Swigchem,J.Vloothuis,J.den Boer,V.Weerdesteyn,and A.C H.Geurts.Is transcutaneous peroneal stimulation beneficial to patients with chronic stroke using an ankle-foot orthosis？A within-subjects study of patients’satisfaction,walking speed and physical activity level.Journal of Rehabilitation Medicine,42(2):117–121,2010.
[0085] 43.Q.Zhang,M.Hayashibe,and C.Azevedo-Coste.Evoked electromyography-based closed-loop torque control in functional electrical stimulation.IEEE Transactions on Biomedical Engineering,60:2299–2307,2013.
[0086] 44.Y.Zigel,D.Litvak,and I.Gannot.A method for automatic fall detection of elderly people using floor vibrations and sound—proof of concept on human mimicking doll falls.IEEE Transactions on Biomedical Engineering,56(12):2858–2867,2009.
[0087] (2)主要方面
[0088] 本发明的各个实施方式包括三个“主要”方面。第一个主要方面是一种用于辅助步态干预和跌倒预防的系统。该系统通常是
计算机系统操作软件的形式或者是“硬编码”指令集的形式。该系统可以结合到提供不同功能的多种装置中。例如并且在各个实施方式中，该系统被结合到具有传感器、执行器和具有本文所描述的特征和功能的各个组件的套装中。第二个主要方面是通常是软件形式并且使用
数据处理系统(计算机)来操作的一种方法。第三个主要方面是一种计算机程序产品。该计算机程序产品通常表示存储在非暂时性计算机可读介质(诸如，光学存储装置(例如，紧凑盘(CD)或者数字多功能光盘(DVD))或者磁存储装置(诸如，
软盘或者磁带))上的计算机可读指令。计算机可读介质的其它非限制性示例包括
硬盘、只读
存储器(ROM)和闪存类型的存储器。这些方面将在下面更详细地描述。
[0089] 图1中提供了示出系统(即，计算机系统110部分)的示例的框图。如上面所描述的并且如下面进一步详细描述的，计算机系统100可以配置为结合到具有传感器和各个组件的套装中并且配置为执行与程序或者算法相关联的计算、处理、操作和/或功能。在一个方面中，本文所论述的某些处理和步骤被实现为驻留在计算机可读存储单元内并且由计算机系统100的一个或者多个处理器执行的一系列指令(例如，软件程序)。当被执行时，指令使得计算机系统100执行特定动作并且呈现特定行为，如在此所描述的。
[0090] 计算机系统100可以包括配置为传输信息的地址/
数据总线102。另外，一个或者更多个数据处理单元(诸如，处理器104(或者多个处理器))与地址/数据总线102联接。处理器104被配置为处理信息和指令。在一个方面中，处理器104是
微处理器。可替代地，处理器104可以是不同类型的处理器，诸如，并行处理器或者现场可编程
门阵列。
[0091] 计算机系统100被配置为利用一个或者多个数据存储单元。计算机系统100可以包括与地址/数据总线102联接的易失性存储器单元106(例如，
随机存取存储器(“RAM”)、静态RAM、动态RAM等)，其中，易失性存储器单元106被配置为存储用于处理器104的信息和指令。计算机系统100可以进一步包括与地址/数据总线102联接的
非易失性存储器单元108(例如，
只读存储器(“ROM”)、可编程ROM(“PROM”)、可擦除可编程ROM(“EPROM”)、电可擦除可编程ROM(“EEPROM”)闪存等)，其中，非易失性存储器单元108被配置为存储用于处理器104的静态信息和指令。可替代地，计算机系统100可以诸如在“
云”计算中执行从在线数据存储单元检索到的指令。在一个方面中，计算机系统100还可以包括与地址/数据总线102联接的一个或者更多个
接口(诸如，接口110)。一个或者更多个接口被配置为使计算机系统100能够与其它
电子装置和计算机系统对接。由一个或者更多个接口实现的
通信接口可以包括有线(例如，串行线缆、
调制解调器、
网络适配器等)和/或无线(例如，无线调制解调器、无线网络适配器等)通信技术。
[0092] 在一个方面中，计算机系统100可以包括与地址/数据总线102联接的输入装置112，其中，输入装置112被配置为将信息和命令选择传输至处理器100。根据一个方面，输入装置112是可以包括字母数字和/或功能键的字母数字输入装置(诸如，
键盘)。可替代地，输入装置112可以是输入装置，而不是字母数字输入装置(或者除了字母数字输入装置之外)，诸如，任何合适的输入装置，诸如，用于语音开始的麦克风和/或传感器套件。在一个方面中，计算机系统100可以包括与地址/数据总线102联接的
光标控制装置114，其中，光标控制装置114被配置为将使用者输入信息和/或命令选择传输至处理器100。在一个方面中，通过使用诸如
鼠标、
跟踪球、跟踪垫、光学跟踪装置或者
触摸屏等装置来实现光标控制装置114。
尽管前述如此，在一个方面中，诸如响应于与输入装置112相关联的特定键和键序列命令的使用，经由来自输入装置112的输入来指导和/或激活光标控制装置114。在一个替代方面中，光标控制装置114被配置为通过语音命令被指导或者引导。
[0093] 在一个方面中，计算机系统100可以进一步包括与地址/数据总线102联接的一个或者更多个可选的计算机可用数据存储装置(诸如，存储装置116)。存储装置116被配置为存储信息和/或计算机可执行指令。在一个方面中，存储装置116是诸如磁盘或者光盘
驱动器(例如，硬盘驱动器(“HDD”)、软盘、光盘只读存储器(“CD-ROM”)、数字多功能盘(“DVD”))等的存储装置。按照一个方面，显示装置118与地址/数据总线102联接，其中，显示装置118被配置为显示视频和/或图形。在一个方面中，显示装置118可以包括
阴极射线管(“CRT”)、
液晶显示器(“LCD”)、场发射显示器(“FED”)、
等离子体显示器、或者适用于显示使用者可识别的视频和/或图形图像和字母数字字符的任何其它显示装置。
[0094] 本文所呈现的计算机系统100是根据一个方面的示例计算环境。然而，计算机系统100的非限制性示例不严格限于计算机系统。例如，一方面提供了计算机系统100表示可以根据本文所描述的各个方面使用的一种类型的数据处理分析。此外，也可以实现其它计算系统。事实上，本技术的精神和范围不限于任何单一数据处理环境。因此，在一个方面中，本技术的多个方面的一个或者更多个操作通过使用由计算机执行的计算机可执行指令(诸如，程序模块)来控制或者实现。在一种实现中，这种程序模块包括被配置为执行特定任务或者实现特定抽象数据类型的例程、程序、对象、组件和/或数据结构。另外，一个方面提供了本技术的一个或者更多个方面通过利用一个或者更多个分布式环境来实现，诸如，在任务由通过通信网络链接的远程处理装置来执行的情况下，或者诸如在各个程序模块位于包括存储器存储装置的本地和远程计算机存储介质二者中的情况下。
[0095] 图2中示出了具体实现本发明的一个方面的计算机程序产品(即，存储装置)的说明性示意图。计算机程序产品被描述为软盘200或者诸如CD或者DVD等的光盘202。然而，如前所述，计算机程序产品通常表示存储在任何可兼容的非暂时性计算机可读介质上的计算机可读指令。针对本发明使用的术语“指令”通常指示要在计算机上执行的一组操作，并且可以表示整个程序的多个
片段或者单独的、可分离的
软件模块。“指令”的非限制性示例包括计算机程序代码(源代码或者目标代码)和“硬编码的”电子器件(即，编码到计算
机芯片中的计算机操作)。“指令”被存储在任何非暂时性计算机可读介质中，诸如，被存储在计算机的存储器中或者被存储在软盘、CD-ROM和闪存驱动器上。在上述任何一种情况下，指令被编码在非暂时性计算机可读介质上。
[0096] (3)介绍
[0097] 本公开提供了一种在预测和预防跌倒的同时增强步态运动学的新方法。如图3所示，利用整合到软的、有弹性的全身套装302中的重量轻的分布式传感器300(例如，多于一百个传感器)，系统能够预测由外在因素(环境因素)304(比如绊倒)和内在因素(生理因素)(诸如平衡和协调)造成的即将发生的跌倒。这些因素中的主要因素是平衡(包括头晕/眩晕)、肌肉协调、和力气。如果预测的跌倒发生，则整合的触觉警告使用者有意识地参与预防跌倒。同时，本发明利用以协同方式增强肌肉激活并且使平衡感最优化的执行器306的互补融合来主动地校正肌肉
不平衡，使步态稳定，并且减轻跌倒的风险，其中，本发明的控制系统指导触觉和电刺激的校正模式。该系统监控紧密反馈环路中的结果，以实时调整参数。控制肌肉激活的功能性电刺激(FES)和控制平衡的前庭电刺激(GVS)的协调是本公开所提供的新的且唯一的概念。
[0098] 现有技术例如通过加速计检测跌倒，并且使用坚硬的承重外骨骼来停止跌倒。可替代地，本文所描述的系统被设计为重量轻的、低功率、软的共形套装。由于外骨骼是令人不舒适的、昂贵的并且在耗尽电量时会阻碍穿戴者的移动性，这就会使其背离现有技术。利用这种笨重的、坚硬的外骨骼，现有技术解决方案可能等待，直到跌倒发生为止，然后检测跌倒并且使用该坚硬的外骨骼来停止跌倒。本文所描述的系统使用准确的早期预测，不检测，并且使用早期减轻以通过肌肉的功能性电刺激(FES)以及控制平衡的前庭电刺激来帮助矫正步态。为了可完全有效地并且符合人体工程学地穿戴，环境和生理感觉和电致动必须是灵活的，并且具有小尺寸、轻重量和低功率，由此，本文所描述的方法随着现有外骨骼的状态而不断改进。可以提供该系统作为可用于顶级运动员或者由年长者、军人或者有跌倒风险的其它人的高价个性化
物理治疗的陪伴物或者替代。
[0099] (4)各个实施方式的具体细节
[0100] 如上所述，本公开提供了一种用于辅助步态干预和跌倒预防的系统。图4提供了描绘系统的各个组件的说明性
流程图。例如，本文所描述的系统包括软套装302。该软套装302是柔软的并且重量轻的(例如，小于四千克)服装或者衣服制品(例如，连体套装、外套、
马甲、裤子等)。软套装302结合多个分布式传感器300和前庭-肌肉Biostim阵列400。传感器300将生物传感器数据401和
环境传感器数据403提供至软件分析模块402。软件分析模块
402在嵌入式处理器(或者无线连接的远程处理器)上运行，以通过使用在基于实时物理学的
模拟器上运行的肌肉骨骼模型414来分析步态(经由步态分析模块404)并且预测跌倒(经由跌倒预测模块406)。肌肉骨骼模型414被离线个性化并且被结合到分析模块402中。将步态状态405和跌倒警告407(即，如果预测到跌倒)两者提供至闭环Biostim控制模块408。该闭环Biostim控制模块408包括Biostim控制器412和计算补偿跌倒风险所需的关节力矩的关节力矩控制器410，并且将闭环控制
信号(即，生物刺激致动416)发送至前庭-肌肉Biostim阵列400。前庭-肌肉Biostim阵列400包括软套装302中的执行器306，该执行器306被激活以提供步态增强和跌倒预防。
[0101] 如图5A的套装系统架构示意图中所示的，利用嵌入式处理500和套装302的板上电源，软套装302系统结合位于头部、身体和脚的多个分布式传感器300和执行器306。这种分布式传感器的非限制性示例包括肌电(EMG)传感器、惯性测量单元(IMU)传感器和地面反作用力(GRF)传感器。进一步地，这种执行器的非限制性示例包括功能性电刺激(FES)执行器、前庭电刺激(GVS)执行器和触觉刺激器。针对另外的具体示例，图5B和图5C提供了描述适用于结合到本文所描述的重量轻并且功率低的软套装中的各个组件的非限制性示例的表格。
[0102] 为了进一步理解，图6图示了处理前端处理器600上的传感器300输入和通过在后端处理器602上实现的控制软件(通过分析模块402和闭环Biostim控制模块408)产生生物刺激致动416所必须的模块以及基本连接。IMU、EMG和GRF传感器是构成将生物力学状态提供至分析模块402的人造前庭和本体感觉系统的示例传感器300。IMU检测惯性特征、关节和肢体运动学、EMG检测肌肉用力、以及GRF检测脚放置期间的压力中心和地面反作用力。将生物刺激致动416提供至执行器306，该执行器306提供生物刺激阵列。
[0103] 执行器306被实现为前庭-肌肉Biostim阵列，该前庭-肌肉Biostim阵列影响三种类型的生物刺激。腰部的触感执行器将警告使用者即将发生的跌倒。这种触感(触觉)执行器的非限制性示例包括在“Activebelt:Belt-type wearable tactile display for directional navigation”(参见第40号参考文献)中所公开的执行器。功能性电刺激(FES)执行器刺激肌肉以产生对使用者的关节力矩的直接控制。多部位前庭电刺激(GVS)执行器增强使用者的前庭感觉以增加姿势稳定性、保持平衡并且抑制肌肉震颤。4
电极GVS系统增强使用者的平衡性以将前庭
感知与从惯性传感器获得的使用者的运动和位置的3
自由度旋
转轴线匹配。该系统可以减轻通常被视为是老年人跌倒的主要原因的前庭感觉损失(参见例如第13号参考文献)。
[0104] 如上所述，套装的前庭-肌肉Biostim阵列执行器由两个关键软件模块(分析模块402和闭环Biostim控制模块408)控制。
控制信号输出基于记录使用者的步态、平衡性和肌肉协调的传感器输入并且来自使用个性化肌肉骨骼模型的预测稳定性。离线调谐一般肌肉骨骼模型以提供准确的个体特定状态估计和预测，生成供分析模块402和控制模块408在线使用的数据集。
[0105] 图6中示出了离线个性化模块604。基于个体上的生理测试结果，逆运动学优化608确定与实验测得的动作最匹配的模型运动学。然后，逆动力学610确定表示实验测量结果的误差(例如，运动和地面反作用力)、动力学、以及模型参数(例如，身体部位长度、体重等)的残余力和力矩(例如，使运动方程平衡所必须的附加广义力)。在总体重和高度与体检值匹配的约束下，通过调整设计变量来最小化这些残余力和力矩，设计变量包括身体部位长度、关节定义、和身体部位的惯性。
[0106] 为了调节肌肉强度参数(例如，最大等速力量等)，个体执行一组等速力量测试(图7中示出了该等速力量的示例，诸如，膝弯曲/伸直等)，并且在刺激606(例如，OpenSim)中通过使用利用上述个体特定惯性更新的肌肉骨架模型来复制各个测试条件。使用测试程序对肌肉骨骼模型进行个性化，以便其随后可以准确地判断与最佳性能的偏差。
[0107] 所计算的肌肉控制(CMC)模块612然后将生成肌肉激活模式，该肌肉激活模式在对抗与该测试条件的等速力量测量结果相关联的力/力矩数据的同时维持等速测试姿势。于2014年9月30日提交的标题为“Method and System for Tuning a Musculoskeletal Model”的美国专利申请No.14/502,478中描述了该程序，该申请的全部内容以引用的方式结合在本文中，如同在本文中充分阐述一样。调整肌肉的最大等速力，然后运行CMC 612，直到最大等速力与个体的实验力量数据相关联为止。
[0108] 如上所述，分析模块402分别使用步态分析模块404和跌倒预防模块406来执行步态分析并且预测跌倒。关于步态分析，分析模块402必须在实时环境中运行；因此，通过使用对肌肉的简化假设来采用OpenSim的类似CMC的控制算法(参见例如第5号、第29号和第30号参考文献)。通过使用坚硬肌
腱假设来执行对肌肉的CMC控制的探索性研究，以将执行CMC计算的速度极大地增加至用于视频游戏的物理引擎的实时性能
水平。假设坚硬肌腱和瞬时激活动态学消除了与传统Hill型模型相关联的一阶微分方程。此外，该方法的快速逆动力学可以直接从运动学状态和状态导数估计肌肉激活和力(参见第4号参考文献)。例如并且如图8所示，步态分析404利用EMG传感器(其生成相关EMG模式800)来评估肌肉激活模式随着时间803的变化，其可能造成跌倒。作为非限制性示例，将针对指示老年人经常发生的疲劳或者拮抗肌的共激活801的模式来监控肌肉之间的协调。具体地，EMG中间功率
频率随着时间降低与疲劳相关联。这种降低可以通过处理原始EMG信号来检测，并且疲劳
阈值可以使用该度量来设置。指示疲劳的另一个度量是
关节角度可变性，该关节角度可变性可以通过处理IMU信号来检测。拮抗肌的共激活类似地可以通过跟踪EMG上的肌肉的激动-拮抗剂对并且识别EMG信号中的同相模式来检测。通过估计什么水平加速给定个人的跌倒，可以利用该系统在训练阶段期间建立这些度量的精确阈值。由在疲劳期间开始展示共激活801的标记的拮抗肌的肌肉活动识别的正确步态的误差触发校正/刺激协议802以通过刺激肌肉(例如，FES刺激804)来校正步态，从而改进激活放电模式。换言之，当模型识别出与针对个人800建立的阈值相关联的EMG(以及IMU)模式中的异常时，闭环Biostim控制模块将确定恢复正常肌肉激活模式的刺激协议802。下面关于图9进一步详细描述用于闭环Biostim的控制协议。可以被激活的示例性肌肉可以包括个体或者人的臀部、大腿、膝盖、小腿和/或脚中的数对肌肉群。
[0109] 除了步态分析之外，通过在反射控制下对下肢肌肉建模来执行低水平姿势稳定性和跌倒
预测分析。跌倒预测模块提前运行更新后的肌肉骨骼模型以查看跌倒风险是否增高。一个实施方式改编第10号和第20号参考文献中展示的牵张反射控制器。该牵张反射控制器取决于静态和动态控制参数以及通用反射增益，并且用于管理对姿势干扰的肌肉响应。通用反射增益调整牵张反射的敏感度，并且结合有长度和速度控制参数以限定随着时间的各种肌肉激发。
[0110] 如上所述，闭环Biostim控制模块408包括两个子模块：Biostim控制器412和关节力矩控制器410(即，实时辅助平衡控制(rtABC)或者平衡控制器)。关节力矩控制器410(也被称为平衡控制)涉及生成补偿以主动增强步态，防止跌倒，并且通过控制多个关节的关节力矩来恢复个体的姿势稳定性。考虑到所要求的补偿，Biostim控制器412计划并且指导将由套装中的前庭-肌肉Biostim阵列应用的对触觉、前庭系统和肌肉的生物刺激的模式。
[0111] 关节力矩控制器410在双足系统的基于力矩的控制下利用现有技术(参见第10号、第47号和第54号参考文献)。为了将基于力矩的控制输入转换为FES模式，系统使用FES来调用基于肌电的闭环力矩控制(参见例如第43号参考文献)。通过使用个体在步态周期期间的关节力矩的估计、(基于感测到的数据和由步态分析子系统执行的逆动力学)、以及EMG，采用力矩控制反馈环路来生成FES输入以实现期望互补关节力矩。除了FES之外，还将互补刺激输入GVS整合以使用除了肌肉骨骼输入之外的前庭觉来主动稳定个体。参见图6的相关连接的
概念图。
[0112] 为了进一步理解，图9描绘了闭环Biostim控制模块的高级控制系统。示意图示出了使用GVS控制器900(以激活GVS)的协调平衡和使用FES控制器902(以激活FES)的肌肉激活。
[0113] 在图9所描绘的实施方式中，平衡性由并行运行的两个独立但是互补的处理控制；一个处理涉及到肌肉骨骼系统906中的FES控制输入904，并且另一个处理涉及到前庭系统
910中的GVS控制输入908。FES控制输入904直接修改肌肉动作，并且GVS控制输入908修改前庭感知，从而允许身体本身的运动控制系统修改肌肉动作。
[0114] 在FES的情况下，将期望关节角度、速度和加速度(全部与稳定步态相关联)与由惯性感测框912测量的个体的实际值进行比较。例如，在腿摆动阶段期间(诸如，在开始时、在摆动内的中间位置处、或者接近摆动终止)可以采取针对上述变量的测量。可能是测量点的其它阶段可以包括腿并步(plant)阶段。可以在大步走、站立或者坐下阶段期间采取测量。测量也可以由多组变量表征。例如，可以采取处于个体腿部的最大或者最小摆动角(两条腿的角分离)处时的肌肉输出、肢体速度或者肢体加速度的测量。
[0115] 将稳定步态所必须的期望关节值与实际值之间的误差输入到平衡控制器914中，该平衡控制器914确定补偿误差和维持稳定步态所需的期望总关节力矩。由步态分析框916使用惯性感测数据估计的期望关节力矩与实际关节力矩之间的差将输入提供至FES控制器902。基于关节力矩误差，FES控制器902确定补偿由肌肉生成的实际力矩所要求的对肌肉的刺激模式和水平，以便可以实现期望总力矩。该目标刺激导致FES增强的肌肉骨骼状态，当控制环路继续执行时，该FES增强的肌肉骨骼状态由惯性感测912系统连续监控。
[0116] GVS补偿模块918并行运行以提供附加补偿输入；该时间针对除了肌肉骨骼系统906之外的前庭系统910。当惯性感测框912测量出平衡性下降(通过身体的姿势角度来测量)时，将信号发送至GVS控制器900，该GVS控制器900确定校正刺激的模式和水平以提供至前庭系统910。例如，如果个体的姿势逐渐向前倾斜，则GVS控制器900将信号发送至前庭系统910以放大他/她正在向前倒下的个体的前庭感知。个体本身的姿势控制系统然后将通过校正肌肉激活来校正姿势退化。GVS控制器900可以激活的示例性角度可以大于远离垂直方向20度、30度、40度、50度或者60度。
[0117] 总之，套装系统发明将多个传感器和致动器整合成共形的、重量轻的(小于4kg)软套装，其具有低功率要求(当不考虑再生功率
鞋垫或者其它发
电机时小于12W)。在FES将矫正更长期的步态问题的同时，GVS将基于低延迟传感器来提高用于短期跌倒减轻的平衡性(参见图4)。触觉警告将反馈提供至用户以校正平衡性和步态方面的
缺陷。
[0118] 最后，虽然已经根据多个实施方式描述了本发明，但是本领域的普通技术人员将容易认识到，本发明在其它环境中可以具有其它应用。应该注意，许多实施方式和实现是可能的。进一步地，所附权利要求书并不旨在将本发明的范围限于上文所描述的具体实施方式。另外，任何表述“用于…的装置”旨在引起元件和权利要求的装置加功能阅读，而未明确使用表述“用于…的装置”的任何元件不旨在被当作装置加功能元件，即使权利要求书另外包括单词“装置”。进一步地，虽然已经以特定顺序执行了特定方法步骤，但是方法步骤可以按照任何期望次序发生并且在本发明的范围内。
