CN109843371A - 包括用于用户的支撑系统的设备及其在重力辅助模式下的操作 - Google Patents

Abstract

本申请涉及用于康复运动系统(例如：肢体)的器件和系统。特别地，本申请公开了一种设备，更具体地是一种能够优化与重力相关的躯干运动的机器人平台，能够让具有脊髓损伤和中风的无法走动的个体进行地上运动，同时通过电脊髓刺激促进在步态康复期间提供持久的运动改善。

Description

包括用于用户的支撑系统的设备及其在重力辅助模式下的 操作

本申请涉及运动控制和医学工程领域，并且在一些示例中涉及用于康复具有神经疾病的受试者的器件、方法和/或系统，例如包括肢体的运动系统的康复。在一个示例中，本申请公开了一种设备，更具体地是能够优化与重力相关的躯干运动的机器人平台，能够让无法走动的具有脊髓损伤和中风的个体进行地上运动，同时通过电脊髓刺激促进在步态康复期间提供持久的运动改善。

背景技术

神经疾病后的步态恢复需要重新掌握身体力学和重力之间的相互作用。尽管与重力相关的步态交互作用和积极参与对于促进这种学习的重要性，步态康复的这些基本要素相对较少受到关注。

陆上运动本质上取决于地球质量所产生的重力场(1)。当重力在每一步挑战平衡时，作用在身体力学上的重力能够产生推动身体向前的地面反作用力(2,3)。人类的双足姿势加剧了重力对步态和平衡的影响(3-6)。类似于倒立的摆锤，由于质心的位置升高，人体向上提升且高于直挺站立的腿(6)，同时对侧腿进行近弹道振荡(near-ballisticoscillation)(7)。这种摆锤机制使能量消耗最小化(2,6,8)。在早期姿势期间，动能转化为势能，当身体在姿势的后半部分(2,3,5)向前和向下下降时，势能部分恢复。

倒立摆锤式行为其表面上的简单性消除了复杂的神经控制机制(9,10)，其需要几年的神经发育才能变得成熟(11)。然而，由脊髓损伤(spinal cord injury,SCI)和中风等神经损伤引起的运动损伤强调了人类步态的不稳定性及其神经控制的复杂性。

神经损伤的个体必须利用残余的神经回路来恢复力量、精度和平衡，以便重新掌握身体力学和重力之间的微妙相互作用(图1A)。部分体重支持的步态治疗是促进和加强这一过程的最常见的医疗实践(12,13)。为此，机器人工程开发了各种体重支撑系统，其使外部约束适于补偿降低的内在运动能力。通常，这些系统集成了被动弹簧、配重机构或力控制设备，其在踩踏在跑步机上时在对抗重力的方向上传递躯干支撑。这些方法存在几个缺点。首先，连续的跑步机带运动决定了运动动作的速度，给表现出不同步态模式的神经损伤个体带来了挑战性的条件(14)。其次，跑步机限制的环境明显不同于日常生活所依赖的丰富的自然运动活动。特定任务的康复对于最大限度地恢复步态至关重要(15,16)。第三，垂直限制的躯干支撑产生不期望的前后和侧向力，其阻碍步态的执行(17,18)。然而，倒立摆锤式步态运动的恢复需要在多个方向上进行精细调整的躯干运动(4,19)。

发明人先前为用户开发了机器人姿势神经假体，其有效地解决了这些问题(20)。机器人平台提供沿四个自由度的多功能躯干支撑，同时用户可在大型工作空间内自由前进。这种姿势神经假体能够在具有中度SCI和中风的啮齿动物中进行熟练的运动(20-22)。该机器人还鼓励在步态康复期间积极参与，这在具有严重脊髓损伤的受试者中，对于促进活动依赖性神经可塑性和与腰椎硬膜外电刺激结合的运动恢复起着关键作用(21,23)。

为了建立类似的用于人类的步态康复平台，发明人开发了(24)机器人系统，其允许沿三个自由度微调施加到躯干上的力。在四足动物模型中测试机器人系统带来了进一步的问题。大鼠的四足姿势使躯干支撑对动态平衡的机械影响最小化。相对而言，在人类的双足姿势中向躯干施加力可能会施加额外的和特定的约束。实际上，我们发现向上力的施加改变了倒立摆锤式的步态行为。

总体来说，需要进一步开发以将该神经假体康复框架转化为增强具有SCI和其他神经障碍的个体的运动恢复的治疗。

此外，还需要提供一种用于优化步态康复的机器人系统，其考虑到人类的双足姿势的特殊问题。

具有运动障碍的个体需要符合个人需求的量的向上力来补偿其特定的损伤。目前，治疗师从经验观察中选择这种支持。非常需要能够根据单个用户或用户的特定需求调整其工作条件的机器人系统。

总体目标是支持用户，使得用户学习步行和/或其他活动(例如，从坐到站或站到坐等)中所涉及的动态。尽管提供了支持，但是可以通过向用户提供与正常步行或其他活动类似的动态来实现该目标。

当仅提供恒定的垂直卸载力时(这是常规程序)，步行任务的动态变化，例如步态/步幅频率随着卸载而减小。随着的人类学习是不尽理想的。因此，必须调整所有方向的支撑力以恢复正常的行走动态。为了恢复这些动态，不希望对用户施加某种动作。相对而言，用户的力量应该作为任务的代表，同时用户可以选择自己的步行轨迹。

用于正常步行步态的示例性措施是：

-步行/步幅频率。

-质心运动的幅度。

-前进速度，包括整个步态周期的波动。

-质心运动的垂直和水平振荡之间的相移。

可能的进一步目标可以是腿或躯干的更具体的振幅、相位和模式，例如：躯干旋转。

发明内容

本申请公开了一种机器人平台，其协助躯干运动，以便在大而安全的环境中，在高度参与性运动期间或其他相关任务期间优化与重力相关的步态相互作用。算法根据用户特异性需求(患者特异性需求)自动配置施加到躯干的单向或多向力。发明人的实验显示，这种重力辅助使得无法走动的具有脊髓损伤和中风的个体能够自然行走，并且允许受损较少的个体执行他们在没有机器人辅助的情况下不能执行的熟练的运动。令人惊讶的是，使用重力辅助的单一地上训练课程改善了运动表现，而在跑步机上行走相同的距离并没有改善步态。本申请对于具有慢性脊髓损伤的无法走动的个体的步态康复计划也是有效的。为了在训练期间实现运动控制，我们使用手术放置的电极阵列在腰脊髓上施加硬膜外电刺激。这种干预在没有机器人辅助且没有刺激的情况下恢复了行走。这些结果突显了精确的躯干辅助和积极参与以增强运动恢复来应对神经疾病后的步态康复的重要性，并建立了将这些概念应用于临床常规的实用途径。

在前文中，使用以下定义。当人在其自己的右手身体框架(与人一起旋转)中向前(x)、横向向左(y)和向上(z)移动时，x、y和z方向上的速度是正的。

对于一些实施方式，用户被建模为点质量m。

牛顿第二定律指出：[d²x/dt²；d²y/dt²；d²z/dt²]＝[Fx；Fy；Fz]/m＝F/m，其中d²x/dt²、d²y/dt²和d²z/dt²分别是前-后、中间-侧向和垂直方向的加速度，Fx、Fy、Fz是作用于人的净力矢量F的组成部分。

我们将用户的卸载量定义为Δm(因此这是由垂直力补偿的用户质量的一部分)。

用户上的力的总和等于重力F_g加上人的力F_p(主要由腿产生)加上机器人器件的支撑力F_sup：

F＝F_g+F_p+F_sup

传统的体重支撑仅部分地补偿重力：

F_sup＝[F_xsup；F_ysup；F_zsup]＝[0；0；Δm·g]

这调节了行走的一个方面，因此水平力和垂直力的变化与用户必须输送的垂直力不成比例。换句话说：重量得到补偿，但质量m的惯性仍然存在。在H.Vallery；Duschau-Wicke,A.&Riener,R.Hiding Robot Inertia Using Resonance Proceedings oftheInternational Conference ofthe IEEE Engineering in Medicine andBiologySociety(EMBC),2010,1271-1274中讨论了机器人器件的隐藏惯性的问题。然而，在现有技术中仍然没有解决补偿用户体重惯性影响的问题，本申请提供了一种解决方案。

在本申请的某些方面，用户是需要恢复自主控制运动的受试者，特别是遭受神经疾病和神经运动障碍的受试者。

本申请的一个目的是一种设备，包括用于用户(特别是人类用户)的支撑系统，所述设备包括用于所述支撑系统的致动器和/或控制器，所述设备和/或致动器和/或控制器包括：

a.用于根据以下各个等式对所述用户施加z方向力F_zsup、x方向力F_xsup和y方向力F_ysup或其任何组合中的一个或多个的装置：

F_zsup＝Fz(x,dx/dt,y,dy/dt,z,dz/dt)和；

F_xsup＝Fx(x,dx/dt,y,dy/dt,z,dz/dt)；

F_ysup＝Fy(x,dx/dt,y,dy/dt,z,dz/dt)；

其中

F_xsup是向前向施加的力，

F_ysup是向横向施加的力

F_zsup是向上方施加的力；

x、y和z是坐标系中质心的前向、横向和垂直坐标位置，该坐标系固定到站立脚并随人旋转，并且dx/dt、dy/dt、dz/dt是相对于时间的导数。

b.可选地，用于对所述用户施加进一步的力的装置。

在本申请的某些实施方式中，在所述设备中，所述装置根据以下等式施加所述向上力F_zsup：

F_zsup＝c_z·(z₀-z)+Δm·g

其中

c_z是刚度；

z是所述受试者的质心的垂直位置，并且近似/定义为z＝A_z·sin(ω·t)，

其中A是所述质心运动的幅度，ω是步行频率；

z₀是平均或标称行走高度；

Δm是由所述向上力补偿的所述用户的质量的一部分；

g是重力加速度；

F_xsup和F_ysup是空值。

并且其中选择刚度c_z使得所述用户以自然行走的频率行走。特别地，

这可以通过根据公式c_z＝ω²Δm计算c_z来实现。

在本申请的某些实施方式中，在所述设备中，所述装置所施加的所述前向力F_xsup是根据以下等式计算：

F_xsup＝c_xs·sin(a_z·dz/dt)对于z≤z₀，

F_xsup＝0对于z>z₀，

其中

a_z和c_xs是正常数；

dz/dt是速度

z₀是平均或标称行走高度；

或根据以下等式：

F_xsup＝F_xsup(x)

或特别地

F_xsup＝-c_x·x；

其中c_x是正常数

x是质心相对于站立脚x位置的x位置

或根据以下等式：

F_xsup＝F_xsup(z,dz/dt)

根据本申请，取决于一些其他状态，取决于设备的工作条件以及用户如何利用它，这两个下列的等式可以独立地或交替地使用。这种状态可以由技术人员验证。可以不断调整x方向上的支撑以适应人的步进。

在本申请的某些实施方式中，在所述设备中，所述设备根据以下等式施加所述横向力F_ysup：

F_ysup＝c_y·y，

其中c_y是正或负刚度。

在本申请的某些实施方式中，在所述设备中，所述控制器是被动的。例如，这可以通过根据以下等式施加所述向上力来实现：

F_zsup＝F_zsup(F_xsup,dx/dt,dz/dt)；

因此F_zsup满足以下不等式限制：

F_zsup<-F_xsup(dx/dt)/(dz/dt)；

或者所述前向力使得可以插入的最大能量低于或等于特定的虚拟能量储存器，这尤其可以使用以下等式：

F_xsup＝{F_xsup(z,dz/dt)对于dz/dt<0和z<z₀

{F_xsup(x)对于dz/dt>0和z<z₀

{0对于z>z₀

在本申请的某些实施方式中，如上所述的另一种方式是另一自由度是根据以下等式施加向上的力：

F_xsup＝c_x sin(a_z·dz/dt)，其中z<z₀；

为了确保被动性，控制器需要持续追踪插入的能量并且一旦预先指定的虚拟能量储存器为空就将F_xsup设置为零。

在本申请的某些实施方式中，所述设备还包括用于测量所述用户的足底压力中心的平均前-后位置的偏移的装置和用于向所述用户施加前向力以补偿所述偏移的装置。

在本申请的某些实施方式中，所述设备还包括：

a.用于将所述设备设置为透通模式的装置；

b.用于计算由所述用户执行的运动任务的运动学记录的参数的装置，以获得数据集且可选地存储数据集；

c.使用主成分(PC)分析来阐释所述数据集的装置。

在本申请的某些实施方式中，在所述设备中，所述用于测量所述用户的足底压力中心的平均前-后位置的偏移的装置和用于向所述用户施加前向力以便补偿所述偏移的装置使用人工神经网络。

在本申请的某些实施方式中，所述设备设有记录平台，用于实时获取设备-用户交互作用。

得力于本文公开的控制器，根据本申请的设备及其操作的相关方法适用于每个可用的设备和应用。例如，它也很好的适用于跑步机上的1D体重支撑系统。得力于x、y、z方向的控制，本申请可以在3D体重支撑、可穿戴外骨骼等中得到很好的利用。

在本申请的某些实施方式中，所述设备是选自由线缆机器人、躯干支撑、外骨胳、可穿戴外骨胳和外衣组成的组。

在本申请的某些实施方式中，所述设备还包括用于硬膜外或硬膜下电刺激的器件。

在本申请的某些实施方式中，所述设备还包括用于对所述用户施加进一步的力的装置c)，例如治疗师或用户本身。

本申请的另一个目的是用于恢复受试者的自主控制的上述设备，特别是遭受神经运动损伤的受试者。更特别地，所述神经运动损伤选自肢体部分或全部麻痹。例如，神经运动损伤是由脊髓损伤、由中风引起的缺血性损伤、神经变性疾病、肌萎缩性脊髓侧索硬化症(Amyotrophic Lateral Sclerosis,ALS)或多发性硬化症引起的。

本申请的另一个目的是一种用于操作设备的方法，特别是用于控制运动的方法，包括用于用户(特别是人类用户)的支撑系统，所述设备包括用于所述支撑系统的控制器，其中，用户连接到所述设备，包括以下步骤：

a.设置所述设备，以根据以下各个等式对所述用户施加z方向力F_zsup、

x方向力F_xsup和y方向力F_ysup或其任意组合中的一个或多个：

F_xsup＝Fx(x,dx/dt,y,dy/dt,z,dz/dt)；

F_ysup＝Fy(x,dx/dt,y,dy/dt,z,dz/dt)；

F_zsup＝Fz(x,dx/dt,y,dy/dt,z,dz/dt)；

其中所有定义如上提供。

在某些实施方式中，在所述方法中，根据以下等式施加所述向上力F_zsup：

F_zsup＝c_z(z₀-z)+Δm·g，

其中所有定义如上提供。

F_xsup和F_ysup是空值。

在某些实施方式中，在所述方法中，所述前向力F_xsup根据以下等式施加，具有正常数a_z：

F_xsup＝c_x·sin(a_z·dz/dt)对于z<z₀，

F_xsup＝0对于z>z₀

其中所有定义如上提供；

或根据下列等式：

F_xsup＝{F_xsup(z,dz/dt)

{F_xsup(x)

根据本申请，如上所述，它可以是这两个等式中的任一个，或者这两个等式取决于一些其他状态而交替。无论如何，必须不断地调整x方向上的支撑以适应人的步伐。

在某些实施方式中，在所述方法中，根据以下等式施加所述横向力F_ysup：F_ysup＝c_y·y。

其中所有定义如上提供。

在某些实施方式中，所述方法包括以下步骤：

a.设置所述设备，以对处于静态站立的受试者施加向上的力；

b.测量所述受试者的姿势维持的所述受试者的足底压力中心的平均前-后位置的偏移；

c.设置所述设备，以向所述受试者施加前向力以补偿所述偏移。

在某些实施方式中，所述方法包括以下步骤：

a.将设备设置为透通模式；

b.使所述受试者进行运动任务；

c.计算来自所述运动任务的运动记录的参数以获得数据集；

d.将所述数据集提交给主成分(PC)分析，以提供所述受试者的运动表现的量化，并提取考虑实验条件对所述受试者的运动表现的影响的参数；

e.设置所述设备以对处于静态站立的受试者施加向上的力；

f.测量所述受试者的姿势维持的所述受试者的足底压力中心的平均前-后位置的偏移；

g.设置所述设备，以向所述受试者施加前向力以补偿所述偏移。

在某些实施方式中，所述方法包括以下步骤：

a.将所述设备设置为透通模式，其中第一或第二受试者处于站立姿势，其中所述第一受试者是正常受试者，并且所述第二受试者是需要恢复自主控制运动的受试者；

b.在所述第一受试者的最大可能的向上力范围内记录全身运动学、地面反作用力和踝肌活动，以获得第一数据集；

c.在所述第二受试者的最大可能的向上力范围内记录全身运动学、地面反作用力和踝肌活动，以获得第二数据集；

d.对所述第一和第二数据集应用主成分分析，并确定在主成分空间中所述第二受试者与所述第一健康受试者之间具最小距离的情况下的向上力；

e.设置所述设备，以对处于静态站立的所述第二受试者施加向上力；

f.测量所述第一受试者和所述第二受试者之间的足底压力中心的平均前-后位置的偏移；

g.设置所述设备，以向所述第二受试者施加前向力以补偿所述偏移。

在某些实施方式中，使用人工神经网络进行步骤d)。

在某些实施方式中，进行步骤g)，以将所述前向力设定为所述第二受试者的步行速度的函数。

本申请的另一个目的是一种用于执行上述方法的计算机程序。

本申请的另一个目的是一种具有上述计算机程序的数据介质。

本申请的另一个目的是一种计算机系统，其上载有上述计算机程序。

本申请的另一个目的是上述设备可操作地连接到所述计算机系统。

优选地，上述方法步骤通过算法以自动方式执行。例如，对所述第一和第二数据集应用主成分分析并且确定向上力，其以主要成分空间中具有需要恢复自主控制的所述受试者与所述健康受试者之间的最小距离作为条件，是使用人工神经网络来执行的。

现在将通过附图和示例详细公开本申请。

请注意，本文所讨论的任何问题或问题或缺点和优点均由发明人认识到，并且不承认这些在本领域中是已知的。

在附图中：

图1：重力辅助的概念和技术框架。(A)力量103、精度104和平衡105的组合对于在地球106的重力环境中行走是必要的(a)。神经缺陷导致这些内在运动控制能力109(包括力量、精度和平衡)与外部约束之间的间隙107，这妨碍了独立行走(b)。重力辅助110旨在通过使外部约束适应患者特异性残余运动控制能力来减小该间隙107(c)。(B)机器人支撑系统115的示意图和照片，包括致动和被动(旋转)自由度116的方向。曲线117表示在机器人涵盖的整个工作空间118内的健康受试者(例如115)的自由运动期间的质心(centor ofmass,CoM)的空间轨迹和瞬时速度。受试者180可以通过一个或多个线缆186经由附接到多个轨道184的挽具182耦合到支撑系统。照片序列120(1到4)示出了在行走期间中，从跌倒恢复。(C)向上、向内外侧和向前施加在躯干上的力量可以独立调节。箭头表示力的方向。实际力由嵌入机器人中的传感器测量，但表示为受试者总体重的百分比126以便于阅读。同时记录全身运动学127、腿部肌肉活动的肌电图(electromyographic,EMG)128和地面反作用力(groundreaction forces,GRF)129。在一些示例中，可以通过策略性地放置在受试者上的传感器或标记160记录运动活动(例如127)。示出了步态序列130，在步态序列130期间，向上力131及随后增加的前向力132在步行期间被施加到健康受试者。从上到下示出：期望力135、测量力136、左腿138和右腿139的站立持续时间137、腿关节角度140的变化、肌肉活动141、当踩到力板上时GRF 142的垂直分量和施加力的时间。在底部示出了在运动的站立(暗色)和摆动(浅色)阶段期间头部144、躯干145和腿部146运动的相应的棒图分解143(速率，12ms)。实线和虚线分别区分右腿和左腿。灰色阴影147表示向上和前向力的开始和结束。

图2：站立和行走期间向上和前向力之间的相互作用。(A)身体201的示意图，包括CoM 202，姿势取向(β)203和足部压力中心(center of foot pressure,CoP)204。显示在站立时CoP相对于脚的平均位置，其具有透通(transparent,Transp)支持205、仅向上力206以及向上和前向力207。显示来自踝伸肌(比目鱼肌(soleus,Sol)；内侧腓肠肌(medialgastrocneemius,MG)和踝屈肌(胫骨前肌(tibialis anterior,TA))的EMG 128活动的伴随序列。该图表示每种条件下CoP的连续210和平均211(彩色圆圈)位置。X轴215指的是穿过踝部的轴，而Y轴217指的是脚之间的中线。(B)使用与图1中相同的条件来描绘全身运动的图表分解。显示作用于踝关节和膝关节(股外侧肌(vastus lateralis,VL)；股二头肌(bicepsfemoris,BF))的伸肌(extensor,ext)和屈肌(flexor,flex)的EMG活动128，以及显示这些肌肉在多步(n＝10)中的平均活动的热图220。站立218表示为实线，而摆动219表示为不存在实线。针对每种情况示出了矢状平面中的CoM的轨迹221。条形图222表示动能(ΔEkin)270和重力势能(ΔEpot)271的相关变化。(C)在(A)中所示的条件下站立期间的平均姿势取向203。(D)由PC1和PC2创建的空间(％，解释变异)中显示的一个受试者的步态运动学。每个颜色编码的点对应于单个步态周期，而圆圈表示每个条件的平均值。***p<0.001，**p<0.01，*p<0.05，Mann-WhitneyU测试。向上力的条件(透通，20％、30％、40％、50％、60％)分别标记为225-230。包括每个条件的平均值的相关联的圆圈分别表示为225a，226a，227a，228a，229a，230a。类似地，前向力的条件(透通，向上60％/向前8％，向上60％/向前5％，向上60％/向前2％，向上60％)分别标记为231-235。包括每个条件的平均值的相关联的圆圈分别表示为231a、232a、233a、234a和235a。(E)在没有前向力的情况下，向上力和步行速度之间的关系，以及当施加校正246时，示出较大的向上力(245)。透通、20％、30％、40％、50％和60％向上的力由数字240-245表示。基本步态特征的相对恢复计算为恢复率250，并且在5个健康受试者的图中表示。***p<0.001，**p<0.01，配对的学生t测试。数据是平均值+/-s.e.m.(n如图所示)

图3：预测重力辅助的符合个人需求的最佳向上力的算法(A)对于具有SCI的无法走动个体，在向上力(例如131)为具5％的增量的体重支持的25％至60％的范围内的站立其间的全身运动/运动学(例如127)的代表性棒图分解、连续CoP轨迹(例如210)和踝肌的EMG活动(例如128)。(B)总结收集和处理应用PCA的个体数据的方案。(C)示出了在(A)中示出的参与者310的数据与由PC1和PC2定义的空间中的健康受试者之间的向上力(例如131)和欧几里德距离305之间的关系的图。个体试验306和平均值307分别由带有S.D.条的灰点和圆圈表示。将抛物线拟合308应用于数据以突显最小值的出现，其被标记为最佳309。(D)将测量的变量(例如127、129)(n＝12)馈送到人工神经网络315中，其计算体重支撑317(Δ，体重％的向上力)的校正以便于步态执行。颜色图318示出了导致选择最小化错误的神经元数量和学习规则的迭代过程。(E)实验测量的用于促进运动的向上力的最佳校正(例如309)(PCA)与神经网络的相应预测(例如317)之间的关系。每个点对应于对训练或测试数据集有贡献的SCI或中风的受试者的向上力的给定条件。直方图报告在人工神经网络计算的校正预测中误差的发生率。

图4：确定运动最佳前向力校正的决策图。(A)被动助行器模型401的示意图。简而言之，使用模型401模拟倒立摆锤式步态行为402，其中重力足以促进肢体403a、403b的连续交替振荡。因此，模型的固有机械性能决定了行走速度。模型的优化参数包括弹簧刚度450、阻尼452和冲击角454。模型的测试条件可包括向上(例如131)和向前(例如132)力。如在人类受试者中观察到的，向上力的施加显着降低了步行速度、步长和能量交换。(B)输出和使用模型的实验的图示。CoM 405的计算轨迹在没有支撑407的情况下示出，具有向上的力409(浅灰色)，以及具有向上力和前向力411(深灰色)。条形图显示了每种条件下的步行速度、步长和重力势能(ΔEpot)的变化。(C)在施加对应于体重的50％的向上力(例如131)的同时，在整个前向力范围内步长、步行速度和重力势能(ΔEpot)的变化。直方图420报告与每个前向力相关联的恢复率(例如250)，其是根据上述3个参数(步长、步行速度、(ΔEpot))计算的。提取最高恢复率，标记为最佳前向力425，并在曲线430中报告，该曲线430指示在由模型的机械特性确定的速度下的每个向上力(例如131)的最佳前向力(例如425)。(D)报告向上力(例如131)、最佳前向力(例如425)和步行速度之间的关系的3D图表。每个数据点对应于在模拟435和具有SCI或中风的受试者436中测量的值。为了包括来自具有不同生物特性的受试者的数据，速度表示为弗劳德数437，其考虑到摆的长度以标准化步行速度。通过模拟(例如435)和实验(例如436)数据点拟合多项式函数440。

图5：为具有SCI或中风的个体配置重力辅助的算法的准确性。(A)在具有3级向上力(例如131)的具有SCI的受试者571在站立期间中记录的棒图分解(例如143)、CoP轨迹(例如210)和肌肉活动(例如128)。更具体地说，三个力水平表示为550a(向上30％和向前3％)、550b(向上40％和向前4％)，以及550c(向上50％和向前5％)。人工神经网络(例如315)对于每个向上的力条件，独立地计算向上力的必要校正(例如，最佳向上力309)，以促进该特定受试者的步态执行。(B)运动期间中的步行者的全身运动的棒图分解(例如143)。针对每个条件报告从踝肌记录的EMG活动的代表性序列(例如128)，以及每条腿的站立持续时间(例如218)(灰色条)。针对每个条件示出了脚轨迹505。针对每个条件示出向上力(例如131)和前向力(例如132)。(C)在向上(例如131)和向前(例如132)力的每个条件下CoM(例如405)的空间轨迹，包括相关的ΔEkin(例如270)和ΔEpot(例如271)，其反映了步态的功效。(D)将PCA应用于(A-C)中所示的受试者和健康个体(n＝8)的所有步态周期测量的运动学(例如127)变量。条件与图2中的相同。更具体地，示出了三个力水平(550a-c)。还示出了健康个体。(E)报告具有SCI或中风的个体受试者的运动表现的图，其具有重力辅助(gravity-assist,GA)和加(550c)和减(550a)10％的向上力(例如131)。在由PC1和PC2定义的空间中，以受试者560和健康个体565的步态周期之间的欧几里德距离(例如305)来测量运动表现。***p<0.001，重复测量双向ANOVA。数据是平均值+/-s.e.m.(n如图所示)。

图6：重力辅助以促进脊髓损伤和中风后的运动的表现。在没有机器人辅助及具有重力辅助的情况下，在运动期间记录两个族群的个体，其具有(A)各种严重SCI，以及(B)各种严重程度的中风。如有必要，允许受试者使用他们喜欢的辅助器件，这将其分为四类：无法走动、拐杖，助行器、无。将PCA应用于从SCI或中风的所有受试者和健康个体的所有步态周期测量的所有运动学变量(例如127)。在PC1和PC2创建的空间中报告单个步态周期605以及每个条件的平均值(具有黑色直径的圆圈)。条件与图5中的相同。对于每个受试者，箭头610指示在具有重力辅助的情况下的运动期间，PC空间中的步态周期的平均位置的偏移。示出了健康个体620，在个体没有辅助625和个体具有重力辅助630的情况下的平均值。虽然在没有辅助625及具有重力辅助630的情况下仅标记一个偏移，但是可以理解，在所示的每种情况下，箭头610指向如图所示的重力辅助630。在图6A的附近图表640a和图6B的图表640b中量化了运动性能的这种偏移，对于每个受试者，示出了两个条件(没有辅助625和重力辅助630)中的步态周期相对于健康的个体620的步态周期的相对位置。水平条645？以每个类别的受试者的变化百分比报告这些改进。每个受试者独立报告两种条件之间的统计学差异。***p<0.001，**p<0.01，*p<0.05，n.s.非显着的，MannWhitney U-测试。在没有机器人辅助及具有重力辅助的情况下，对于(C)SCI和(D)中风严重性的每个类别中的代表性受试者的运动期间全身运动(和辅助器件)的代表性棒图分解。对于(C)和(D)，为了清楚起见，一次性示出没有辅助625，为了清楚起见，一次性示出了重力辅助630，并且为了清楚起见示出了神经网络(例如315)。数据是平均值+/-s.e.m.(n如图所示)。

图7：具有重力辅助的情况下的地上的步态康复与具有向上支撑的情况下的跑步机上的对比。(A)实验设计。实验设计包括地上课程705和跑步机课程710。地上课程705包括在没有机器人辅助的情况下的前期地上课程715，随后是具有机器人辅助的情况下的地上课程718(例如向上力131和前向力132)。在地上课程718之后，在没有机器人辅助的情况下进行后期地上课程720。跑步机课程710包括前期跑步机课程725，然后是具有机器人辅助(例如向上力131)的情况下的跑步机训练730。在跑步机训练730之后，在没有机器人辅助的情况下进行后期跑步机地上训练735。地上课程705包括地上热身课程740，并且跑步机课程710包括跑步机热身课程745。(B)在每个训练课程之前和之后受试者SCI_HCU的全身运动的棒图分解。(B)在整个课程的过程中，对于受试者SCI_HCU的每个连续步态周期报告双站立持续时间750和步态速度755的图。颜色编码是指(A)中详述的实验设计。(C)每个步态周期的脚仰角760相对于重力方向(插图)的相关矩阵。使用(A)中详述的颜色编码指示记录时间窗口。附近矩形中的白色765和灰色770区域表示在对比时间窗口期间记录的步态周期之间的统计差异。KruskalWallis与Tukey-Kramer后测试。(D)全身运动的代表性的棒图(例如143)分解，包括在没有机器人辅助的情况下在地上记录的拐杖775。使用图5中描述的基于PCA的方法评估运动表现。Mann-Whitney U测试。(E)报告具有重力辅助的情况下的地上训练在训练前后以及在一周后进行限制在跑步机的训练的训练前后的各个受试者的运动表现的图。Mann-Whitney U测试。条件与图5中的相同。***p<0.001，**p<0.01，*p<0.05，n.s.不显着。数据是平均值+/-s.e.m.(n如图所示)。

图8：通过电脊髓刺激实现具有重力辅助的情况下的步态康复。(A)参与者的临床特征。颈脊髓805的磁共振成像(MRI)，包括病变区域上的放大区810。(B)在左侧830和右侧835腿的膝盖820和脚踝825处产生的朝向伸展和弯曲的最大等长扭矩815，同时处于在每个关节处具有90度角的坐姿。(C)手术植入的硬膜外植入阵列845的MRI 840，包括每个刺激部位的阴极850(+)和阳极855(-)配置的方案。对于#1857和#2858部位，刺激器的情况是用作阳极。对于每个刺激部位，通过将在腿部的每个关节处的腿部肌肉中测量的运动反应的标准化幅度投影到腰骶脊髓中的运动神经元的已知位置来计算脊柱节段的激活。腿部肌肉的相对激活以颜色编码方案显示。(D)步态康复计划的实验设计。实验设计包括在功能映射864之前的脊髓损伤860和刺激测试866之间的持续时间862(例如1年)。这种功能映射和刺激测试可以在前期训练阶段868中进行。在预训练阶段之后，步态康复阶段870对于大部分步态康复阶段具有刺激开872，然后进行刺激关874。步态康复阶段可以被理解为包括在跑步机上训练并且在具有重力辅助的情况下在地上训练大约3个月，然而在一些示例中，所述期间可以更短或更长。在步态康复阶段870期间，可以存在周期性重力辅助更新876，其中重新检查目标重力辅助力(例如向上力、横向力、前向力等)。详细的步态评估878可以在前期训练阶段868期间进行，并且在早期880、中期882、晚期884和后期886训练阶段进行实验操作。在一些示例中，训练后阶段886可以包括大约10个月，但是在其他示例中可以大于或小于10个月。(E)全身运动的棒图分解(例如1423)，以及在每个小组上方所示的实验条件下，在整个步态康复计划中记录的运动期间，左侧腿888和右侧腿889的矢状平面中的腿部振动(例如，站立218和摆动219)以及膝盖肌肉的EMG活动(例如128)。条件与图5中的相同。如上面(D)中所示，在预训练阶段和步态康复计划的后期阶段，模拟是关闭的。在早期和中期阶段，模拟是开启的。此外，在后期阶段884期间，首先关闭模拟，同时继续重力辅助(例如向前和向上的力)874。随后，关闭重力辅助和刺激。(F)条形图报告在相同时间点和与小组中显示的条件相同的条件下测量的步态特征子集和WISCI II分数的平均值。右侧条形图表示使参与者能够在地上行走所需的向上力的演变。与前训练条件相比，***p<0.001，**p<0.01，*p<0.05，Kruskal Wallis与Tukey Kramer事后测试。数据是平均值+/-s.e.m.

图9：机器人支持系统900(例如115)的详细描述。机器人支持系统900可包括一个或多个轨道905(例如184)。在一个示例中，所述一个或多个轨道以水平方式附接到天花板(未示出)，并且可以朝向工作空间975(例如118)倾斜(例如，45度)。每个轨道905引导两个偏转单元911，该偏转单元911由带有可倾斜滑轮(未示出)的球形承载车构成。滑轮的倾斜轴线平行于轨道。缆线(例如Dyneema)913(例如186)将两个车连接在一个轨道上以形成推车。致动缆线的电动绞盘(例如致动器)912可定位在轨道的末端。可以理解的是，当缆线不受张力时，缆线只能在一个方向上施加力(例如缆线可以“拉”而无法“推”)。四个弹性元件(未示出)由螺旋钢弹簧组成，每个弹簧具有内部的平行橡胶绳，将缆线连接到不锈钢环。该布置允许缆线在特定点处相交，称为节点914(类似的系统在例如WO 2017/005661 A1中公开)。换句话说，缆线可以连接到一个点，这可以因此导致没有施加到受试者的力矩，否则力矩可能在缆线在两个或更多个位置处连接到受试者时发生。绞盘位置可以通过电机轴上的编码器941测量，而弹性元件(未示出)的长度使用导线电位计957监控。导线电位计957显示为靠近缆线的盒子，由于空间限制未示出四个弹性元件。组合加速度计916、陀螺仪917和磁力计918的惯性测量单元(IMU)915位于节点中。这些传感器提供冗余信息，允许通过优化来计算节点的位置以及受试者上的合力矢量。可以使用以1kHz(57)运行的EtherCat网络在Matlab中实现通信程序。命令可以从控制器935发送到电动绞盘，以控制施加到受试者的多个力。虽然示出了缆线系统，但是可以理解的是，在一些示例中，不同于本质上可以是至少部分弹性的缆线，提供作用在受试者上的期望的力的与受试者的连接可以是刚性的。

可以使用挽具902(例如182)将受试者901(例如180)附接到机器人。通过带扣(未示出)将挽具的两个肩带920附接到板921的两个外端。板本身枢轴安装在节点的下端。板可以无限旋转，允许受试者任意转动。因此，机器人可以使受试者在工作空间内自由行走。在一些示例中，工作空间可包括20m²(10m长，2m宽，2.6m高)。然而，在其他示例中，工作空间可以大于或小于20m²。机器人可以支撑100kg或更多，并且可以具有90kg的最大垂直(z，参见插图970)支撑，以及在横向(y)和纵向(x)方向上具有+/-5kg的最大前向力。跌倒检测器和平滑的反作用机构可以在跌倒的情况下保证患者的安全。

机器人支持系统900可以包括生理记录单元930。生理记录单元可以监测例如运动学、动力学和肌肉活动信号。更具体地，双极表面电极907(例如1cm直径，1cm的电极间距)可以放置在一个或多个腿部肌肉上以记录肌电图活动(例如128)。用于记录肌电活动的腿部肌肉可包括例如比目鱼肌、内侧和外侧腓肠肌、胫骨前肌、半腱肌、股二头肌、股外侧肌和股直肌。在一些示例中，可以通过16通道无线记录系统(Myon 320，MyonAG，瑞士)监测肌电图活动。可以使用实时3D运动捕捉系统903获得运动记录(例如127)。在一些示例中，运动捕捉系统可以包括14个Bonita10相机和两个Bonita720c DV相机(Vicon，英国)。可以使用定位在解剖学界标上方的多个标记906(例如160)来记录躯干、头部和双侧腿和臂运动学。在一些示例中，解剖学界标可以由全身运动学模型(例如，Plug-In-Gait，Vicon)来定义。在一些示例中，还可以使用位置标记906(例如160)另外监测辅助器件(例如拐杖、助行器、手杖等)的运动。位置标记906可以是反射型的，意味着例如它们反射由包括运动捕捉系统903的相机发射的红外光，从而允许追踪受试者的肢体运动。但是，位置标记也可以是其他类型。其他位置标记906的示例可包括光学系统、电磁系统、超声系统，以及通过所谓的“传感器融合(sensor fusion)”方法适当地集成的系统的组合，包括使用射频天线和惯性传感器的三角测量系统。位置标记906的位置或定位可以是实时获取的，并且可以根据运动模型(例如，用户定义的)与特定标签(例如，胸部、臀部、膝盖、脚踝、脚)相关联。可以理解，该示例中的“实时”是指控制器在受试者正在执行任务时连续地从标记接收输入。这样的输入可以经由控制器在最小延迟(例如，小于1秒)的情况下从通过运动捕捉系统903捕获时接收。在一些示例中，运动模型可以评价一组规则，其可以比较每个标记的X、Y和Z坐标，并且可以导出哪组坐标对应于哪个标签(例如，胸部、臀部、膝盖、脚踝、脚)。因此，受试者901的身体可以被建模为互连的刚性段链。可以另外将人体测量数据(身高、体重、关节的宽度)添加到模型中以确定关节中心的位置，并计算下肢的仰角和关节角度。可以使用集成在地板910中的力板909来获取地面反应矢量和前-后及中间-侧向扭矩(例如，动力学活动129)。

在一些示例中，当受试者正在执行训练例程时可以对受试者施加硬膜外和/或硬膜下电刺激，该训练例程可以包括重力辅助训练例程或其他训练例程(例如，跑步机945在有或没有重力辅助的情况下)。例如，可以通过用于电刺激的装置940(例如845)提供硬膜外和/或硬膜下电刺激，该装置在本文中也称为用于神经调节的装置，具有可调节的刺激参数。作为示例，用于电刺激的装置940可以包括一个或多个电极、电极阵列、可植入脉冲发生器等。用于电刺激的装置940可以用于将硬膜外和/或硬膜下电刺激施加到任何沿着受试者的脊髓的刺激部位。例如，刺激部位可以是用于下肢刺激的腰部和骶部部位，并且可以是用于可选的上肢刺激的颈部部位。可以施加下肢刺激，例如：为了便于在受试者中站立和行走，同时可以施加上肢刺激，例如：以便于伸手和抓握。在本公开的一个示例中，所述刺激部位可以是一个，并且可以根据步态的特定子阶段(例如，根据相位)打开和关闭。在本公开的另一个示例中，刺激部位可以是至少两个，其中每个刺激部位可以独立地打开或关闭，这根据步态的特定子阶段。因此，可以理解，例如，可以激活用于电刺激的装置940以促进全肢弯曲或伸展。在一些示例中，所述用于电刺激的装置940可以提供爆发刺激。在这样的示例中，可以理解的是，每个电极(或每个多电极阵列)可以被激活一定时间(“爆发”)，其中每个电极(或多电极阵列)的激活时间，以及每个激活的持续时间由用户(未示出)预定义，所述用户例如是临床医生或物理治疗师。在一个示例中，经由用于电刺激的装置940提供的电刺激可以是位置特定的，其中可以实时修改每个单独电极的刺激参数(例如：波形、幅度、脉冲宽度、频率)。在又一个示例中，经由用于电刺激的装置940提供的电刺激可以是时间特定的，其中每个单一电极可以基于外部触发信号(例如：与所监测的运动学、动力学和/或EMG活动相关)实时地单独地开启和关闭。在又一个示例中，经由用于电刺激的装置所提供的电刺激可以是频率特异性的。例如，用于电刺激的装置940可以提供包括在5和120Hz之间，更具体地在25和95Hz之间的刺激频率，其中分辨率是例如1Hz。

在另一个示例中，控制器可以经由神经传感器950从受试者获取神经信号。所述神经信号可以向生理记录单元930提供关于受试者的运动状态和神经元活动的信息，然后可以将其发送到信号处理器件或控制器935。作为示例，神经信号可以提供与受试者的步态周期相关的信息，并且可以用于实时(例如：在最小延迟(例如小于5秒或小于1秒)的情况下)控制或改进用于电刺激的装置940的触发，个别地代替或配合上述运动学反馈算法。。

在一个示例中，所述神经传感器可以包括植入在受试者的感觉运动皮层的肢体区域中的电极阵列，并且可以收集关于受试者的运动意图的信息。例如，使用机器学习方法，可以将这种信息解码并区分为两种行为状态，“休息”或“行走”。然后可以将解码的信息发送到信号处理设备或控制器935，信号处理设备或控制器935可以打开或关闭用于电刺激的装置，使得实现期望的运动模式可被实现。

在一些示例中，控制器可以允许在每个步态周期基于期望的运动特征输出导出最佳电刺激和/或硬膜外电刺激频率。例如，可以基于期望的行为由用户输入特征输出。然后，控制器可以自动调谐电刺激以确保观察到的行为与参考输出匹配。更具体地，存储在控制器中的程序可以包括前馈组件和反馈组件。所述前馈组件可以包括输入-输出线性模型，其可以允许在给定每个步态周期的期望参考输出的情况下直接导出最合适的电刺激频率，并且最小化控制延迟。所述参考输出可以包括运动特征，这里也称为步态特征。所述步态特征可包括步高，例如，在每个步态周期期间由受试者的足部达到的最大高度。

因此，前馈组件可以捕获刺激和步态特征之间的观察到的关系。然后可以利用这样的信息来预测和自动调节刺激，以便调节输出行为。

可以使用本领域已知的自适应拟合算法(例如，最小均方或用于线性或非线性回归的其他方法)不断地更新前馈组件，其可以考虑受试者的运动系统的疲劳和时变特征。

控制器的反馈组件(例如，比例积分控制部分)可以补偿建模误差或意外干扰。在每个步态周期，反馈组件可以计算测量的输出与期望或参考输出之间的“误差”值。基于计算的误差值，反馈组件可以调整输入以最小化所述误差。

在又一个示例中，可以导入用于药理学刺激的装置955(例如：用于药理学刺激的器件)。例如，可以通过本领域技术人员已知的方法向受试者提供药理学刺激或治疗。例如，用于药理学刺激的装置955可包括通过针注射，其中所述注射可通过控制器控制。然而，用于药物刺激的其他手段可以包括将物质口服、施用于皮肤(例如：外用的)、透粘膜施用、吸入等。在一个示例中，本公开的系统可以通过用于药理学刺激955的装置与药物治疗组合使用，用于进一步地促进运动功能。特别地，可以向受试者施用包含至少一种单胺能受体激动剂的药物组合物，例如：5-羟色胺能、多巴胺能和肾上腺素能受体。

插图970示出了可以施加到受试者的力的方向。可以通过机器人支撑结构施加到受试者的致动力包括x(水平)971、y(横向)972和z(垂直)973被示为实线，而受试者可在工作空间的约束内经受的被动(旋转)力974被示为虚线。

返回到机器人支撑结构900，源自或馈入控制器935的虚线示出了本文所讨论的参考元件之间的有线或无线通信。

此外，在一些示例中，可以具有增强现实元件960，其可以通过控制器来控制。更具体地，一个示例可以包括在工作空间的地板空间上对齐的一系列形状，其可以以期望的顺序模式点亮，使得受试者可以参与涉及与运动相关的练习的一种类型的游戏。在一些示例中，来自进行特定训练例程的受试者的反馈可用于修改特定例程的增强现实程序。例如，基于从受试者运动记录的运动学、动力学、肌电图和/或力数据(来自IMU)中的一个或多个，可以确定特定增强现实元件的最佳放置。例如，最佳放置可以包括受试者能够到达的位置。更具体地，增强现实可以包括可以投影在工作空间的地板上的形状。基于来自受试者的上述记录变量，通过形状建立的路径可以改变，使得受试者可能能够在没有不利或不期望的运动的情况下完成任务。增强现实的其他示例完全在本公开的范围内。在一些示例中，虚拟现实961可以类似地结合特定训练例程或例程来使用。通过将虚拟现实961和/或增强现实960结合到训练程序中，可以使进行该程序的受试者更加愉快地恢复训练例程的重复性质。

具体实施方式

根据本申请，术语“用户”是指使用上述设备的受试者。术语“用户”和“受试者”是可互换的。特别是，用户是人。根据某些实施方式，“用户”是需要重新获得运动控制的“患者”，如前所述。

以下所有实施方式均可在一般方程式内表达：

F_xsup＝Fx(x,dx/dt,y,dy/dt,z,dz/dt)

F_ysup＝Fy(x,dx/dt,y,dy/dt,z,dz/dt)

F_zsup＝Fz(x,dx/dt,y,dy/dt,z,dz/dt)

这样所有的力分量都是用户在所有方向上运动的函数，也可能是其他变量的函数。

控制Z方向

用户的质心(CoM)的垂直位置z近似为具有幅度Az和频率ω的时间的正弦函数：

z＝A_z·sin(ω·t)

在一个实施方式中，这可以用于支撑作为用户在垂直方向上的惯性与重量。这导致力的弹簧状行为：

F_zsup＝c_z·(z₀-z)+Δm·g

其中z₀是平均或标称行走高度(方便地获得治疗师的校准，或通过z的低通滤波)，并且刚度c_z取决于必须卸载的质量。通常，Fz可以被成为合适的z线性或非线性函数：

F_zsup＝F_zsup(z)

在一个实施方式中，机器人通过选择c_z使得ω＝sqrt(c_z/Δm)来处理在重力被带走时留下的“额外惯性”，因此这意味着c_z＝ω²·Δm。这意味着Δm的惯性将与人类同步振荡。

在替代实施方式中，c_z由治疗师或自适应算法调谐，直到步态频率达到期望值(例如生理值)。

控制x方向(前向或前-后)

在正常的人行走中，人在x方向上的运动可以分成两个阶段。当z>z₀(z₀是平均行走高度，因此在顶点附近)时，加速度d²x近似为零。当<z₀时，加速度近似于z方向上的速度dz/dt的正弦函数，具有正常数h_x和a_z：

d²x/dt²＝h_x·sin(a_z·dz/dt)；

其中h_x是常数

恢复自然动力学的一个实施方式是x方向上的力是z和dz/dt的函数：

F_xsup＝c_x·sin(a_z·(dz/dt))对于z≤z₀

F_xsup＝0对于z>z₀

通过方便地选择c_x，例如通过手动调谐，或通过人体运动数据的逆识别。藉此，所提供的力分量被添加到先前选择的F_xsup值，这是确保垂直振荡所需的

或者一般来说：

F_xsup＝F_xsup(x,dx/dt,z,dz/dt)

另一个实施方式是使F_xsup成为x的函数。由于人的加速度，这会导致负虚拟弹簧刚度：

F_xsup＝-c_x·x

其中c_x为负数。或者一般来说：F_xsup＝F_xsup(x)

第三个实施方式是组合上述两个，这证明在下面描述的关于被动性的部分中是有益的：

F_xsup＝{F_xsup(z,dz/dt)

{F_xsup(x)

控制y方向

在y方向上，可以采用与x方向类似的方法。这里，再次定义合适的y₀，其涉及人的平均横向位置(例如：通过低通滤波获得或由用户设置)。然后，使用正或负刚度c_y，方便地选择y方向上的力作为该y位置的函数：

F_ysup＝c_y·y

与重力可以围绕支撑点产生的力矩相比，这补偿了y方向上的过度惯性。

所述设计可以与z或x方向类似，例如确保正确的步态频率或不同振荡之间的相对相位(这需要考虑到y方向上的振荡具有在x和z方向振荡的一半的频率)。

被动性

为了组合系统用户/用户-机器人设备的稳定性，如果控制器是被动的，则是非常有益的。根据本申请，至少两种方法能够确保这一点。

第一种选择是当在水平方向上插入能量时在垂直方向上提取能量。为了在每个时刻确保这一点，以下关于功率的关系应该成立：

F_zsup·dz/dt<-F_xsup·dx/dt,

在x和z方向上分别具有速度dx/dt和dz/dt。

或改写为：

F_zsup<-Fx·(d_xsup/dt)/(dz/dt)

一般来说，我们可以定义任何函数：

F_zsup＝F_zsup(F_xsup,dx/dt,dz/dt)

这足以满足上面的不等式约束，且保证了被动性。

另一种选择将|F_xsup|>0其中的部分分割成两部分：一部分我们提取能量，一部分我们插入能量。在上面x方向的控制中，其中一个选项是：

F_xsup＝cx·sin(a_z·dz/dt)对于z<z₀

现在在一个周期(从一条腿的脚跟冲击开始并且以同一条腿的脚跟冲击结束)，速度dx通常为正(因此向上指向)，dz开始为负(因此向下指向)并且结束为正。这意味着它以一段能量提取开始，且循环以一段能量插入结束。为了保证被动性，必须确保插入的能量少于或等于提取的能量。这可以看作成在第一阶段期间填充并在第二阶段期间排空的能量储存器。实现此目的的两种方法公开如下：

a)持续追踪插入的能量，并在能量储存器为空时将F_xsup设置为零。

b)计算力场(F_xsup＝F_xsup(x))，使得最大可插入能量低于或等于能量储存器。

在第二种选择中，控制法则变为：

F_xsup＝{F_xsup(z,dz/dt)对于dz/dt<0&z<z₀

{F_xsup(x)对于dz/dt>0&z<z₀

{0对于z>z₀

可以优化上述所有函数，以实现如“目标”中所述的正常步行。对于此优化，我们公开了四种方法：

a)根据人类数据获取函数；

b)基于文献获得函数，例如基于ZijlstraW,HofAL.Displacement of the pelvisduring human walking:experimental data and model predictions.GaitPosture1997；6:249-262；

c)制作一个优化参数化函数的自适应控制器；

d)让人类用户(例如：治疗师或用户)调整参数。

根据本领域的一般知识，可以以多种方式管理本申请中公开的设备。例如，可以采用WO2015063127中公开的控制系统。

在下文中，提供了对本申请的一个可行的实施方式的详细描述，施加前向力(x方向)，应理解的是，也可以根据同样的原则(可选地与前向力一起)施加侧向力(y方向)。

先前，开发了一种缆线机器人(24)，其提供了防止跌落的安全环境，同时允许在大工作空间中的无约束运动期间沿三个笛卡尔方向高度精确地控制施加到躯干的力(图1B)。机器人接口集成在记录平台(26)内，允许实时获取机器人运动、施加到躯干的力、全身运动、地面反作用力和肌肉活动(图1C)。实时以太网网络使平台能够基于任何记录的模态实时控制机器人-受试者交互作用和增强现实场景。

为了验证机器人的透通度，在8名健康个体中，比较了在没有机器人和具有机器人的情况下行走时的全身运动。机器人配置为透通模式，这对应于启用机器人-受试者交互作用所需的最小向上力(4kg)。从运动记录(n＝120)计算大量常规参数，并将该数据集提交给主成分(PC)分析。该方法允许精确量化运动表现，并且客观地提取参数来说明实验条件对运动表现的影响(20,27)。尽管进行了全面的评估，但在没有机器人和具有机器人的情况下，步态模式之间没有差异(P＝0.69，配对学生t测试)。发明人在沿着正弦路径(n＝6个受试者)行走期间证实了这些结果。即使在这样的挑战性条件下，机器人也没有改变质心(CoM)和步态模式的加速度曲线，表明机器人的附接并没有干扰步态的产生。

向上和前向力量对姿势和步态的影响

接下来，在健康个体的站立和行走期间，评估了向上和前向力的生物力学和功能性后果对全身运动和腿部肌肉活动的影响。

首先，研究了静止站立时向上力的影响。在站立和行走期间，人体可以被建模为倒立摆锤(图2A)。由于身体(β)的自然向前倾斜，CoM在摆锤的旋转轴(脚踝)前方突出。因此，足底压力中心(CoP)的平均前-后位置位于基于支撑长度的25+/-1％(n＝5个受试者)。这种生物力学配置允许通过踝伸肌的强直激活来维持平衡(图2A)。

机器人向上施加向上的力(40至500N)引起身体摆锤的向后倾斜(β，图2C)，这导致CoP位置向脚跟偏移。在这些条件下，受试者表现出增加的姿势摇摆，与踝肌活动模式的相当大的变化相平行，这些变化从伸肌的强直激活转变为伸肌和屈肌之间的交替活动(图2A)。

结果发现，施加额外的前向力(0至50N)能够补偿向上力对姿势维持的不利影响。前向力恢复了CoP的自然位置和动态，重新建立了适当的踝肌活动模式(图2A)。

还发现在运动期间在向上力和前向力之间发生类似的相互作用。仅向上力的施加导致步态特征的逐渐改变(图2B、D；P<0.05，Mann-Whitney U-测试)。侦测出向上力与关键步态特征的改变之间的负相关，例如步长(R²＝0.78)和步行速度(R²＝0.91；图2E)。在运动过程中，倒立摆锤式步态运动在最小努力的情况下推动身体前进。在向上力的高水平时，向前进展需要在晚期站立期间膝关节屈肌的异常激活，以便将身体向前拉(图2B)。

如在站立期间观察到的，前向力的增加减轻了全身运动和肌肉活动的改变(图2B)。随着前向力的增加，步态模式的逐渐改善(图2D；P<0.001，Mann-WhitneyU-测试)介导了自然步长和步行速度的显著恢复(图2E；P<0.01，配对学生t-测试)。前向力还改善了与倒立摆锤式步态运动相关的运动能量和势能之间的交换(图2B、E；P<0.01，配对学生t测试)。

这些结果强调了在姿势的产生上的向上力和前向力与具有机器人辅助的情况下的步态之间的关键相互作用，强调了开发基于证据的程序以根据用户特定需求配置这些力的重要性。

重力辅助算法的设计：向上力的个人化

这里公开的机器人系统允许基于客观测量为每个受试者配置向上的力。

发明人招募了9名脊髓损伤或中风的受试者，这些受试者在没有辅助器件的情况下无法站立。为了确定站立时的最佳向上力，我们记录了每个受试者在最大可能的向上力范围内的全身运动、地面反作用力和踝肌活动(从体重的15％到70％，49％+/-14％，平均值+/-s.d.；图3A、B)。然后，应用对每个受试者和健康个体(n＝5)中记录的所有计算参数(n＝15)的PC分析。最佳向上力量定义为在PC空间中受试者与健康个体之间为最小距离的情况下的向上力量(图3C)。

虽然这种方法是客观的，但它需要在日常临床实践中无法进行的广泛记录课程。因此，发明人旨在开发一种算法以使该程序自动化。为此，使用人工神经网络实施受监督的机器学习，该网络基于容易且快速收集的运动和动力学变量的子集预测每个受试者的最佳向上力量(n＝12，因为准备时间和信号的特殊特征，肌肉活动不包括在内)。使用训练集(64个试验，n＝6个受试者)来馈给人工神经网络，在不同的向上力水平下限制为20秒的记录(图3D)。选择神经元和规则的数量，以最小化向上力(Δ，体重％)的预测校正中的误差。对独立数据集的测试(32个试验，n＝3个受试者)揭示了人工神经网络计算校正的能力，误差从未超过实验测量的最佳向上力的5％(图3E)。

然后，寻求开发一种算法，该算法基于所选择的向上力和用户特定需求自动校准前向力。

使用被动助行器模型模拟倒立摆锤式步态行为，其中重力足以促进肢体的连续交替振荡(图4A)。因此，模型的固有机械性能决定了行走速度。如在人类受试者中观察到的，向上力的施加显著降低了步行速度、步长和能量交换。

进行模拟以确定施加到被动助行器的每个向上力的最佳前向力(图4B)。模拟搜索最佳配置以将步行速度、步长和依赖于重力的能量交换标准化为在没有任何外力的情况下获得的值。获得了倒U形曲线，其定义了给定步行速度的力的最佳配置(图4C)。

具有神经缺陷的个体表现出优选的行走速度，在该行走速度下他们的运动表现是最佳的。在模型中，最佳前向力与步行速度直接相关。因此，我们试图在重力辅助的配置中创建集成优选步行速度的映射。为此，我们使用由人工神经网络计算的向上力，以及由模拟预测的最佳值为中心的窄范围的前向力，在具有SCI或中风(n＝28个受试者)的受试者群体中记录运动。我们对收集的运动学参数应用PC分析，以确定最大化运动表现的前向力。为了详细说明为每个受试者配置向上和前向力的决策图，我们将最佳多项式函数拟合到实验和模拟数据点(图4D)。我们使用此映射在所有后续评估和培训课程中符合个人需求的重力辅助。

验证重力辅助，以便能够在SCI或中风的个体中进行运动

发明人接下来评估了重力辅助算法的准确性，以建立最佳的向上和前向力，以便能够在具有神经缺陷的个体中进行运动。

重力辅助算法在6名具有SCI或中风的个体中进行了测试。首先在具有最佳向上力且加上或减去对应于其体重的10％的向上力的情况下的站立期间记录受试者。对于向上力的每个条件，运动学和动力学记录被独立地提交给人工神经网络，其计算向上的力校正以建立每个受试者的最佳条件。例如，图5A示出了包括在人工神经网络的测试数据集中的一个受试者的运动学和动力学记录。该受试者不能独立站立或行走(SCI-BME，AIS-C)。无论初始向上力如何，人工神经网络都产生相同的预测。我们使用此校正和优选步行速度来使用决策图配置前向力(图4D)。

符合个人需求的重力辅助使该受试者能够通过协调的、负重的运动动作在地上行进(图5B)。CoM的动态改善和相关的能量交换揭示了倒立摆锤式步态行为的部分恢复(图5C)。向上力量的增加或减少10％显著改变步态特征，几乎阻止该受试者前进(图5B)。

为了测量每个受试者的重力辅助算法的准确性，对所有运动学参数应用PC分析(n＝120，图5D)。该分析表明，重力辅助算法在所有受试者中产生了最佳配置(图5E；P<0.001，重复测量双向ANOVA)。重力辅助对运动表现的有益影响随着步态不足的严重程度而增加。

这些结果说明了重力辅助配置的灵敏度，使得能够在神经损伤的受试者中进行运动，并验证算法的能力，以基于用户特定需求来最佳地配置重力辅助。

重力辅助改善了脊髓损伤和中风的个体的运动表现

接下来，测试重力辅助的能力以改善具有不同严重程度的SCI(n＝15)和中风(n＝13)的两个群体的个体的运动表现。运动表现的范围从不能独立站立或不能行走的无法走动的个体，到能够在没有辅助器件的情况下行走的轻度运动障碍的个体。

除了无法走动的个体之外，首先在不使用机器人而使用受试者在日常生活中使用的辅助器件的情况下的运动期间中记录所有受试者。然后在具有和没有辅助器件(当可行时)的情况下，在具有重力辅助的情况下的运动期间评估所有受试者。为了量化运动表现，在健康个体(n＝13)和所有SCI(图6A)或中风(图6B)的受试者中记录的运动学变量(n＝120)的集合被提交给单独的PC分析。将运动表现定量为由PC1和PC2定义的空间中受伤受试者与健康个体之间的距离。该分析显示，在SCI(图6A)和中风(图6B)之后，重力辅助使无法走动的受试者的行走能够具有与能走动的受试者类似的运动表现。对于所有28名脊髓损伤或中风的个体，每个受试者在没有辅助和具有重力辅助的情况下对步态分析显示特异性反应。

为了识别通过重力辅助改善的特定特征，提取与PC1和PC2高度相关的参数(因子载荷，|值|>0.5)并将它们重新组合成对应于基本步态特征的功能簇。首先，该分析是针对SCI的个体的。结果发现PC1量化了腿部运动学的改善，而PC2则表现出姿势控制的变化。改善取决于初始运动表现(R²＝0.64，P<0.005)，如图6C中的代表性受试者所示。例如，在使用重力辅助的情况下，不能独立站立的受试者能够在具有或没有辅助器件的情况下在地上行走(3/3受试者，图6C)。在使用重力辅助的情况下，仅能使用拐杖或助行器运动的受试者在没有辅助器件的情况下前进(4/10受试者，图6C)，并且表现出时空步态特征的改善。在使用重力辅助的情况下，能够在没有辅助器件的情况下行走的受试者没有表现出腿部运动学(数据点更接近健康个体)的系统性变化。然而，在这些受试者中，重力辅助增加了姿势稳定性(P<0.05，Kruskal-Wallis与Tukey-Kramer事后测试)。此外，重力辅助使这些受试者能够执行他们认为在日常生活中具有挑战性或风险太大的运动任务。例如，这些受试者能够爬上楼梯，并沿着位于高于地面20cm的水平梯的横档准确地放置脚部地行进。

在具有重力辅助的情况下，中风的个体表现出相似或甚至更好的运动表现改善(图6B)。从PC分析中提取功能簇表明，初始运动表现决定了通过重力辅助改善的特定步态特征。例如，仅能使用拐杖行走的个体重新获得了内收他们的瘫痪脚的能力，这在站立期间使脚部位置正常化(P<0.001，Kruskal-Wallis与Tukey-Kramer事后测试)。可在没有辅助器件的情况下行走的个体显示出对远端关节的明显增强的控制(P<0.001，Kruskal-Wallis与Tukey-Kramer事后测试)。一般而言，所有中风的个体都表现出改善的姿势控制，这在侧向躯干摇摆的减少和上肢和下肢振荡之间的协调的增加中是明显的。如在SCI受试者中观察到的那样，重力辅助使得中风的个体能够执行熟练的运动，这在没有机器人辅助的情况下是无法执行的。

总之，这些结果表明，由于脊髓损伤或中风导致的严重至中度步态缺陷的个体，重力辅助能够促进或改善运动表现。重力辅助允许受影响较小的个体进行日常生活活动，这需要熟练和精细平衡的运动，从而提供训练神经损伤个体自然运动行为的独特机会。

重力辅助改善了一次步态训练课程后的运动表现

然后，与标准的跑步机限制步伐情况相比，试图证明具有重力辅助的情况下的地上行走环境的优越的改善运动表现能力。

招募了5名具有慢性SCI能够在地上行走(但仅限于具有辅助器件的情况下)的受试者。他们参加了两个训练课程，相隔一周(图7A)。在第一阶段(60分钟)期间，受试者在具有重力辅助的情况下走过地面。在第二次训练期间(第2周)，他们被要求在跑步机上以相同的向上力量行走相同的距离，但是在没有前向力校正的情况下。在每次训练之前和之后，在不使用重力辅助而以他们自己选择的速度使用他们偏好的辅助器件的情况下，立即在地上运动期间记录受试者。

除了受影响最小的受试者之外，具有重力辅助的情况下的训练课程在所有参与者中介导了地上运动表现的显著增加(图7E；P<0.001，Mann-Whitney U-测试)。例如，在没有重力辅助的情况下的地上运动过程中，整个训练期间通过重力辅助实现的步行速度的增加和双站立持续时间的减少持续存在(图7B；P<0.001，Mann-Whitney U-测试)。然而，一周后进行的评估显示这些改善已经消失(图7B、D、E)。

相对而言，在跑步机限制步伐训练后，地上运动表现保持不变或甚至恶化(图7B、D、E)。在训练期间，基本步态特征(例如步行速度和双站立持续时间)得到改善，但是当受试者在训练后再使用他们的辅助器件的情况下在地上行走时，这些值返回到基线水平(图7B、E)。

为了研究在整个训练课程的运动改善，相对于重力方向分析足部仰角的变化(图7C)。这种步态特征在人类倒立摆锤式步态运动的产生中起着至关重要的作用(28)。根据从每个执行的步态周期提取的足部仰角的时间序列计算相关矩阵，包括训练前和训练后的记录。在跑步机限制性步伐训练之前和之后，足部仰角保持不变，在训练后评估期间，在步态训练期间通过重力辅助实现的足部运动的改进控制持续存在(图7C；P<0.001，KruskalWallis与Jukey-Kramer事后测试)。

使用调查问卷的访谈表明，与跑步机限制步伐训练相比，参与者对在重力辅助的情况下的地上步态训练有极大的偏好。

这些结果表明，通过重力辅助实现的一小时步态训练课程在训练后立即显著地改善了地上运动表现。相对而言，在跑步机限制的环境中行走相同的距离往往会使运动表现恶化。

在重力辅助和电脊髓刺激的情况下进行训练可促进持久恢复

一名女性具有颈椎SCI。在伤后12个月内每周进行4次常规康复计划后，她的运动恢复已经达到稳定水平(62岁，AIS-C，图8A)。她之前已在腰椎脊髓节段上植入硬膜外电极阵列，以减轻腿部的神经性疼痛(图8C)。该植入物用于进行初步研究，评估在具有重力辅助和电脊髓刺激的情况下的步态康复的长期影响。

为了评估对腿部肌肉组织的残余上脊柱通路，记录了坐姿左腿和右腿的最大自主扭矩的产生(图8B)。参与者表现出对支配右腿的肌肉的一些控制，但几乎没有通路能支配左腿的肌肉。左腿的严重缺陷大大限制了参与者在步态训练期间能够在具有重力的情况下辅助行走的持续时间和距离。为了增强运动表现，搜索了硬膜外电极的配置，其有效地靶向与左腿肌肉接合的本体感受反馈电路(29,30)。为此，单极电刺激的单脉冲(脉冲宽度：0.15ms，强度：1至3mA，频率2Hz)通过阵列的每个电极以平躺位置递送。同时肌电图记录了，本体感受反射反应在左腿和右腿的多个肌肉中的诱发，其允许重建每个刺激部位的脊柱节段激活。基于该映射，选择电极配置以最大化嵌入腰椎段左半径的本体感受反馈电路的激活(图8C)。

通过这些电极的连续(40Hz)刺激使得参与者能够在重力辅助的情况下的运动期间通路左腿的静止肌肉(图8E；P<0.05，Mann-Whitney U-测试)。由此产生的运动表现的改善包括步行速度、步幅长度、步高和腿部运动幅度的显著增加(P<0.001，Mann-Whitney U-测试)。

完成这些评估后，参与者遵循步态康复计划，将基于跑步机的训练和具有重力辅助的情况下的地上运动相结合，如先前在啮齿动物中的详细信息(23)。刺激方案在整个一小时的训练期间进行，每周进行2至3次(图8D)。随着时间的推移，改善的运动表现允许向上力的减小。在康复3个月后，参与者恢复了对训练前无法通路的腿部肌肉的意志控制(图8E)。为了促进自然步行的恢复，我们逐渐减少并最终在训练期间撤回刺激。重力辅助允许在家中逐渐过渡到使用助行器的地上运动。在步态康复计划结束时，参与者能够在没有机器人辅助且没有刺激的情况下，使用助行器在地上行走。因此，她的WISCI-II评分从0增加到13，而她的AIS评分从C变为D。

步态康复计划完成后10个月进行的评估显示，AIS评分和运动表现的改善保持稳定(图8E)。

现在转向图10，示出了高级示例方法1000，用于为受试者选择特定训练例程，并获取一组力以施加到受试者，以帮助受试者执行特定训练例程。在示例中，取决于所选择的特定训练例程(或例程的子阶段，见下文)，施加到受试者的所述一组力可以是不同的。例如，这样的一组力可以包括第一力、第二力和第三力中的一个或多个。这种第一力、第二力和第三力可以通过机器人支撑系统(例如900)来控制/调节，并且通过附接到患者上的公共附接点的一个或多个缆线施加，或者施加到患者的不同点上。方法1000可以至少部分地通过与机器人支持系统相关联的控制器(例如935)来执行。所选择的一组力可以是固定力，而与患者运动和/或时变力及其组合无关。

方法1000开始于1003，并且可以包括从针对受试者的一组可用训练例程中选择特定训练例程。在一个示例中，训练例程可以包括坐着到站立的例程。在另一个示例中，训练例程可以包括站立到坐着的例程。另一个例子可以包括受试者在地上行走的例程。在一些示例中，训练例程可以包括在跑步机上行走。另一个例子可以包括一个例程，其中受试者试图在地上或跑步机上慢跑或跑步。又一个示例可以包括受试者在固定自行车上循环的例程。又一个示例可以包括受试者在自行车上进行地上前进的例程。其他示例可以包括其中受试者以S形曲线在地上前进的例程，其中受试者从站立或坐下位置变为躺下位置的例程，反之亦然，其中受试者在楼梯上下行进的例程，其中受试者在规则或不规则间隔的梯子上行走的例程等。在一个示例中，可以在一组可用例程中组织两个或更多个和/或所有上述示例，从中进行选择，然后针对感兴趣的特定训练/康复课程执行所选择的例程。这些实施例是说明性的，并不意味着限制。

如上所述，施加于受试者的特定力可以在不同的训练例程之间变化。例如，地上行走例程施加到受试者的一组力可以不同于用于坐着到站立程序时施加到受试者的一组力。力彼此之间的大小可以变化，以及力是固定的或是随时间变化的。作为示例，对于第一例程(例如，坐着到站立)，可以在垂直和横向的方向上施加两个力，但不向前向施加，而在地上例程中可以在垂直、横向和前向的方向上施加力。在另一个示例中，对于第一例程(例如，坐着到站立)，垂直力和侧向力可以基于传感器反馈而随时间变化，而在地上例程中，可以施加基本恒定的垂直力，其中时变性的前向力和侧向力各自基于传感器反馈在实施例程期间实时调整。因此，可以特定针对所期望的特定训练例程，决定要施加到受试者的力的集合。

因此，进行到1005，方法1000可以包括获取训练例程特定数据，该训练例程特定数据至少部分地关于用于执行所选择的训练例程所涉及的运动或姿势的参数，以便确定施加到特定训练的受试者的第一力。在一个示例中，获取训练例程特定数据可以包括在受试者执行与特定训练例程相关的任务时从受试者获取运动学(例如127)和动力学(例如129)数据。如上所述，在一个示例中，运动学数据可以通过策略性地放置在受试者身体上的传感器或标记(例如906)获取，并且动力学数据可以通过一个或多个地面力板(例如909)获得，在获取动力学数据期间，受试者可以将他们的脚放在上面。在一些示例中，获取训练例程特定数据可以附加地或替代地包括来自受试者的肌电图数据。在一些示例中，获取训练例程特定数据可以包括医生或临床医生凭经验评估受试者的情事，例如运动范围、强度、响应时间或与特定例程的运动相关的其他变量。此外，在1005处获取训练例程特定数据可以包括在将一范围内的力施加到受试者的同时，获取所述数据，以确定所述力如何影响与特定训练例程相关的一个或多个参数，其可以被使用以便确定适用于特定训练例程的受试者的第一力。这样的示例可以包括选择力作为测试的力范围之外的第一力，使得第一力包括其中运动学、动力学、经验和/或EMG数据中的一个或多个来自健康的个体(例如没有神经障碍)的最接近的类似数据的力。在一些示例中，可以在获取训练例程特定数据的同时向受试者提供电刺激(例如硬膜外和/或硬膜下刺激)。例如，可以在没有电刺激的情况下首先获取训练常规特异性数据，然后在电刺激的情况下获取。这些信息可以帮助指导力的选择，以施加到特定训练例程的受试者。

因此，获得第一力可以包括医生或临床医生或其他用户，从用户界面上所呈现的力的范围中选择第一力，所述力可能基于测试，其中第一力可以包括其中运动学、动力学、经验和/或EMG数据中来自健康的个体的最接近的类似数据的力。或者，控制系统可以基于患者医疗记录、过去的测试结果等自动选择所期望的力。这样的示例可以进一步包括实验确定的第一力。附加地或替代地，从受试者获取的数据(运动学、动力学、EMG、经验等)可以被馈送到模型(例如，人工神经网络315)，其可以产生对第一力的建议。该模型可以考虑动力学、运动学和/或EMG活动中的一种或多种，以便在一些示例中预测第一力。在其他示例中，可以仅通过模型使用动力学和运动学活动来预测第一力。在通过模型(例如315)确定第一力的一些示例中，第一力可以包括在实验测量的第一力的阈值(例如，5％)内的力。在一些示例中(例如，在地上行走)，第一力可以包括例如向上的力。

在获得第一力之后，方法1000可以进行到1015，并且可以包括设置第二力，并且在一些示例中，可以进一步包括设置第三力以施加到受试者。更具体地，可以理解的是，在一些示例中，第一力可以导致关于特定运动的改变的参数与特定训练例程相关。在包括地上行走的一个示例中，改变的参数可以涉及步行速度、步长、能量交换的改变，姿势(例如倾斜)等。然而，在其他示例中，改变的参数可以不限于在地上行走，而是可以相对而言，涉及骑车(横向摆动、腿部伸展等)、从坐着到站立姿势或从站立到坐着姿势等的姿势参数等方面。由于第一力可能导致特定于康复程序的某些参数的改变，因此可以期望通过另一个或多个力(例如，第二和/或第三力)补偿所述第一力。因此，在1015处，方法1000可以包括使用模型(例如，401)模拟期望的行为(例如步态)，考虑在1005处获得的第一力，以确定施加到受试者的第二力和/或第三力，以补偿源于第一力的任何不期望的方面(例如，步行速度、步长等的减少)。在模型包括步态模型的示例中，可以利用被动助行器模型，其包括倒立摆锤式步态行为，其中重力可以支持肢体的连续交替振荡(例如403a，403b)。在这样的示例中，优化参数可以包括弹簧刚度(例如450)、阻尼(例如452)、冲击角(例如454)等。然而，可以理解，1015处的模型可以不限于用于步态的模型，但可以包括用于骑自行车、上楼或下楼梯、坐着到站立、站立到坐着等的模型。在这样的示例中，模型可以利用所获得的第一力来计算一个补偿力或多个补偿力，因此可以减少或避免任何不期望的方面(例如，针对特定活动的不期望的或意外的特定运动特征)。在一些示例中，第二力可以包括前向力，以及第三力可以包括侧向力(参见图9中的插图970)。

响应于所确定的第一、第二和/或第三力，方法1000可以进行到1020并且可以包括根据第一、第二和/或第三力进行重力辅助训练程序，包括通过经由致动系统(例如示例性缆线/马达系统)来施加所述力。更具体地，第一、第二和/或第三力可以经由机器人支持系统施加到受试者，使得在训练程序期间支持受试者以帮助或鼓励受试者在与训练程序有关的参数的方面改善表现。例如，在训练程序包括在地上行走的示例中，这样的参数可以包括步高、步行速度、步长、EMG活动、质心(CoM)轨迹、脚冲击角等。在训练程序不包括地上行走的其他示例中，可以使用其他相关参数来评估特定训练程序期间的整体表现。如本文所解释的，可以响应于传感器反馈变化的命令，来实时调节所施加的力。在一个示例中，基于所选择的例程，来确定期望的力。

因此，图10中描绘的方法1000示出了用于在受试者执行康复程序时设定施加到受试者的多个力的高级示例方法。当添加各个力时，施加多个力(例如，两个或更多个)可以产生力矢量，其可以包括在康复程序期间施加到受试者的期望力矢量。然而，在现实情况中，在康复程序期间可能出现任何数量的问题，这可能导致期望的力矢量由于受试者的变化或意外行为而变得非最佳或不期望。在这样的示例中，可以通过各种参数(下面详细讨论)来监视受试者，使得可以调整第一、第二和/或第三力中的一个或多个以确保施加到受试者的力正确地协助给定程序的所需运动。

因此，来到图11，示出了用于监视和控制在康复训练程序期间施加到受试者的力的控制系统1100的示例，其中第一力、第二力或第三力中的一个或多个被施加到受试者，且其中在程序期间可以操纵第一、第二和/或第三力中的一个或多个，以促进程序的期望运动。例如，可以基于传感器反馈和/或其他调整的命令(例如基于本文描述的模型)在患者的地上运动期间调整一个或多个力的相对大小。

更具体地，如上所述，第一力1105、第二力1107和第三力1109可以包括由方法1000确定的力作为用于特定康复程序的重力辅助的期望力。当受试者进行特定程序并且将第一、第二和/或第三力施加到受试者时，可以监测一个或多个参数1120。在示例中，监测参数1120可以是与受试者的运动或运动相关的参数(例如，运动活动、动力学活动、肌电活动)、受试者施加到地面的力、受试者的其他命令(例如声音指令，象是“前进”这样的命令指示期望的前进行走操作，并且可能是期望的前进速度，例如(“缓慢地”或“快速地”)。在一些示例中，所监视的参数可以包括施加到受试者的力的测量，如通过惯性测量单元(IMU)(例如915)所监测的。在一些示例中，所监测的参数可以包括受试者施加在机器人上的力的测量值，如通过IMU所监测的。可以使用一个或多个监测参数1120和施加到受试者的力(例如，期望力)来填充模型1115。基于对模型的输入，可以确定第二组期望力，并且可以从模型输出促进第二组期望力的一个或多个马达命令(1121、1125、1130)。在一些示例中，模型可以包括神经网络模型的方面(例如315)，并且可以进一步包括步态或其他期望的运动序列的方面(例如，在地上行走、站立到坐着，坐着到站立等)，如以上关于方法1000所讨论的。基于来自模型的输出，可以确定用于控制马达致动器(例如绞盘)的马达命令，该马达致动器用于控制对应于更新的期望力的缆线张力以施加到受试者，其中更新的期望力可以包括更新的第一力、更新的第二力，以及更新第三力量。因此，可以将更新的力施加到受试者，以便根据建模的参数根据需要帮助受试者。可以理解的是，在康复训练程序的持续时间内，可以以这种方式连续更新第一力、第二力和第三力。以这种方式，可以通过机器人支撑系统(例如900)可靠地控制施加到受试者的力，使得在康复程序期间可以适当地辅助受试者。

关于向受试者施加期望的力，如上所述，电动绞盘(例如912)可用于通过多个缆线(例如913)控制受试者上的一个或多个力。在一个示例中，将一个或多个期望的(例如，经由方法1000确定的)第一力、第二力和/或第三力施加到受试者，力可以添加使得施加到受试者的力可以包括合力矢量。例如，合力矢量可以通过位于节点(例如914)中的IMU(例如915)测量，其中缆线的交叉点发生在节点中。如所讨论的，这种IMU测量可以输入到模型1115中(连同与运动相关的其他参数)，这可以实现对施加到受试者的力(例如，第一、第二、第三)的实时控制。以这种方式对施加到受试者的力的实时控制可以被理解为包括来自所讨论的被监测参数的连续输入，以及在康复训练计划的过程中，在每个输入-输出周期之间的具有最小延迟(例如小于1秒)的情况下，对电动绞盘或致动器连续输出命令。

关于用于填充模型1115的运动参数(附加或替代通过IMU监测的力)，这些参数可以包括质心轨迹，其可以通过模型1115用于建立预期或期望的CoM轨迹和实际CoM轨迹。类似地，多个标记(例如906)可以与运动捕捉系统(例如903)结合使用，以建立预期和实际运动模式之间的变化。如果模型的输入指示预期与实际建模参数在建模的运动模式的目标阈值(例如，在5％或更小内)内不一致，则可以相应地修改施加到受试者的一个或多个力，以如期望地协助受试者。在一些示例中，运动模式可以包括诸如腿部偏移角(度)、步幅长度(身高％)、步高(体积百分比％)、速度(m/s)等特征。在一些示例中，包括CoM轨迹的这些特征可以被确定为经由多个标记(例如，906)生成的运动模式的函数。

在其他示例中，用于填充模型1115的运动参数可以包括地面反作用力，其可以通过一个或多个地面力板(例如909)来监测。地面反作用力的改变可以输入到模型1115，这可以导致施加的力的修改(例如，第一、第二、第三)，以补偿地面反作用力的所述改变。

在一些示例中，可以在受试者进行康复程序时监测肌肉活动。如上所述，肌肉活动可包括记录的肌电活动(例如128)。在一个示例中，EMG活动可以包括腿部肌肉的活动，然而，在一些示例中，EMG活动的解剖学来源可以根据正在进行的康复程序而变化。作为示例，在一些示例中，由于记录的肌肉活动与预期活动相比的偏差，记录的EMG活动可以指示重力辅助(例如，第一、第二和第三力)变得非最佳或非期望。因此，模型可以通过输出更新的力来施加到受试者来补偿这种差异。

因此，来自模型1115的输出可以包括第一马达命令1121、第二马达命令1125和第三马达命令1130。在示例系统1100中，可以理解的是，第一马达命令1121可以包括用于控制或调节施加到受试者的第一力的马达命令，第二马达命令1125可以包括用于控制或调节施加到受试者的第二力的马达命令，并且第三马达命令1130可以包括用于控制或调节施加到受试者的第三力的马达命令。在其他示例中，多个马达可以组合在一起以产生施加到受试者的第一、第二和/或第三力。由于机器人支撑系统(例如900)可以包括使用缆线的支撑系统，该缆线被设计成便于在3D笛卡尔坐标系的约束内，在多个方向上施加力，在一些示例中，第一、第二和第三输出电机命令可以通过控制器(例如935)解释，以将三个马达命令协调成一系列控制步骤，以便于施加更新的第一、第二和/或第三力。更具体地，可以基于从模型1115输出的马达命令来控制电动绞盘，使得更新的第一、第二和/或第三力可以容易地施加到受试者。为了确保将期望的力施加到受试者，定位在发生缆线交叉的节点(例如914)中的IMU(例如915)可用于监测施加到受试者的力，并迫使受试者施力到机器人支撑结构上。当更新的期望力与IMU测量的力匹配在阈值内(例如在5％或更小，或在1％或更小内)时，可以理解支撑系统正在向受试者施加适当的矫正力。

在一些示例中，基于模型1115控制电动绞盘以对受试者施加期望的力可以包括考虑缆线张力，其可以进一步包括考虑缆线的固有弹性特性。例如，内置于模型1115中可以包括根据与通过电动绞盘的电机命令相关的缆线刚度的模型，并且还可以根据通过受试者施加在缆线上的力。模型1115可另外包括补偿受试者在任何特定方向上的动量。输入到模型1115中的参数可以使得受试者的动量能够被确定，其可以包括动量矢量的量。例如，通过策略性地放置在受试者上的标记(例如906)观察到的变化率可以在一些示例中通过存储在控制器的存储器上的程序来确定动量。在一些示例中，动量可以附加地或替代地至少部分地通过IMU(例如915)监测的力来确定。如果不考虑诸如缆线张力、通过受试者施加在机器人上的力、受试者的动量等变量，则任何有助于施加第一、第二和/或第三力的马达命令的任何计算可能是不足的。通过考虑这些变量，可以通过机器人支持系统施加适当的马达命令，使得适当更新的第一、第二和/或第三力可以适当地施加到受试者。

现在转向图12，其示出了图11所示系统的另一示例性实施方式1200。更具体地，图12示出了来自被监测参数的反馈(例如，如关于图11所讨论的，与受试者相关的运动参数和/或来自机器人支撑结构的测量力)可以用于在康复程序期间持续地更新施加到受试者的力。因此，图12所示的是由标记1121(例如第一马达指令)、1125(例如第二马达指令)和1130(例如第三马达指令)所示例的3个马达指令。另外示出了模型1115，以及上面讨论的监测参数1120。如上面在图11中所讨论的，第一马达命令1121、第二马达命令1125和第三马达命令1130可以包括马达命令，以分别调节施加到受试者的第一、第二和/或第三力，或者当组合在一起时如所期望地控制力量。因此，可以在连接点1203处对这样的力求和，以提供合力矢量1205。力矢量1205可以包括施加到受试者的力的总和，使得期望的第一、第二和第三力中的每一个是被满足的。如上所述，对应于机器人支撑系统(例如900)的IMU(例如915)可以用于监测施加到受试者的力，直到力的总和(通过力矢量1205示例)被指示为施加到受试者。当满足这些条件时，可以理解，所需的第一、第二和第三力被施加到受试者。随着施加到受试者的所需第一、第二和第三力，监测参数1120(包括但不限于CoM轨迹、地面反作用力测量(例如129)、运动特征(例如127)、肌肉活动(例如128)、经由IMU(例如915)的监测力等)可以输入到模型1115。基于所施加的力和所监测的参数，可以确定是否可以施加辅助力以满足模型1115。因此，模型1115可以根据来自模型1115的反馈1230输出更新的马达命令(例如，1121、1125、1130)。以这种方式，系统可以使得施加到受试者的力能够在康复程序期间辅助用于受试者的期望的运动模式。

因此，基于图11-12的描述，可以理解的是，机器人支撑结构不是直接控制受试者的位置，而是控制施加到受试者的力或一组力以辅助期望的运动例程。

机器人支撑结构可以采用其他控制方案。例如，在一些情况下，可能希望以恒定力模式控制机器人支撑结构，其中第一、第二和/或第三力在康复训练程序中被控制为基本恒定(例如，在期望的第一、第二和/或第三力的5％或更小内)。现在来到图13，其示出了示例性控制方案1300，其可以使得施加到受试者的力(例如，第一力、第二力、第三力)在康复程序的持续时间内保持在基本恒定的水平。这种控制方案的一部分可以存储在控制器(例如935)的存储器上，该控制器在被执行时可以使施加到受试者的力基本上保持恒定。简而言之，期望的力矢量1301(例如1205)或期望的单独的力(第一、第二和/或第三)可以与来自传感器1318的反馈1330一起输入到求和节点1302。在控制的示例中，设置方案以在恒定力模式中控制施加到受试者的力，传感器1315可包括与IMU(例如915)相关联的传感器，例如包括但不限于加速度计(例如916)、陀螺仪(例如917)、磁力计(例如918)的那些，其中IMU测量施加到受试者的来自机器人支持系统(例如900)的力，反之亦然。利用来自传感器1318的反馈对要施加到受试者的期望力求和的输出1304(例如，误差)可以包括对比例、积分、微分(PID)控制器1305(例如935)的输入，其输出可以包括马达命令1306，以控制经由机器人支撑结构1315(例如900)施加到受试者的力，以满足模型。来自机器人支撑结构的输出可以包括过程变量1316(施加到受试者的力)，其因此可以由传感器1318监测，并且来自传感器1318的输出和期望的力1301之间的误差1304可以再次输入到PID控制器1305，以获得用于控制力以满足模型的新的马达指令1306，。

类似于上面针对图11-12所描述的控制方案，图13中描绘的控制方案可以根据线缆张力、受试者的动量等。

以这种方式，可以理解的是，机器人支撑结构可以在特定训练例程的期间，在所有笛卡尔方向上，对于施加到受试者的力保持基本恒定的水平(例如，第一力、第二力和/或第三力中的一个或多个)。在一些示例中，期望的力可以包括根据方法1000确定的力，如图10所示。

在没有多次重复类似图表的情况下，如所描绘的这样的控制系统1300可以实现对其他期望变量的强健控制。例如，可能希望经由机器人支撑结构(例如900)控制受试者上的力，使得可以在特定训练例程(部分训练程序或所有训练程序)的持续时间内以基本恒定的速度辅助受试者行进(例如，地上)。在这样的示例中，对求和节点(例如，1302)的输入可以包括受试者的期望速度和测量的速度。因此，误差或偏移可导致机器人支撑结构施加力(例如，第一、第二、第三力的任何组合)以将受试者的速度控制到期望的速度。在这样的示例中，可以理解的是，可以使用如图13所示且专门用于将受试者控制为恒定速度的控制方案。在一些示例中，用于确定速度的传感器(例如，1318)可以包括能够获得与运动学、动力学和/或肌电活动相关的信息的传感器，经由存储在控制器的存储器上的程序(例如935)可以自传感器计算速度。

在一些示例中，这种控制方案(例如1300)可以实现对其他变量的强健控制。例如，可以控制力或者可以辅助特定变量，例如步长、受试者的一个或多个肢体的运动范围、步幅长度、踏板速度(在涉及自行车的训练计划的情况下)可以被辅助。例如，传感器(例如1318)可以包括运动学、动力学和/或EMG反馈，其可以与期望的变量(例如阶梯高度等)进行比较，并且来自这种比较的输出可以包括用于鼓励或辅助受试者的运动命令，例如，到达期望的台阶高度。

因此，总之，可以理解的是，在一些示例中，施加到受试者的力可以是封闭回圈的一部分，使得施加的力可以是一个或多个监测变量的函数，所述监测变量来自与受试者的运动相关的参数、作用于受试者的测量力、通过受试者作用于支撑结构的测量力等。

现在转向图14，示出了用于控制施加到进行康复例程的受试者的多个力的高级示例方法1400。更具体地，可以将包括第一力、第二力和/或第三力的第一组力施加到受试者，其中第一组包括从至少用于特定康复程序的运动模型导出的一组力。在康复程序期间，可以记录一个或多个力数据(例如，经由IMU)、运动学、动力学和/或肌肉活动，并且经由控制器处理以指示辅助力(例如，第一、第二和/或第三力的第二组)是否可以施加到受试者，以便适当地辅助对应于特定康复程序的受试者的运动。因此，根据下面的方法，这些方面可以至少部分地经由存储在控制器(例如935)的存储器上的程序来执行。用于执行该方法的控制方案可以至少部分地包括如图11至12中所示的控制方案。可以理解的是，这种方法可以应用于不同类型的康复程序，因为该方法包括一般示例方法，并且因此可以从上述方法1000的步骤1020延伸。

方法1400开始于1405，并且可以包括将第一组力施加到受试者，开始康复训练程序。如上面关于图10所讨论的那样，在一些示例中，可以从受试者记录动态(例如129)和运动学(例如127)数据中的一个或多个，并且可以将数据提交给神经网络(作为一个示例)以获得第一力，以施加到受试者(参见方法1000的步骤1005)。随后，可以通过模拟期望的行为(例如步态)来确定第二和/或第三力，其中第二和/或第三力可以补偿源自第一力的任何不期望的运动方面(参见方法1000的步骤1015)。作为包括在地上行走的康复训练程序示例，第一力可以包括向上的力。如果单独施加所识别的向上力可能导致不期望的运动方面(例如，不期望的倾斜、步行速度的降低、踩踏模式的退化等)。因此，如上面在图10中所讨论的，模拟根据第一力的地上康复训练程序的步态可以提供能够补偿不期望的运动方面的第二和/或第三力。在康复训练程序包括其他活动(例如骑自行车、从站立到坐着姿势、从坐着到站立姿势等)的其他示例中，第一，第二和/或第三力可能与所描述的地上走路程序不同。

因此，在1405处，施加第一组期望力可包括控制器(例如935)以协调方式命令或致动连接到多个机器人支撑系统线缆的马达(例如912)，从而控制线缆张力，使得第一组期望力(例如，第一力、第二力、第三力)可以施加到受试者。更具体地，可以控制马达，使得线缆中的张力被协调以将第一力、第二力和第三力施加到受试者。如所讨论的，力矢量可以包括第一、第二和第三力的总和，由此位于多个线缆的交叉点处的IMU可以使得能够指示何时将期望的第一组力施加到受试者。

利用施加到受试者的第一组力，方法1400可以进行到1410并且可以包括监测来自受试者的至少运动学和/或动力学活动中的一种或多种。在1410处，方法1400可以进一步包括通过IMU中的传感器(例如915)测量施加到受试者的力和经由受试者施加在支撑系统上的力。在一些示例中，步骤1410可以进一步包括监测肌肉活动(例如，128)。如上所述，这样的数据可以包括从策略性地放置在受试者上的监测标记(例如906)提取的运动特征、与特定运动(例如步态)相关的力、CoM轨迹等。可以将这样的数据传送到控制器，其中可以通过存储在控制器处的模型(例如1115)在1415来处理它。该模型可以包括与特定康复程序期间受试者的运动相关的预期特征，并且该模型因此可以将在1410记录的实际数据与模型进行比较，从而可以指示预期运动和实际运动特征之间的任何差异。

进行到1425，方法1400可以包括确定要施加的补偿力或辅助力以满足模型(例如1115)。如上面关于图11-12所讨论的，模型可以输出第二组力以施加到受试者，使得所监测的运动参数和/或力与模型化参数更接近地对准。如上所述，这种模型可以考虑受试者的动量(可以定义为动量矢量)，并且可以进一步考虑缆线的弹性性质。输出(例如，第二组力)可以包括与第一力、第二力和第三力相关的马达命令，为此可以控制马达以经由控制支撑系统缆线中的张力来实现。因此，进行到1430，方法1400可以包括命令马达施加这样的力，使得第二组力施加到受试者。可以控制马达，直到通过IMU测量的力基本上等于在步骤1425中确定的第二组力。作为示例，可以确定为了鼓励运动特征更加紧密地与建模对齐，第一力可以减小特定量，而第二力可以经由定义量增加，且第三力可以保持恒定。作为另一个示例，第一力可以增加定义量，第二力可以增加另一个定义量，第三力可以减少另一个定义量。这些示例的任何排列都在本公开的范围内。

在致动马达以将第二组力施加到受试者之后，方法1400可以进行到1435。在1435，方法1400可以包括指示特定训练例程是否结束(是)或不结束(否)。例如，在训练例程包括地上行走例程的情况下，当受试者到达定义距离的末尾时，可以指示例程的结束。在训练例程包括另一个例程(如骑脚踏车)的情况下，例程可以在预定的时间帧或其他相关参数之后结束。换句话说，对于每个特定训练程序，可能存在训练程序已经结束的点，此时方法1400可以结束。如果在1435处指示训练例程尚未结束，则方法1400可以返回到1410，并且可以包括继续监视所讨论的相关运动参数，使得可以将另一组辅助力施加到受试者。以这种方式，可以连续地更新这样的力并且将其实时地施加到参与训练例程的受试者(例如，在输入(如与运动相关的参数)与输出(如马达命令)之间具有最小延迟的情况下)，使得在特定的训练程序期间，可以适当地辅助受试者(例如，根据需要或预期进行辅助)。

虚线框1440示出了方法1400期间的步骤，如上面关于图9的描述所讨论的，在该步骤期间可以将神经调节施加到受试者。神经调节可以包括电刺激(例如硬膜外和/或硬膜下电刺激)或电刺激和某种形式的药理刺激。例如，可以将神经调节施加到受试者以便促进受试者所期望的运动。在指示受试者使用下肢(例如，在地上行走、坐着到站立、站立到坐着等)的情况下，可以提供下肢刺激。电刺激部位可以包括一个，并且在一些示例中可以根据特定例程的特定子阶段打开或关闭。电刺激部位可替代地包括两个，其中每个刺激部位可以独立地根据特定例程的特定子阶段打开或关闭。在一些示例中，电刺激可以是时间特定的，而在其他示例中，刺激可以是实时的(例如，在输入(如与运动相关的参数)与输出(如电刺激)之间具有最小延迟(例如，5秒或更短或1秒或更短)的情况下)，根据与运动相关的记录参数(例如，所监测的运动学、动力学、神经元活动和/或EMG活动)。上文在图9中描述了关于神经调节施加到受试者的细节。

现在详细说明用于本文讨论的机器人支撑结构(例如，900)的示例性实施方式。来到图15，示出了使用本文讨论的方法和系统进行地上训练例程的示例时间线1500。时间线1500包括曲线1505，其指示经历过地上训练例程的受试者的质心(CoM)轨迹随着时间的推移，其具有如上关于图14所讨论的辅助力校正或补偿。曲线1510表示如果未随时间采用辅助力校正或补偿的受试者的CoM轨迹。时间线1500还包括随时间推移的脚轨迹1515。脚轨迹1515示出了右(R)和左(L)脚的放置。虚线脚放置1516示出如果不施加辅助力校正或补偿则可能发生的退化脚放置。时间线1500还包括曲线1520，其指示施加到受试者的第一力的量，曲线1525，其指示随着时间的推移施加到受试者的第二力的量，以及曲线1530，其指示随着时间的推移施加到受试者的第三力的量。对于曲线1520、1525和1530，更大量的力对应于y轴上的更高位置。在该示例时间线1500中，可以理解的是，第一力包括受试者上的向上力(垂直)，第二力包括受试者上的前向力(水平)，第三力包括受试者上的侧向力。

在时间t0，受试者启动地上训练程序。可以理解的是，在时间t0，受试者静止不动，而没有尝试行走。因此，将一组力(曲线1520、1525、1530)施加到受试者(参见方法1400的步骤1405)，以帮助受试者。更具体地，对于特定选择的训练例程(例如，地上)，可以根据图10所示的方法1000确定该组力。利用通过机器人支撑结构(例如900)施加到受试者的力，在时间t0和t1之间，受试者继续在地上行走，同时机器人支撑系统辅助运动。当受试者穿越地上时，可以理解，可以通过控制器(例如935)记录运动活动(例如127)、动力学活动(例如129)和/或肌肉活动(例如128)中的一个或多个。此外，可以经由惯性测量单元(例如915)监测经由支撑系统施加到受试者的力，并迫使受试者施力在支撑系统上。如上所述，通过获得这样的信息，可以提取运动的特征。这些特征可以合并到模型(例如1115)中，其中模型可以包括与受试者的运动相关的预期特征。该模型可用于指示预期运动和实际运动特征之间的任何差异。为简单起见，示出了两个这样的运动特征，特别是CoM轨迹和脚轨迹。

在时间t0和t1之间，可以理解，受试者的CoM轨迹与模型一致。换句话说，没有指出对所施加的力的辅助改变，因此力保持恒定。曲线1505示出了在具有辅助力改变(校正力或补偿力)的情况下的CoM轨迹，且曲线1510示出如果不经由机器人支撑结构提供辅助改变的CoM轨迹。如图所示，两个CoM轨迹在时间t0和t1之间基本相等，表明在不对已经施加的力进行辅助校正的情况下，受试者正如预期那样的表现。类似地，两个脚轨迹在时间t0和t1之间基本上重迭。

然而，在时间t1和t2之间，从受试者获取并且馈送到模型中的撷取数据(例如1115)指示模型和所撷取到的数据之间的差异。因此，响应于这种差异，可以稍微改变施加到受试者的力，以鼓励或帮助受试者以预期的方式执行例程。因此，在时间t1和t2之间，指示第一力、第二力和第三力中的每一个被改变。例如，施加到受试者的第一力增加，然后稍微减小，然后在时间t1和t2之间减少更多。在增加之前，第二力减小，然后再次减小。第三力增加，然后在时间t1和t2之间减小。如果没有进行这种辅助力改变(曲线1510)，则CoM轨迹将基本上不同于所期望的轨迹。类似地，如果没有进行辅助力改变(脚轨迹1516)，则受试者的脚的放置可能变得非最佳的或非期望的。因此，当提供辅助力改变时，期望的脚轨迹可以与实际的脚轨迹更紧密地对准(曲线1515)。

在时间t2和t3之间，再次没有通过模型指示辅助力校正，因此受试者继续保持恒定或基本恒定的力。可以理解，时间线1500可以包括训练例程的快照，其中训练例程包括在地上行走预定长度。例如，这在整个这样的训练例程中可能存在多次，其中机器人支撑结构可以改变施加到受试者的力，从而鼓励受试者的期望的运动模式。为简单起见，这只是这种补偿的一个例子。

现在来到图16A-B，训练例程可以涉及受试者从坐着1603到站立1604位置1600，或从站立(1604)到坐着(1603)位置1650。来到图16A，其显示了人1602的棒图。棒图1602示出了被划分为相关部分的人，包括头部1605、躯干1610、大腿1615和脚部1620。例如，这些部分可以在坐着1603和站立1604之间的过渡期间建模。更具体地，在一个示例中，健康受试者(例如，没有神经退行性病症)可以配备有一个或多个用于监测运动活动的标记物(例如906)、用于记录肌肉活动的双极电极，并且它们可以将脚部放在用于测量动力学活动的地面力板上。可以指示健康人进行坐着到站立(例如1600)例程和/或站立到坐着(例如1650)例程。基于从健康受试者获取的数据，可以生成用于坐着到站立程序和/或站立到坐着程序的期望运动模式的模型1601。如将在下面讨论的，该模型可用于合并从具有神经障碍的受试者获得的数据(运动学，动力学，肌电图)，以确定在坐着到站立或站立到坐着的程序期间施加到受试者的期望力。在一些示例中，可以基于健康人的运动为特定受试者生成这样的模型，该运动具有基本相等的尺寸(高度、重量)和构建。

在一些示例中，图10中描绘的方法1000的一般方案可用于确定施加到受试者的第一力，然后确定施加到受试者的第二和/或第三力以进行坐着到站立或站立到坐着的例程。例如，在步骤1005，方法1000可以包括从受试者获取训练常规特定数据。来到图16A，这样的数据可以包括在受试者坐着并试图站立时，记录来自受试者的运动学、动力学和/或肌电图数据中的一个或多个。或者，来到图16B，这样的数据可以包括在受试者站立并试图坐着时，记录来自受试者的运动学、动力学和/或肌电图数据中的一个或多个。在一些示例中，可以将一系列第一力施加到受试者，例如一系列向上的力，以辅助运动。例如，第一力可以5％的增量包括相当于20％、25％、30％、35％、40％、45％、50％、55％、60％(体重百分比)或小于20％或大于60％的向上力。可以在试图站立时(图16A)或试图坐着时(图16B)监测受试者，并且从与受试者的运动(运动学，动力学，肌电图)相关的特征的分析，可以获得期望的第一力(例如，期望的向上力)。换句话说，在一些示例中，第一力可以凭经验确定。又在其他示例中，如上面关于图10所讨论的那样，可以在试图站立或坐着时从受试者获取动力学和运动学数据，并且可以将所获取的数据馈送到神经网络(例如315)中，该神经网络可以输出期望的或理想的(例如最佳的)第一力。随后，可以如关于图10中的步骤1015所讨论的那样确定第二和/或第三力。更具体地，施加第一力可能不利地影响从坐着到站立的运动的某些方面，这可以通过施加第二和/或第三力来补偿。例如，改变的参数可以涉及身体的特定部分的运动速度、与特定身体部分相关的运动的长度、地面力反应(例如动力学)的不期望的变化、不期望的倾斜(例如水平和/或横向摇摆)等。因此，可以使用上述模型(例如1601)模拟期望的行为，考虑所获得的第一力，以确定施加到受试者的第二力和/或第三力，以补偿任何源自第一力的不期望的方面。

在一些示例中，如上所述的第一、第二和第三力可以用于在训练程序的持续时间内进行训练程序。换句话说，在坐着到站立(图16A)或站立到坐着(图16B)期间施加到受试者的力可以如所描述的那样确定，并且在所选择的训练程序期间施加到受试者。在这样的示例中，如上所述且将在下面进一步详细讨论的，如果与运动相关的建模参数与记录的运动参数不同，则在特定例程期间仍可补偿施加到受试者的力。

然而，由于在从坐着到站立姿势，以及从站立到坐着姿势可能发生一系列运动，一组力(其可在整个选定的训练例程中得到补偿)可能不是足以满足与受试者的期望运动模式相关的所有约束。现在转向图16C，示出了示例性图示1670，示出了许多不同的“阶段”，其中从坐着姿势进行到站立姿势，期望的第一力、第二力和第三力可以根据哪些运动的方面被受试者执行而改变。因此，可以理解，图16C是参考图16A讨论的。类似地，图16D将参考图16B讨论。

在示例图示1670中，示出了第一阶段1630、第二阶段1632，第三阶段1634、第四阶段1636和最终阶段1638。在实践中，取决于结合到运动的模型(例如1601)中的细节水平，可以存在任何数量的阶段(大于五或小于五)。例如，随着模型中细节水平的增加，阶段的数量可能增加，反之亦然。在其他示例中，阶段的数量可以基于受试者在从坐着姿势到站立姿势时经历的一组定义的运动，因此可以是固定的。

如所讨论的，在示例图示1670中，示出了五个运动阶段。在这个示例中，五个阶段可以指初始坐着姿势1630、躯干/头部1632的向前运动、大腿/腿/脚接合1634和躯干/头部的提升、身体1636的伸展/伸长以及最终的站立姿势。这些阶段本质上是示例性的，并且其他阶段也在本公开的范围内。

对于示例说明1670中的每个阶段，示出了第一力、第二力和第三力。每个力的箭头长度表示每个力的相对量。在这个示例中，可以理解的是，第一力包括向上(垂直)力，第二力包括前向(水平)力，第三力包括侧向(横向)力。在没有施加力的情况下，描绘了没有箭头的线。

例如图16C所示的例程，在为例程的每个阶段确定不同的力的情况下，上面关于图10讨论的一般性方法可能仍然适用。然而，差异可能在于，对于每个阶段，需要确定新的第一、第二和第三力。如上面针对地上程序所描述的，在每个阶段依据经验测试第一力的范围可能是不实际的，因此可以替代地使用建模方法。例如，当受试者正在经历坐着到站立例程时，可以从受试者获取动力学、运动学和/或EMG数据，并且可以将数据馈送到神经网络模型(例如类似于315)，其可以是为例程的每个阶段输出所需的第一力。类似地，给定每个阶段的第一力，可以通过遵循与图10的步骤1015中描述的逻辑相似的逻辑来确定第二和第三力。例如，每个阶段的期望的第一力可能导致每个阶段的不期望的运动参数，其可以通过第二和/或第三力来校正。此外，在一些示例中，第一力可能不会导致特定阶段的不期望的运动参数，而是可能需要第二力和/或第三力来鼓励或辅助特定类型的运动。例如，考虑阶段1632，其包括躯干/头部的向前运动。在这样的示例中，期望的第一力可能会或可能不会对其他运动产生不利影响，但是可能进一步期望增加前向力，以鼓励或辅助包括第二阶段的这种运动。类似的逻辑可适用于每个阶段，以及其中的力的选择。

因此，例如使用所讨论的模型1601，可以经由模拟坐着到站立的例程来确定第二和第三力。通过模拟坐着到站立例程，并考虑施加到受试者的第一力(针对每个阶段确定)，可以确定每个阶段的第二和第三力。

作为解释，这里将讨论使用图示1670的示例。当受试者坐着时，经由机器人支撑系统(例如900)施加指示的第一(向上)、第二(向前)和第三(横向)力。第一力大于第二力，并且不施加第三力。因此，由于较大的第一力，如经由施加第二力所示，受试者可以被支撑在直立姿势，但是可以准备好试图站立。在一些示例中，第二力可以不是让受试者“准备好”试图站立，而是可以抵抗与所施加的第一力相关的不期望的运动方面。

可以理解的是，在例程期间，可以从受试者记录运动学、动力学和/或肌肉活动中的一种或多种，使得当受试者进入该常规的新阶段时可以容易地指示。例如，当从受试者记录的运动学数据(或动力学或EMG数据)指示第一阶段结束并且第二阶段已经开始时，可以控制与机器人支撑结构相关联的马达以致动所确定的第二阶段的力等等。

在转换到第二阶段1632时，可以控制施加到受试者的力以匹配所确定的第一、第二和第三力。由于该示例中的第二阶段包括躯干/头部的向前运动，所以第一(向上)力减小，并且第二(向前)力增加。此外，这种力可能会向受试者引入不希望的横向倾斜，这会被第三力抵抗。尽管该示例示出了第二力的增加，但是在一些示例中，第二力可以替代地减小，以抵抗受试者的向前运动，在没有这样的力的情况下，受试者可以比期望的更远地倾斜。如所讨论的，这些示例意在说明。

第三阶段1634可包括大腿/腿/脚接合和躯干/头部的提升。在这个示例性图示中，第一力和第二力可以保持与在第二阶段1632中施加的力基本相同，但是由于腿的接合，横向倾斜不再需要校正，因此第三力被移除。

第四阶段1636可以包括身体的伸展/伸长。在这个示例中，可以通过保持第一力和减小第二力来根据需要实现身体的伸展/伸长。此外，可以施加第三横向力以促进所期望的运动。

最后，第五阶段1638可以包括没有向前或向后运动(或横向运动)的站立。减小的第一力和减小的第二力以及第三力的移除可以包括用于辅助站立就位的期望力。

在一些示例中，可以平滑每个力的控制(例如，第一力、第二力、第三力)，使得施加到受试者的力容易从一个阶段过渡到下一阶段，而在力的施加上没有突然变化。插图1640描绘了第一力的示例，其开始是较高的施加力，但随后在第二、第三和第四阶段下降并稳定，并且在第五阶段中进一步减小。

为了避免冗余，将仅简要描述图16D所示的图示1690，因为其基本上类似于针对图16C所描述的图示。例如，类似于图16C，可以存在五个不同的阶段，包括第一阶段1655、第二阶段1656、第三阶段1657、第四阶段1658和第五阶段1659。第一阶段1655可以包括受试者静止站立，而第五阶段1659可以包括处于坐着姿势的受试者。阶段1656到1658可以包括从站立到坐着的各种阶段，类似于图16C中描述的从坐着到站立的阶段。对于每个阶段，除了第二和/或第三力之外，还可以确定期望的第一力。在示例性图示1690中，可以理解的是，与图16C类似，第一力包括垂直力，第二力包括水平力，第三力包括横向力。因此，在受试者站立的情况下，施加第一力和第二力以促进站立而没有不期望的运动。随后，当受试者过渡通过站立到坐着的例程的各个阶段时，在每个阶段向受试者施加单独的一组力。类似于图16C中描绘的插图1640，插图1695描绘了第一力随时间的变化的示例。

如上面关于图11-12和图14所讨论的，无论一组力量是通过从坐着到站立或是站立到坐着的例程进行，或者是否根据受试者为特定程序进行的运动阶段而改变力，这些力仍然可能基于与运动相关的监视条件在一定程度上进行补偿。现在来到图17，示出了用于进行站立到坐着或坐着到站立的程序的高级示例方法1700，其中这种程序被分成多个阶段，使得在每个阶段期间可以对受试者施加不同的力。方法1700可以通过控制器(例如935)至少部分地执行。可以理解的是，方法1700可以不限于执行站立到坐着或坐着到站立程序，而是可以包括涉及不同阶段的任何例程，其中施加到受试者的期望力可以改变(参见例如图18-19)。方法1700基本上等同于图14中描绘的方法1400，因此将仅在此处简要描述，同时突出显示差异。方法1700开始于1705并且可以包括针对特定阶段施加一组期望的力(例如，第一力、第二力、第三力)。例如，来到图16C，如图16C所示，如果例程包括坐着到站立，并且受试者处于第一阶段，则可以施加第一和第二力，而不施加第三力。然而，重申，这种力本质上是示例性的。

返回图17，如本文所述，在1705处施加该组期望力之后，方法1700可以进行到1710，并且可以包括在受试者执行例程时监测与受试者的运动(例如，运动学、动力学、肌电图)相关的参数。然后可以将关于所监测的参数的数据馈送到用于特定期望运动的模型(例如1601)，其可以在1725输出辅助力以施加到受试者，从而促进所期望的运动模式。响应于要施加的辅助力或补偿力的确定，方法1700可以进行到1730，并且可以包括命令马达(例如912)来控制一个或多个缆线以对受试者施加辅助力。利用在1730处施加的辅助力，方法1700可以进行到1735，并且可以包括指示特定阶段是否已经结束。可以结束阶段的指示可以包括监测来自受试者的运动学、动力学和/或肌电图数据，以获得与受试者正在经历的特定运动阶段相关的信息。如果在1735处指示特定阶段未完成，则方法1700可以返回到1710，其中继续获取与运动相关的参数，使得可以在期望的地方施加额外的辅助力。

或者，如果在1735指示特定阶段已经结束，例如第一阶段(例如1630)已经结束并且第二阶段已经开始(例如1632)，则方法1700可以进行到1738。在1738，方法1700可以包括指示特定训练例程是否已经结束。如上所述，当受试者完成任务时，特定训练例程可被指示为结束，例如：受试者从坐着姿势到达站立姿势、当临床医生或医师确定要结束的任务时、在预定时间框架之后。如果指示例程已经结束，则方法1700可以结束。或者，如果在1738处，训练例程没有结束，则可以确定例程的另一阶段已经开始，因此控制器可以开始施加针对该特定阶段确定的一组力。

虚线框1740示出了方法1700期间的步骤，如上文关于图9和图14的描述所讨论的，在此期间可以将神经调节施加到受试者。如所讨论的，神经调节可以包括电刺激(例如硬膜外和/或硬膜下)，或者电刺激和某种形式的药理刺激。例如，可以将神经调节施加到受试者以便促进受试者的期望运动。在指示受试者使用下肢(例如，在地上行走、坐着到站立、站立到坐着等)的情况下，可以提供下肢刺激。电刺激部位可以包括一个，并且在一些示例中可以根据特定例程的特定子阶段打开或关闭。电刺激部位可替代地包括两个，其中每个刺激部位可以独立地打开或关闭，这取决于特定例程的特定子阶段。在一些示例中，电刺激可以是时间特异性的，而在其他示例中，刺激可以根据与运动相关的记录参数(例如，所监测的运动学、动力学、神经元活动和/或EMG活动)实时地进行。上文在图9中描述了关于神经调节施加到受试者的细节。

现在转向图18A，示出了训练例程的另一示例性实施方式1800。更具体地，训练例程可以包括在弯曲路径1805上行走在地上的受试者。在一个示例中，弯曲路径是机器人支撑系统(例如900)的工作空间的地板上的固定路径。在另一示例中，弯曲路径可包括基于增强现实的路径。在又一个示例中，路径可以包括在虚拟现实设置中传达给受试者的路径。图示的是受试者的左脚1807和右脚1809。该例程可以具有起点1810和终点1812。在一些示例中，施加到受试者的力可以在整个例程期间保持恒定。在这样的示例中，可以理解的是，机器人支撑系统可以被配置为在整个例程的持续时间内对受试者施加恒定的第一力、第二力和/或第三力。在图13中示出了用于在整个持续时间内在受试者上保持恒定的一组力的说明性控制系统。在一些示例中，可以将受试者控制到特定速度。在这样的示例中，可以通过与受试者的运动相关的一个或多个参数来控制或调节施加到受试者的力，使得速度可被确定。这些参数可以包括运动学、动力学和/或EMG数据，从中可以确定速度并且控制力以保持这样的速度。

在其他示例中，可以根据与受试者的运动相关的参数来控制对受试者的力，使得满足运动模型(例如1120)，并且相应地控制施加到受试者的力。用于控制施加到受试者的力的说明性控制系统如上文在图11-12中所述。在这样的示例中，当受试者在整个例程中前进时，施加到受试者的力可以稍微改变，使得满足模型的参数。

在其他示例中，如上面关于图16C-D所讨论的，可以存在用于特定例程的子阶段，其中施加到受试者的期望力可以改变，或者用于提供期望力的反馈控制设置可以是不同的(例如，不同的控制增益(PID)等)。为了说明这一点，在图18A中示出了两个示例子阶段1815和1820，然而可以理解的是，对于特定例程可以存在任何数量的子阶段。如上面关于图16A-D所讨论的，每个子阶段的期望力(例如，第一力、第二力、第三力)可以通过如图10所示的方法来确定。在这个示例性实施方式1800中，可以理解的是，第一力(例如向上力)和第二力(例如前向力)可以在第一阶段施加到受试者，而第三力(例如，横向力)可以不被施加。当受试者进入包括转弯1828的第二阶段1820时，期望力可以是不同的。如图所示，对于第二阶段施加到受试者的力包括前向力的减小和在所指示的方向上的轻微横向力，以在受试者进行转弯时支撑受试者。如上所述，用于子阶段的这种力是说明性的。

现在转向图18B，示出了训练例程的另一示例图示1850。更具体地，图示1850示出了不规则间隔的梯子1852。在一些示例中，梯子可以包括实际的梯子，而在其他示例中，梯子可以包括例如投影的梯子。换句话说，在一些示例中，梯子可以包括增强现实器件。如上所述，其他示例中的梯子可以经由虚拟现实设置传达给受试者。图示的是受试者的左脚1855和右脚1857。示出了梯子的各个梯级1853。例程可以具有起点1860和终点1861。如上所述，用于向受试者施加力的控制方案可以包括在整个例程的持续时间内通过恒定的一组力来控制受试者。在这样的示例中，施加到受试者的力可以通过如图13中描述的控制方案保持恒定。在其他示例中，受试者可以被控制到特定的速度，其中可以控制施加到受试者的力或者通过与受试者的运动相关的一个或多个参数(例如，运动学、动力学和/或EMG数据)调节，使得速度可被确定。

在其他示例中，可以根据与受试者的运动相关的参数来控制受试者上的力，使得运动模型(例如1120)被满足，并且相应地控制施加于受试者的力(参见图11-12中的控制方案)。

又在其他示例中，如所讨论的，施加到受试者的期望力可以在与训练例程相关的不同运动阶段之间改变。简而言之，可以确定每个特定阶段的期望力，并相应地施加以适当地帮助受试者。例示说明的是三个阶段1870、1875和1880。可以理解的是，这些阶段是示例性的。简而言之，当梯子梯级之间的空间是定义的距离1881时，第一力1870(例如向上)和第二力1875(例如向前)可以在第一阶段施加到受试者。第二阶段1882可以包括梯级1853之间的较短距离1882，并且因此第二力减小，并且施加第三力(例如，横向力)以适当地帮助受试者前进到第二阶段中的下一个梯级。梯级之间的间距可以在第三阶段中再次增加，因此第三阶段中的期望力可以类似于第一阶段中描述的那些力。如上所述，这种对受试者施加的力的描述本质上是说明性的。

如上所述，无论一组力是否通过特定例程进行，例如关于图18A-B讨论的例程，或者力是否根据与特定例程相关的不同运动阶段而改变，基于与运动相关的监测条件，这种力仍可在某种程度上得到补偿。因此，在不包括特定阶段的示例中，可以利用图14中描绘的方法1400，而在包括特定阶段的示例中，可以使用图17中描绘的方法1700。

现在转向图19，其描绘了另一个示例性训练例程1900。这样的训练例程可以包括一系列运动，并且因此，其可能不期望在例程的整个持续时间内使用基本相等的辅助力的常数。简而言之，受试者1901可以处于坐着姿势1905，然后可以转换1907到站立姿势1909。一旦处于站立姿势，受试者可以在地上行走1911预定距离或持续时间，并且在地上例程1911结束时，可以再次进行站立姿势1913(例如1909)。从站立姿势1913，受试者可以旋转1915(例如180度)到站立姿势1917，站立姿势1917是与由标号1909和1913指示的站立姿势相反的方向。从那里，受试者可以转换1919到坐着姿势1921(例如1905)。

因此，这种例程可能有许多阶段。例如，对于坐着姿势，可以将第一组力1930施加到受试者。当受试者转换1907到站立姿势1909时，可以将第二组力1935施加到受试者。在受试者处于站立姿势1909的情况下，可以将第三组力施加到受试者。而在地上行走1911时，可以对受试者施加第四组力1945。在地上行走1911之后，在受试者处于站立姿势1913的情况下，可以将第五组力1950施加到受试者。可以理解的是，在一些示例中，第五组力1950可以与第三组力1940相同。当受试者旋转1915以便坐下时，第六组力1955可以施加到受试者。在旋转之后，可以将第七组力1960施加到受试者。可以理解的是，第七组力1960可以包括与第三组力1940和第五组力1950的力基本相似的一组力。从站立姿势1917，受试者可以转换1919到坐着姿势1921。当受试者转换1919到坐着姿势时，可以将第八组力1965施加到受试者。在受试者坐着的情况下，可以将第九组力1970施加到受试者。此外，可以控制所施加的力，以在不同例程的期望力之间转换。在一个示例中，力同时且自动地转换，并且在另一示例中，它们响应于用户输入和/或患者命令/运动而转换。

虽然没有明确说明，但可以理解的是，如上面关于图16A-D详细讨论的，对于例程的每个部分，例如从坐着转换到站立1907，可以存在特定于例程的特定部分的任何数量的阶段。

对于例程的每个部分(包括例程的特定部分的任何阶段)，施加到受试者的力可保持恒定(参见图13)、可操纵以实现受试者的预定速度(参见图13)或者可以包括可以基于与受试者的运动相关的预期或期望参数的模型或一模型而微妙地改变的力(参见图11-12、14、17)。

未具体示出的其他例程可以包括爬楼梯或下楼梯，其中本文描述的系统和方法可以类似地用于帮助或鼓励受试者进行特定的例程。

开发了一种算法，尽管施加了适合其特定需要的体重支撑，该算法配置躯干运动的辅助，以恢复神经损伤个体的倒立摆锤式步态行为。重力辅助建立了安全和自然的步态康复环境，其中具有神经缺陷的个体能够执行基本的和熟练的运动活动，这在没有机器人辅助的情况下是不可能的。在重力辅助的情况下的步态康复的运动表现的短期和长期改善说明了这种环境增强运动恢复的潜力。

部分体重支持的步态治疗是一种常见的医疗实践，可以改善神经系统疾病后的运动恢复(12、13)。目前，治疗师仅根据视觉观察根据经验配置体重支持水平。如先前在SCI的啮齿动物模型(20)中所报导的，发现每个神经损伤的受试者的临床表型确定了促进步态执行所需的向上躯干支撑的精确量。在受影响最大的受试者中，即使向上力的构型的最小变化也强烈地影响受试者的运动表现。

此外，目前的体重支撑系统提供限制在向上方向上的躯干辅助(18)。然而，人们发现，向躯干施加向上的力会引起身体方向的逐渐向后偏移，这显著地破坏了站立和行走的控制。附加良好校准的前向力对于恢复身体的姿势取向至关重要，从而减轻向上力对步态和平衡产生的不良影响。

总之，这些观察结果表明，临床体重支持系统的普遍使用和设计对于姿势和步态的康复而言并不是最理想的。高水平体重支持导致的肌肉活动异常模式表明，目前的做法甚至可能对重新学习走路有害。相对而言，重力辅助建立了一个康复环境，该环境在机械和生理方面针对用户特定需求进行了优化，外部约束适应每个用户的剩余运动控制能力。由此产生的步态执行促进是出乎意料的。具有脊髓损伤或中风的受试者立即展现出改善的运动表现，这转化为对于具有对腿部肌肉活动的足够残余控制的无法走动个体行走的能力。对于受影响较小的个体，重力辅助使其能够执行在没有机器人辅助的情况下不可能进行的熟练的运动活动。这一结果很重要，因为任务特定的训练决定了神经系统疾病后步态康复的结果(16)。

重力辅助增强了质心的振荡，从而改善了动能和势能之间的能量交换。尽管对重力方向施加了体重支撑，但健康和神经损伤的受试者都改善了其倒立摆锤式步态运动的效率。除了这些能量交换对步态效能的重要性之外(1、5、6)，我们推测重力依赖性步态相互作用对于学习和重新学习步行至关重要。例如，尽管无法与支持康复的用户的情况进行比较，有证据表明，在幼儿的第一个不受支撑的步伐中，依赖引力的步态相互作用是步态成熟的功能性触发因素(28、31)，其中所述用户具有神经障碍。

在具有重力辅助的情况下的步态训练课程的短期影响证实了这一假设。结果发现，在具有重力辅助的情况下的常规地上步行会改善SCI受试者的运动表现。在没有机器人辅助的情况下的地上运动期间，这些改进持续存在。在跑步机上的步态训练期间没有发生类似的学习，其中躯干辅助被限制在向上方向上。相对而言，重力辅助鼓励受试者重新使用其残余运动控制能力，以重新掌握身体力学和重力之间的相互作用。因此，在安全自然的环境中进行这种类型的机器人辅助代表了步态康复的生态方法(32)。

重力依赖性步态相互作用在神经障碍后实现和改善运动控制中的重要作用，其强调了优化重力辅助算法背后的硬件和软件的重要性。在目前的情况下，施加到躯干的力在整个步态执行期间保持不变。此外，重力辅助仅针对向上和向前振荡。然而，倒立摆锤式步态行为需要在多个方向上精确定时的躯干运动(4、17、19、28)。例如，躯干的循环中外侧运动在运动期间维持动态平衡方面起着关键作用。

在动物模型(23、33-37)和人类用户(25、35、38-42)中有大量证据表明脊髓的电刺激促进了SCI后的腿部运动活动。例如，腰椎节段的硬膜外电刺激使得具有功能完全SCI的个体能够在手动辅助踩踏在跑步机上时对腿部肌肉活动的幅度进行自主控制(25)。

在本研究中，有机会在具有重力辅助的情况下对一名具有慢性SCI的个体进行脊髓电刺激以促进步态康复。参与者在左侧表现出明显的运动缺陷，这阻止了她在步态康复期间进行左腿的充分运动。步行受限于有限数量的步骤，具有高水平的体重支撑。因此，我们配置了刺激的位置和参数，以便于促进左腿的电机控制。为此，先前在啮齿动物模型中建立的概念框架被利用(29、30、36)。具体地，与腿部肌肉的调节相关联的本体感受反馈电路被定位，其在运动期间具有最低限度的活动性。这种有针对性的刺激增强了这些肌肉的下行运动控制，这改善了步态康复期间的许多相关运动特征。与仅通过机器人辅助和电化学刺激表现出运动改善的严重受伤的啮齿动物相反，受影响较小的参与者使用助行器重新获得了在没有重力辅助和没有刺激的情况下在地上行走能力。此外，这些改善在步态康复计划结束后持续了十多个月。先前的研究还报导了在功能完全(25)和不完全SCI(38、40)的个体中通过电刺激脊髓促进康复的运动表现的改善。

有证据表明，步态康复应该在地上进行(43)、跨越多种日常生活活动(16、44)、具有足够的支撑条件(43、45、46)，运动控制使能系统(45、47-50)，不受约束的手臂动作。

以下示例进一步说明了本申请

材料与方法

研究设计

开发了一种重力辅助算法，可根据用户特定的需求自动调整施加在躯干上的力，并证明了这种重力辅助算法能够调节具有SCI和中风用户的运动表现的短期和长期改善。为此目的，实施了8个实验方案，这些方案得到了佛德州(Canton de Vaud)当地伦理委员会的批准(瑞士，第141/14号)。评估在瑞士洛桑沃州大学医院(University HospitalofVaud,CHUV)中进行。

实验方案1：在8个健康个体中沿直线和曲线路径的运动期间验证神经机器人平台的特性。

实验方案2：表征施加于躯干的向上和前向力对运动学、动力学和静止站立和运动下的肌肉活动的影响。这些评估是在一组5名健康个体中进行的。

实验方案3：为了开发一种自动调整向上力以满足用户特定需求的算法，在总共9名具有SCI或中风的受试者的宽范围向上力的静态站立和运动期间进行实验记录。

实验方案4：根据步行速度和用户特定需求开发自动调整前向力校正的决策图，进行使用被动步行器的计算模拟，以及28名具有SCI或中风受试者的实验记录。

实验方案5：为了验证重力辅助算法，基于具有SCI或中风的6个受试者中的算法来配置向上和前向力。在具有重力辅助且向上和前向力的变化很小的情况下，这些受试者在运动过程中进行评估。

实验方案6：评估重力辅助的能力，以改善自然行走期间的运动表现和沿水平梯的不规则间隔的梯级的熟练运动。这些评估在总共13名SCI受试者和13名中风受试者中进行。基于13个健康个体中记录的运动学特征的差异来量化运动表现。

实验方案7：为了提供重力辅助对步态康复的治疗潜力的见解，与在具有重力辅助的情况下的地上进行的单次训练的短期效果相比，研究了在具有体重支撑的情况下的跑步机上进行的单次训练的短期效果。这些评估在相同的5名具有SCI的受试者上间隔一周进行。

实验方案8：进行了可行性研究，以评估具有重力辅助的情况下的步态康复的长期影响。为此目的，对具有慢性SCI(AIS-C)的无法走动的受试者进行了对运动表现的前瞻性评估，该受试者在具有重力辅助的情况下训练了8个月。为了在训练期间实现运动控制，使用最初植入的电极阵列来递送腰脊髓的硬膜外电刺激以减轻神经性疼痛。每周更新重力辅助和刺激的参数。

所有测量均使用具有高精度设备的受试者读数获得。由于实验条件(例如在具有和没有机器人的情况下)之间的明显差异，在数据采集和分析期间不可能进行盲化。所有记录的步态周期都包括在分析中。没有排除统计离群值。

参与者

共有26名具有SCI或中风的受试者和13名健康个体参加了研究。获得了每位参与者的书面知情同意书。实验方案符合赫尔辛基宣言的最新修订。所有神经功能缺损的受试者均由神经康复科(S.C)的医生追踪。在他们参加研究之前，收集受试者的病史以及标准的神经学评估。使用Motricity指数(54)测量运动评分，同时使用功能独立测量(FunctionalIndependence Measure,FIM)评估严重性(55)。在SCI受试者中也收集ASIA评分和WISCI-II。参加实验方案的每个神经损伤的受试者的主要特征总结在下表中。

脊髓损伤(SCI)

中风(STK)

神经机器人平台

为了在站立和行走期间实现运动学、动力学和肌肉活动记录，集成了市售技术。

先前，为受试者开发了一种多向机器人界面，在每个笛卡尔方向和旋转中提供可调节的躯干支撑(20)。为了进一步开发类似的人体重量支撑系统，开发了有线机器人技术(56)。设计了一种头顶式体重支撑系统，可以精确控制每个笛卡尔方向上施加在躯干上的力。先前已经描述了机器人的技术特征(56)。简而言之，两个平行的轨道水平地布置在天花板上并且沿着它们的纵向轴线朝向工作空间倾斜45度。轨道距离地面3.5m，占地面积为11.5m×2.5m。每个轨道引导两个偏转单元，这些偏转单元由带有可倾斜滑轮的球形承载车组成。滑轮的倾斜轴线平行于轨道。Dyneema缆线连接一个轨道上的两个车，以形成推车。驱动Dyneema缆线的电动绞盘位于轨道的末端。四个由螺旋钢弹簧组成的弹性元件将缆线连接到不锈钢环上，每个弹簧内部都有一条平行的橡胶绳。该布置允许四根缆线在特定点处相交，称为节点。绞盘位置通过电机轴上的编码器测量，而弹性元件的长度使用线电位计监控。结合加速度计、陀螺仪和磁力计的惯性测量单元(IMU)位于节点中。这些传感器提供冗余信息，允许通过优化计算节点的位置以及受试者上的合力矢量。之前已经详细描述了控制算法(56)。通信程序在Matlab中使用工作频率为1kHz的EtherCat网络实现(57)。

使用市售的挽具(MaineAnti-Gravity Systems，Inc.，USA)将受试者附接到机器人上。挽具的两个肩带通过带扣附接到板的两个外端。板本身枢轴安装在节点的下端。板可以无限旋转，允许受试者任意转动。机器人使受试者能够在20m²的工作空间内自由行走(长10m，宽2m，高2.6m)。机器人能够支撑100kg，最大向上支撑为90kg，在横向和纵向方向上的最大前向力为+/-5kg。跌倒检测器和平滑的反作用机构确保用户在跌倒时的安全性。

这些技术集成在神经机器人平台中，该平台结合了(i)监测运动学、动力学和肌肉活动信号的生理记录单元，(ii)机器人体重支持系统(20)和(iii)控制处理单元。控制处理单元允许基于任何记录的信号实时调整机器人致动、增强现实环境的更新和神经假体的调节。如先前所述的用于设计啮齿动物神经机能平台(26)，所有三个单元通过以太网网络使用实时的EtherCat总线进行互连。

行为任务和实验方案

在没有或具有机器人辅助的情况下，受试者在站立或行走期间记录四种行为范例：静止站立在力板上、沿直线路径移动、沿着投射到地板上的正弦路径运动、沿着具有不规则定位的梯级的真实或投影的水平梯子行走。

数据采集和分析

使用了先前公开的运动学、动力学和肌肉活动的标准化程序(27)。

运动学、动力学和肌电图记录

使用3D运动捕捉系统(Vicon，UK)获得运动记录，其中包括十四个Bonita10相机和两个Bonita720c DV相机。两个力板(9260AA6，Kistler，瑞士)位于工作空间中间的地面内，以监测地面反作用力和足部压力位移的中心。使用16通道无线记录系统(Myon 320，MyonAG，瑞士)监测肌电活动。根据已发表的方法将这些技术整合到神经机器人平台中(26)。

使用由Vicon开发的全身插入式步态(full-body Plug-In-Gait)模型定义的覆盖解剖学界标的34个标记记录躯干、头部和双侧腿和臂的运动学。这14台摄像头覆盖了12x4x 2m的工作空间。使用反射标记监测辅助器件的运动。视频记录以100Hz获得。使用ViconNexus软件离线重建标记的3D位置。身体被建模为相互连接的刚性段链。将人体测量数据(身高、体重、关节宽度)添加到全身插入式步态模型中以确定关节中心的位置，并且计算下肢的高度和关节角度。使用集成在地板中的两个力板获得地面反应矢量和前-后和中间-侧向扭矩。将双极表面电极(直径1cm，电极间距1cm)置于下列腿部肌肉上以记录肌电图活动：比目鱼肌、内侧和外侧腓肠肌、胫骨前肌、半腱肌、股二头肌、股外侧肌和股直肌。在站立和行走期间，动态和肌电信号以1kHz采样、放大与运动学数据在线同步，并存储用于离线分析。离线过滤肌电信号(带通10-450Hz)。在电生理学评估期间，以2kHz对肌电图记录进行采样。在这些记录期间，使用等速测力计椅(Humac Norm，Computer Sports Medicine，美国)测量在踝关节和膝关节水平上产生的扭矩(1kHz)。

对于运动，根据公开的方法(20、27、30、36)从运动学、动力学和肌肉活动记录计算总共140个参数。使用在Matlab中实现的自订程序码半自动计算参数。每组试验自动报告临床步态报告。临床步态报告旨在为医生及其受试者提供乐于阅读的文件，以便于使用重力辅助时，快速地可视化源头和步态不足的程度及其调整。对于站立，我们计算了总共15个通常用于评估姿势控制的参数。为了量化实验条件对站立和行走控制的影响并客观地测量运动表现，我们应用了主成分(principal component,PC)分析(20、30、36)。

主成分分析

将PC分析应用于从静态站立和运动期间获得的记录计算的参数，使用相关矩阵(20、30、36)应用PC分析。使用PC分析检查了三种类型的数据集。对于静态站立，PC分析应用于一组15个运动学、动力学和肌电图参数，在每个受试者的每个实验条件下在40个时间窗上计算，持续1秒。所述分析独立地应用于每个受试者。对于运动，PC分析同时应用于来自所有受试者的所有个体步态周期的所有计算的运动学参数，或者独立地应用于每个受试者的所有计算的运动学和肌肉活动参数。步态周期和姿势时间窗在两个第一PC定义的新合成空间中可视化。表现被测量为PC1-PC2空间中数据点与健康个体中获得的数据点的平均位置之间的欧几里德距离(20、30、36)。基于各个参数在每个PC上的因子负载(相关性)，提取考虑实验条件或受试者之间差异的相关参数。

统计分析

除非另有说明，否则所有数据均以平均值±SEM报告。当比较步态周期时，使用非参数MannWhitney U测试和非参数Kruskal-Wallis测试。双向ANOVA用于比较受试者和条件。当数据常态分布时，配对学生t测试用于重复测量，否则使用Wilcoxon符号等级测试。Anderson-Darling测试用于评估常态分布。在适当时使用Tukey-Kramer测试进行事后比较。统计测试在图的图例中指出。

示例1

实验方案1：神经机器人平台的性质和验证

在没有和具有机器人的情况下，在沿着使用增强现实系统投射在地板上的直线或曲线路径的运动过程中记录了8名健康受试者。他们被要求按照自己选择的速度自然行走。他们在两种情况下都穿着安全带。机器人配置为透通模式，这对应于启用机器人-受试者交互作用所需的最小向上力(4kg)。对于每种情况，记录和分析总共10个稳态步态周期。

示例2

实验方案2：向上和前向力对姿势和步态的影响

在静态站立同时附接到机器人界面时，首先记录5名受试者。他们被要求在睁开眼睛的情况下静静地站着。每只脚定位在其自身的力板上，其具有标准化的位置和方向(58)。脚跟的内侧之间的距离设定为8.4cm，并且脚的外旋角相对于矢状平面保持在9度。通过增强现实系统实时地投射到地板上，来指示受试者置中及稳定其脚步压力的中心。在记录期间移除了这种视觉生物反馈。然后要求受试者凝视在他们正前方3m处投射在地板上的视觉参考标记。每次试验持续20秒。每个向上力和前向力收集两个试验。

然后在大范围的向上力和前向力的运动期间评估相同的受试者。要求受试者以他们自己选择的速度自然行走。对于每种情况，记录和分析总共10个稳态步态周期。

示例3

实验方案3：重力辅助算法的设计：向上力的个人化

在实验方案2中解释的相同条件下，在静态站立期间对9名具有SCI或中风的受试者进行测试。对于每个向上的力，收集两个试验，每个试验持续20秒且间隔1分钟。然后将每个试验分成一组20个1秒的窗口，计算15个运动学、动力学和肌电图参数。对这些变量应用PC分析以确定每个受试者的最佳向上力。

此数据集和结果用于构建人工神经网络，所述网络计算向上力的必要校正，以向每个受试者提供最佳向上力。人工神经网络集成了运动学和动力学参数(n＝12，记录10秒)。在隐藏层中使用不同数量的神经元测试了13个学习规则和11个结构。进行交叉验证(20％的数据被随机挑选用于验证)以选择具有log-sigmoid隐藏神经元的单层前馈模型和显示最低均方误差的线性输出神经元(来自Matlab的神经网络工具箱)。所选模型通过Levenberg-Marquardt算法组合9个神经元和学习规则。为所选模型馈送测试数据集，以验证人工神经元网络的特性。

示例4

实验方案4：重力辅助算法的设计：前向力的个人化

为了校准前向力校正，我们使用被动步行器模型进行计算模拟，该模型由点质量m＝80kg和附接到该质量的两个无重量段组成，其代表腿。将刚度为k的线性弹簧元件插入腿模型中，以便能够实现类似于弹簧加载的倒立摆锤(59)的形变。该模型受到与行走方向平行的力。因此，阻尼常数d的阻尼元件被添加在腿中，以便能够实现被动助行器的限制循环行为。摆动结束时腿部的角度定义为α。在摆动阶段期间，腿的长度等于静止长度l₀。因此，从简单的几何计算推断出脚冲击的发生。站立阶段的结束是在腿的长度增加到超过l₀的时刻定义的。增加了前向和向上的力以模拟机器人辅助。被动步行者模型的行为由以下等式确定：

用x和y描述质心的位置，F_tot施加到模型的总力，F_upward施加到模型的向上力，F_forward施加到模型的前向力，以及e_x,y方向矢量。

在不同的向上力和前向力条件下以及每对向上-前向值下测试该模型。针对每一对，我们对于所有都适合于合理的运动行为范围的可能组合的α、l₀和k值进行了模拟。选择所产生的最接近的步长sl、步态速度gs和与没有增加的向前和向上力的运动相比的重力相关能量交换ΔE_pot的值。具有前向力校正的步态参数的恢复如下计算：

记录了总共26名具有脊髓损伤或中风的受试者。在具有人工神经网络预测的向上力以及沿着模拟预测的最佳值中心的窄范围的前向力的情况下，在运动期间记录受试者。要求受试者以自己舒适的步频行走。对于每种情况，受试者进行3或4次试验，在此期间他们在大约10m的距离内直线前进。

然后在三维空间中表示步态参数，其中x轴是向上力的量，y轴是由腿长度/(弗劳德数：v²/(g·l))标准化的步行速度v，z-axis是前向力的量。然后我们将多项式函数拟合到数据中。为此，我们测试了25个二维多项式函数，其x轴和y轴的度数范围从1到5。对于每个多项式，75％的数据是随机选择的。多项式函数拟合到此数据集。使用500倍交叉验证和25％剩余数据的均方根误差(root mean square error,RMSE)评估准确度。选定的多项式函数应用于整个数据集以生成最终决策图。

示例5

实验方案5：重力辅助算法的验证，以使具有SCI或中风的个体能够进行运动

在具有由人工神经网络计算的最佳向上力的情况下，在静态站立期间记录6名具有SCI或中风的受试者。记录了两次持续20秒的试验。然后在加上和减去对应于体重的10％的向上力，产生3个向上力的情况下进行记录。每种情况获得两次试验。决策图用于定义这三个向上力的前向力校正，然后在这些配置的运动期间记录受试者。要求受试者以自己舒适的步频行走。对于每种情况，受试者进行3或4次试验，在此期间他们在大约10m的距离内直行向前。从分析中排除了最初两步(步态开始)和最后两步(步态终止)。

示例6

实验方案6：重力辅助改善具有SCI和中风个体的运动表现

在静态站立期间记录了具有SCI或中风的26名受试者以配置重力辅助。然后要求能够走动的受试者使用他们喜欢的辅助器件(在没有机器人的情况下)以他们自己舒适的步频沿直线方向行走。然后在具有重力辅助的情况下，在运动期间记录所有受试者。对每个受试者和情况分析总共15.9+/-0.85步态周期。具有足够运动表现的受试者最终在熟练的运动期间沿着水平梯进行测试，所述水平梯由一系列10个不规则间隔的横档(10cm宽)组成，间隙为0、10、20或30cm。梯子的总长度为270cm。梯子位于地面上方15cm处。为了确定受试者是否可以在这项任务中进行测试，根据受试者的感受和物理治疗师的建议制定了一个简单的规则。在没有重力辅助的情况下，绝大多数受试者都无法完成任务。为了获得基线，要求这些受试者沿着通过增强现实系统投射在地板上的相同梯子布局行走。对于每个受试者和情况，评估步行速度和足部放置的精度。

示例7

实验方案7：在一次步态训练课程后，重力辅助改善了运动表现

5名脊髓损伤受试者参加了两次训练课程，间隔一周(图7A)。在第一阶段(60分钟)期间，受试者在具有重力辅助的情况下走过地面。在第二阶段(第2周)期间，他们被要求在具有相同向上力但没有前向力校正的情况下在跑步机上行走相同的距离。在每次训练之前和之后，立即在没有重力辅助情况下，在以自己选择的步频的地上运动期间记录受试者。他们被允许使用他们偏好的辅助器件。在每次训练课程期间，必要时允许受试者休息。几天后，所有参与者都被要求填写调查，旨在确定他们在两种范式之间的感知差异。大多数参与者对以下几点表示满意：1)与地上相比，在跑步机上进行训练后，他们感觉到更为显着的呼吸疲劳；2)与在地上相比，跑步机上进行训练后，他们感觉到更为显著的肌肉疲劳；3)与跑步机上的训练课程相比，在具有机器人辅助的情况下所进行的地上训练期间，他们感受到他们的步态模式更自然、更少受到约束；4)与跑步机上的训练课程相比，在具有机器人辅助的情况下的训练课程结尾，而在没有机器人辅助的情况下在地上行走时，他们感受到他们的步态模式更自然，更少受到约束；5)在具有机器人辅助以改善运动表现的情况下，在地上进行的步态康复计划比在跑步机上进行的步态康复计划更为有益；6)与跑步机上的训练课程相比，在具有机器人辅助的情况下所进行的地上训练课程，提供了更高的满意度。

示例8

实验方案8：在具有重力辅助和电脊髓刺激的情况下进行训练可促进持久恢复

用户SCI_MRC参加了多管齐下的步态康复计划，包括在具有重力辅助和腰脊髓电刺激的情况下的地上运动训练。该受试者在纳入研究时年龄为62岁，并且在纳入研究之前12个月具有C6/C7水平的椎间盘突出(图8A)。她在一年内接受了传统的步态康复计划，其中包括瑞士截瘫中心(SUVA Sion，瑞士)的8.5个月。在这个阶段，受试者恢复了创伤部以下的敏感度以及右腿的最小运动控制。然而，左腿几乎完全缺乏运动控制使她受限于轮椅上。她通过手术植入硬膜外地位于腰脊髓节段的电极阵列(Specific 5-6-5，Medtronic，美国)以减轻疼痛(图8C)。该阵列连接到可植入脉冲发生器(Activa RC，Medtronic，美国)。

参与者遵循步态康复计划，每周进行2到3次，持续8个月。典型的步态训练课程在跑步机上开始，根据需要提供手动辅助，并对腰椎节段进行硬膜外电刺激。课程的第一部分持续了大约15分钟。然后参与者在具有重力辅助和腰椎节段的硬膜外电刺激腰椎节段的情况下，行走大约30分钟(图8C)。课程的剩余部分用于额外的练习和伸展。一旦受试者能够用助行器在地上行走，该程序逐渐过渡到包括在没有重力辅助且没有电刺激的情况下，步行者在家中的行走。重力辅助和脊髓刺激特征在每个疗程内根据用户的具体需求随时间调整。在整个步态康复计划的过程中，系统地降低刺激幅度和向上力的量，以促进在没有机器人且没有刺激的情况下的步行的恢复。进行运动学和肌肉活动记录的评估并分析图8D中描述的各种时间点。

最大的自主收缩

参与者坐在等速测力计的椅子上，臀角固定在80度屈曲(0度＝站立伸展)。用两条交叉安全带稳固躯干。在膝关节和踝关节固定在90度屈曲的同时进行记录。这些关节的解剖学屈曲-伸展轴线与器件的旋转轴线对齐。对于每种情况(左或右，膝或脚踝)，指导参与者逐渐增加从静止到最大容量的力。实时显示所产生的扭矩，为参与者提供有关她的表现的反馈，并激励她提供真正的最大努力。每个情况重复该任务四次，每次尝试之间休息1分钟。在峰值扭矩附近的500ms时间窗口上计算最大自主收缩值，并在四次尝试中取平均值。

脊髓的功能映射

在功能映射实验期间，要求用户在腿部伸展的情况下以仰卧姿势躺在床上。从所有选定的肌肉记录运动反应(参见运动学、动力学、肌电图记录部分)，同时通过植入的硬膜外电极阵列(在2Hz下持续0.15ms)通过不同的电极配置传递矩形双相脉冲。电刺激的强度从0增加到3V，并且每个强度重复多达30次以获得统计显著性。过滤肌电信号(10至800Hz带通)并进行校正。计算每个肌肉的运动反应的最大幅度，并在所有重复上平均。然后将得到的补充曲线标准化为在所有测试的电极配置和刺激振幅上针对每个肌肉获得的最大值。为了可视化脊髓中运动神经元激活的空间分布，根据已发表的方法将肌电图信号投射到运动神经元柱的位置上(30)。

硬膜外电刺激腰脊髓

响应于通过阵列的每个电极的刺激的运动神经元激活的空间分布用于配置刺激方案。具体地，选择三个电极配置，其针对腰脊髓的整个左侧(图8)。电极3与壳体(阳极)相比，提供最大延髓段的激活，电极5与壳体(阳极)相比，提供中央脊髓的激活且电极15(阴极)与14和13(阳极)的三极组合提供最多的骶骨段的激活。刺激脉冲交错2.5ms并以40Hz递送。

结合以上公开内容，特别明确地公开了以下方面：

方面1：包括用户支持系统的设备，所述设备包括用于所述支持系统的控制器，所述控制器包括：

a.用于根据以下各个等式对所述用户施加z方向力F_zsup，x方向力F_xsup和y方向力F_ysup或其任何组合中的一个或多个的装置：

F_zsup＝Fz(x,dx/dt,y,dy/dt,z,dz/dt)；

F_xsup＝Fx(x,dx/dt,y,dy/dt,z,dz/dt)；

F_ysup＝Fy(x,dx/dt,y,dy/dt,z,dz/dt)；

其中

F_xsup是向前向施加的力，

F_ysup是向横向施加的力，以及

F_zsup是向上方施加的力；

x、y和z是坐标系中质心的前向、横向和垂直坐标位置，该坐标系固定到站立脚并随人旋转，并且dx/dt、dy/dt、dz/dt是相对于时间的导数；

b.可选地，用于对所述用户施加进一步的力的装置。

方面2：根据方面1的设备，其中所述装置根据以下等式施加所述向上力F_zsup：

F_zsup＝c_z·(z₀-z)+Δm·g

其中

c_z是刚度，其被选择，以使得所述用户以自然行走的频率行走；

z是所述用户的质心的垂直位置；

z₀是平均或标称行走高度；

Δm是由所述向上力补偿的所述用户的质量的一部分；

g是重力加速度；

F_xsup和F_ysup是空值。

方面3：根据方面1所述的设备，其中所述装置根据以下等式施加所述前向力F_xsup：

F_xsup＝c_xs·sin(a_z·dz/dt)对于z≤z₀，

F_xsup＝0对于z>z₀，

其中

a_z和c_xs是正常数；

z₀是平均或标称行走高度；

或根据以下等式：

F_xsup＝-c_x·x；

其中cx是正常数

或根据以下等式：

F_xsup＝F_xsup(z,dz/dt)

或

F_xsup＝F_xsup(x)。

方面4：根据方面1所述的设备，其中所述装置根据以下等式施加所述横向力F_ysup：

F_ysup＝c_y·y；

其中c_y是刚度。

方面5：根据方面1-4中任一方面的设备，其中所述控制器是被动的。

方面6：根据方面5的设备，其中所述装置根据以下等式施加所述向上的力：

F_zsup＝F_zsup(F_xsup,dx/dt,dz/dt)；

因此F_zsup满足以下不等式约束：

F_zsup<-F_xsup(dx/dt)/(dz/dt)；

或根据以下等式表示前向力：

F_xsup＝{F_xsup(z,dz/dt)对于dz/dt<0和z<z₀

{F_xsup(x)对于dz/dt>0和z<z₀

{0对于z>z₀

方面7：根据方面1-6中任一方面的设备，还包括用于测量所述用户的足底压力中心的平均前-后位置的偏移的装置和用于向所述用户施加前向力以便补偿所述偏移的装置。

方面8：根据方面1-7中任一方面的设备，还包括：

c.用于将设备设置为透通模式的装置；

d.用于计算由所述用户执行的运动任务的运动记录的参数的装置，以获得并且可选地存储数据集；

e.用主成分(PC)分析来详细阐释所述数据集的装置。

方面9：根据方面7的设备，其中所述用于测量所述用户的足底压力中心的平均前-后位置的偏移的装置和用于向所述用户施加前向力以便补偿所述偏移的装置使用人工神经网络。

方面10：根据方面1-9中任一方面的设备，其中所述设备设置有用于实时获取设备-用户交互的记录平台。

方面11：根据方面1-10中任一方面的设备，其中所所述设备是选自由线缆机器人、躯干支撑、外骨胳、可穿戴外骨胳和外衣组成的组。

方面12：根据方面1-11中任一方面的设备，还包括用于硬膜外或硬膜下电刺激的器件。

方面13：方面1-12中任一方面的设备，用于恢复用户中的自主控制。

方面14：根据方面13的用途的设备，其中所述用户具有神经运动损伤。

方面15：根据方面14的用途的设备，其中所述神经运动损伤选自肢体的部分或全部麻痹。

方面16：根据方面14或15的用途的设备，其中所述神经运动损伤是由脊髓损伤、由中风引起的缺血性损伤、神经变性疾病、肌萎缩性脊髓侧索硬化症(ALS)或多发性硬化症引起的。

方面17：根据方面13-16中任一个所使用的设备，其与用于硬膜外或硬膜下电刺激的器件耦合。

方面18：一种用于操作方面1-12中任一方面的设备的方法，特别是用于控制运动，其中用户连接到所述设备，包括以下步骤：

a.设置所述设备，以根据以下各个等式对所述用户施加z方向力F_zsup、x方向力F_xsup和y方向力F_ysup或其任意组合中的一个或多个：

F_zsup＝Fz(x,dx/dt,y,dy/dt,z,dz/dt)；

F_xsup＝Fx(x,dx/dt,y,dy/dt,z,dz/dt)；

F_ysup＝Fy(x,dx/dt,y,dy/dt,z,dz/dt)；

其中

F_xsup是向前向施加的力，

F_ysup是向横向施加的力，以及

F_zsup是向上方施加的力；

b.可选地，用于对所述用户施加进一步的力。

方面19：根据方面18的方法，其中根据以下等式施加所述向上力F_zsup：

F_zsup＝c_z(z₀-z)+Δm·g

其中所有定义如上提供

F_xsup和F_ysup是空值。

方面20：根据方面18的方法，其中根据以下等式施加所述前向力F_xsup：

F_xsup＝c_xs·sin(a_z·dz/dt)对于z<z₀,

F_xsup＝0对于z>z₀

其中所有定义如上提供；

或根据以下等式：

F_xsup＝F_xsup(z,dz/dt)

或

F_xsup＝F_xsup(x)

方面21：根据方面18的方法，其中根据以下等式施加所述横向力F_ysup：

F_ysup＝c_y·y

其中所有定义如上提供。

方面22：根据方面18-21中任一方面的方法，包括以下步骤：

a.设置所述设备，以对处于静态站立的受试者施加向上力；

b.测量所述受试者的姿势维持的所述受试者的足底压力中心的平均前-后位置的偏移；

c.设置所述设备，以向所述受试者施加前向力以补偿所述偏移。

方面23：根据方面18-21中任一方面的方法，包括以下步骤：

a.将所述设备设置为透通模式；

b.使所述受试者进行运动任务；

c.计算来自所述运动任务的运动记录的参数以获得数据集；

d.将所述数据集提交给主成分(PC)分析，以提供所述受试者的运动表现的量化，并提取考虑实验条件对所述受试者的运动表现的影响的参数；

e.设置所述设备，以对处于静态站立的受试者施加向上力；

f.测量所述受试者的姿势维持的所述受试者的足底压力中心的平均前-后位置的偏移；

g.设置所述设备，以向所述受试者施加前向力以补偿所述偏移。

方面24：根据方面18-21中任一方面的方法，包括以下步骤：

a.将所述设备设置为透通模式，其中第一或第二受试者处于站立姿势，其中所述第一受试者是正常受试者，并且所述第二受试者是需要恢复自主控制运动的受试者；

b.在所述第一受试者的最大可能的向上力范围内记录全身运动、地面反作用力和踝肌活动，以获得第一数据集；

c.在所述第二受试者的最大可能的向上力范围内记录全身运动、地面反作用力和踝肌活动，以获得第二数据集；

d.对所述第一和第二数据集应用主成分分析，并确定在主成分空间中所述第二受试者与所述第一健康受试者之间具最小距离的情况下的向上力；

e.设置所述设备，以对处于静态站立的所述第二受试者施加向上的力；

f.测量所述第一受试者和所述第二受试者之间的足底压力中心的平均前-后位置的偏移；

g.设置所述设备，以向所述第二受试者施加前向力以补偿所述偏移。

方面25：根据方面24的方法，其中使用人工神经网络执行步骤d)。

方面26：根据方面24或25所述的方法，其中，执行步骤g)，以将所述前向力设定为所述第二受试者的步行速度的函数。

方面27：一种用于执行方面18-26中任一方面的方法的计算机程序。

方面28：具有方面27的计算机程序的数据介质。

方面29：加载方面27的计算机程序的计算机系统。

方面30：根据权利要求1-12中任一项所述的设备，其可操作地连接到方面29的计算机系统。

此外，明确公开了以下附加方面：

附加方面1：一种用于操作机器人支持系统的方法，包括：

设置机器人支持系统对受试者施加第一力；

设置机器人支持系统对受试者施加第二和/或第三力；和

当受试者进行康复训练例程时，实时控制第一力、第二力和/或第三力中的一个或多个。

附加方面2：附加方面1的方法，其中机器人支撑系统是辅助身体运动的机器人平台。

附加方面3：附加方面1的方法，其中在受试者正在进行康复训练的同时，控制第一力、第二力和/或第三力中的一个或多个包括保持第一力、第二力和/或第三力中的一个或多个基本恒定。

附加方面4：附加方面1的方法，其中控制第一力、第二力和/或第三力中的一个或多个包括控制第一力、第二力和/或第三力，以实现执行康复训练例程的受试者的期望速度。

附加方面5：附加方面1的方法，其中控制第一力、第二力和/或第三力中的一个或多个包括获得与执行康复训练例程的受试者的运动相关的一个或多个参数，其中一个或多个参数被输入到模型中，所述模型输出对第一力、第二力和/或第三力的调节。

附加方面6：附加方面5的方法，其中所述模型包括对应于在康复训练例程期间经由受试者执行的预期或期望运动的运动模型。

附加方面7：附加方面5的方法，其中与受试者的运动相关的一个或多个参数包括来自受试者的动力学活动、运动活动和/或肌肉活动中的一种或多种。

附加方面8：附加方面1的方法，还包括将神经调节施加到执行康复训练例程的受试者。

附加方面9：附加方面8的方法，其中神经调节包括电刺激和/或药理学刺激中的一种或多种。

附加方面10：附加方面9的方法，其中电刺激包括硬膜外电刺激、硬膜下电刺激和/或功能性电刺激中的一种或多种，并且其中药理学刺激包括提供至少一种单胺能受体激动剂。

附加方面11：一种辅助受试者进行康复训练例程的方法，包括：

通过机器人支撑系统向受试者施加第一力、第二力和第三力中的一个或多个；

在康复训练期间监测受试者的一个或多个参数；和

至少部分地基于受试者的一个或多个参数调节第一力、第二力和/或第三力中的一个或多个。

附加方面12：附加方面11的方法，其中监视一个或多个参数还包括：

监测与受试者的运动相关的一个或多个参数，包括动力学活动、运动活动、肌电活动和/或施加在受试者上的测量力和经由受试者施加在机器人支持系统上的力中的一个或多个。

附加方面13：根据附加方面12所述的方法，其中调节第一力、第二力和/或第三力中的一个或多个包括基于来自一个或多个参数的反馈，在康复训练例程的一段期间保持第一力、第二力中的一个或多个的大小基本恒定。

附加方面14：根据附加方面12的方法，其中调整第一力、第二力和/或第三力中的一个或多个包括用一个或多个参数填充存储在控制器的存储器中的模型；和

其中，来自模型的输出包括用于调整第一力、第二力和/或第三力的大小和/或方向中的一个或多个以满足模型的指令。

附加方面15：根据附加方面11的方法，其中施加第一力、第二力和第三力中的一个或多个包括致动与机器人支撑系统相关联的一个或多个马达以控制耦合到受试者的一个或多个缆线中的张力。

附加方面16：附加方面11的方法，进一步包括在康复训练例程期间向受试者施加神经调节，其中神经调节包括向受试者提供电刺激和/或向受试者提供药理学刺激中的一种或多种。

附加方面17：一种用于控制受试者的机器人支撑结构的系统，包括：

多个缆线，被配置为在受试者上施加第一力、第二力和/或第三力；

一个或多个马达致动器，用于控制多个缆线中的张力；

惯性测量单元，用于测量经由多个缆线施加在受试者上的力和经由受试者施加在多个缆线上的力；

生理记录单元，被配置为监测来自受试者的运动学、动力学和/或肌电图活动中的一种或多种；和

控制器，将指令存储在非暂时性存储器中，当执行时，使控制器：

根据选定的康复训练程序确定施加到受试者的第一力、第二力和第三力；

将第一力、第二力和第三力施加到执行康复训练例程的受试者；

监测受试者的一项或多项运动学活动、动力学活动和/或肌电活动；和

当受试者执行康复训练时，基于通过多个缆线施加在受试者上的一个或多个力或受试者施加在多个缆线上的力、来自受试者的运动学活动、来自受试者的动力学活动和/或来自受试者的肌电活动来调节第一力、第二力和/或第三力中的一个或多个。

附加方面18：附加方面17的系统，还包括：

用于向受试者提供电刺激的器件；并且

其中控制器存储附加指令以在受试者进行康复训练例程时将电刺激施加到受试者的脊髓。

附加方面19：附加方面17的系统，其中控制器存储附加指令以命令一个或多个马达致动器控制多个缆线中的张力，使得当受试者进行康复训练时，第一力、第二力和/或第三力中的一个或多个基本保持恒定。

附加方面20：附加方面17的系统，其中当受试者进行康复训练时，控制器存储附加指令以命令一个或多个马达致动器基于康复训练例程特定的运动模型来控制多个线缆中的张力，其中所述模型包括包含经由多个缆线施加在受试者上的一个或多个力或受试者施加在多个缆线上的力的输入、来自受试者的运动学活动、来自受试者的动力学活动和/或来自受试者的肌电活动。

附加方面21：附加方面1的方法，其中前向力是向上力以及受试者的运动的函数，向上力是所述第一力、前向力是所述第二力。

附加方面22：根据附加方面1所述的方法，其中前向力是所述第一力以及向上力是所述第二力，其中所述前向力和向上力以没有净能量传递到所述用户这样的方式施加，使整个系统本身表现为被动。

参考文献和注解

1.G.A.Cavagna,P.A.Willems,N.C.Heglund,Walking on Mars.Nature 393,636.(1998).

2.A.A.Biewener,Biomechanics ofmammalian terrestriallocomotion.Science 250,1097-1103.(1990).

3.M.H.Dickinson,C.T.Farley,R.J.Full,M.A.Koehl,R.Kram,S.Lehman,Howanimals move:an integrative view.Science 288,100-106.(2000).

4.N.E.Thompson,B.Demes,M.C.O'Neill,N.B.Holowka,S.G.Larson,Surprisingtrunk rotational capabilities in chimpanzees and implications for bipedalwalking proficiency in early hominins.Nature communications 6,8416(2015).

5.G.A.Cavagna,N.C.Heglund,C.R.Taylor,Mechanical work in terrestriallocomotion:two basic mechanisms forminimizing energy expenditure.Am J Physiol233,R243-261.(1977).

6.R.M.Alexander,Optimization and gaits in the locomotionofvertebrates.Physiol Rev 69,1199-1227.(1989).7.R.W.Selles,J.B.Bussmann,R.C.Wagenaar,H.J.Stam,Comparing predictive validity offourballistic swingphase models ofhuman walking.J Biomech 34,1171-1177.(2001).

8.L.Bianchi,D.Angelini,G.P.Orani,F.Lacquaniti,Kinematic coordinationin human gait:relation to mechanical energy cost.J Neurophysiol 79,2155-2170.(1998).

9.F.Lacquaniti,Y.P.Ivanenko,M.Zago,Patterned control ofhumanlocomotion.The Journal ofphysiology 590,2189-2199(2012).

10.C.Capaday,The special nature ofhuman walking and its neuralcontrol.Trends in neurosciences 25,370-376.(2002).

11.D.Sutherland,R.Olshen,E.Biden,M.Wyatt,in Clinics in Devel.Med.104/105.(Mackeith Press:Oxford Blackwell Scientific Pubs,Philadelphia,PA,1988),pp.1Y277.12.S.Harkema,A.Behrman,H.Barbeau,Evidence-based therapy for recoveryoffunction after spinal cord injury.Handbook ofclinical neurology 109,259-274(2012).

13.P.Sale,M.Franceschini,A.Waldner,S.Hesse,Use ofthe robot assistedgait therapy in rehabilitation ofusers with stroke and spinal cordinjury.Europeanjournal ofphysical and rehabilitation medicine 48,111-121(2012).

14.L.Awai,M.Bolliger,A.R.Ferguson,G.Courtine,A.Curt,Influence ofSpinal Cord Integrity on Gait Control in Human Spinal CordInjury.Neurorehabil Neural Repair,(2015).

15.G.Hornby,D.Campbell,D.Zemon,J.Kahn,Clinical and QuantitativeEvaluation ofRobotic-Assisted Treadmill Walking to Retrain AmbulationAfterSpinal Cord Injury.Topics in Spinal Cord Injury Rehabilitation 11,1-17(2005).

16.D.D.Straube,C.L.Holleran,C.R.Kinnaird,A.L.Leddy,P.W.Hennessy,T.G.Hornby,Effects ofdynamic stepping training on nonlocomotortasks inindividuals poststroke.Phys Ther 94,921-933(2014).

17.E.Swinnen,J.P.Baeyens,S.Pintens,J.Van Nieuwenhoven,S.Ilsbroukx,R.Clijsen,R.Buyl,M.Goossens,R.Meeusen,E.Kerckhofs,Trunk muscle activityduring walking inpersons with multiple sclerosis:the influence ofbody weightsupport.NeuroRehabilitation 34,323-335(2014).

18.A.Pennycott,H.Vallery,D.Wyss,M.Spindler,A.Dewarrat,R.Riener,Anovelbody weight support system extension:initial concept and simulationstudy.IEEE...International Conference on Rehabilitation Robotics:[proceedings]2013,6650489(2013).

19.A.Thorstensson,J.Nilsson,H.Carlson,M.R.Zomlefer,Trunk movements inhuman locomotion.Acta Physiol Scand 121,9-22(1984).

20.N.Dominici,U.Keller,H.Vallery,L.Friedli,R.van den Brand,M.L.Starkey,P.Musienko,R.Riener,G.Courtine,Versatile robotic interface toevaluate,enable and train locomotion andbalance after neuromotordisorders.Nature medicine 18,1142-1147(2012).21.W.K.Timoszyk,J.A.Nessler,C.Acosta,R.R.Roy,V.R.Edgerton,D.J.Reinkensmeyer,R.de Leon,Hindlimb loadingdetermines stepping quantity and quality following spinal cordtransection.Brain Res 1050,180-189(2005).

22.W.Song,S.Giszter,Adaptation to a Cortex-Controlled RobotAttachedat the Pelvis and Engaged during Locomotion in Rats.Journal of Neuroscience31,3110-3128(2011).

23.R.van den Brand,J.Heutschi,Q.Barraud,J.DiGiovanna,K.Bartholdi,M.Huerlimann,L.Friedli,I.Vollenweider,E.M.Moraud,S.Duis,N.Dominici,S.Micera,P.Musienko,G.Courtine,Restoring voluntary control oflocomotionafterparalyzing spinal cord injury.Science 336,1182-1185(2012).24.H.Vallery,P.lutz,J.von Zitzewitz,G.Rauter,M.Fritschi,C.Everarts,R.Ronsse,A.Curt,M.Bolliger,S.B.Pai,in International Conference on Rehabilitation Robotics(ICORR),IEEE,Ed.(Seattle,USA,2013).

25.C.A.Angeli,V.R.Edgerton,Y.P.Gerasimenko,S.J.Harkema,Alteringspinal cord excitability enables voluntary movements after chronic completeparalysis in humans.Brain:ajournal ofneurology,(2014).

26.J.von Zitzewitz,L.Asboth,N.Fumeaux,A.Hasse,L.Baud,H.Vallery,G.Courtine,Aneurorobotic platform for locomotorprosthetic development in ratsand mice.J Neural Eng 13,026007(2016).

27.L.Friedli,E.S.Rosenzweig,Q.Barraud,M.Schubert,N.Dominici,L.Awai,J.L.Nielson,P.Musienko,Y.Nout-Lomas,H.Zhong,S.Zdunowski,R.R.Roy,S.C.Strand,R.van den Brand,L.

A.Havton,M.S.Beattie,J.C.Bresnahan,E.Bezard,J.Bloch,V.R.Edgerton,A.R.Ferguson,A.Curt,M.H.Tuszynski,G.Courtine,Pronounced species divergence incorticospinal tract reorganization and functional recovery after lateralizedspinal cord injury favors primates.Science translational medicine 7,302ra134(2015).28.Y.P.Ivanenko,N.Dominici,G.Cappellini,B.Dan,G.Cheron,F.Lacquaniti,Development of pendulum mechanism and kinematic coordination from the firstunsupported steps in toddlers.J Exp Biol 207,3797-3810(2004).29.E.M.Moraud,M.Capogrosso,E.Formento,N.Wenger,J.DiGiovanna,G.Courtine,S.Micera,MechanismsUnderlying the Neuromodulation of Spinal Circuits for Correcting Gait andBalance Deficits after SpinalCord Injury.Neuron 89,814-828(2016).

30.N.Wenger,E.M.Moraud,J.Gandar,P.Musienko,M.Capogrosso,L.Baud,C.G.LeGoff,Q.Barraud,N.Pavlova,N.Dominici,I.R.Minev,L.Asboth,A.Hirsch,S.Duis,J.Kreider,A.

Mortera,O.Haverbeck,S.Kraus,F.Schmitz,J.DiGiovanna,R.van den Brand,J.Bloch,P.Detemple,S.P.Lacour,E.Bezard,S.Micera,G.Courtine,Spatiotemporalneuromodulation therapies engaging muscle synergies improve motor controlafter spinal cord injury.Nature medicine 22,138-145(2016).31.Y.P.Ivanenko,N.Dominici,F.Lacquaniti,Development ofindependent walking in toddlers.ExercSport Sci Rev 35,67-73(2007).

32.G.Courtine,J.Bloch,Defining ecological strategies inneuroprosthetics.Neuron 86,29-33(2015).

33.D.Barthelemy,H.Leblond,S.Rossignol,Characteristics and mechanismsoflocomotion induced by intraspinal microstimulation and dorsal rootstimulation in spinal cats.Journal ofneurophysiology 97,1986-2000(2007).

34.G.Courtine,Y.Gerasimenko,R.van den Brand,A.Yew,P.Musienko,H.Zhong,B.Song,Y.Ao,R.M.Ichiyama,I.Lavrov,R.R.Roy,M.V.Sofroniew,V.R.Edgerton,R.V.D.Brand,Transformation of nonfunctional spinal circuits into functionalstates after the loss ofbrain input.Nature neuroscience 12,1333-1342(2009).

35.B.J.Holinski,D.G.Everaert,V.K.Mushahwar,R.B.Stein,Real-timecontrol ofwalking using recordings from dorsal root ganglia.J Neural Eng 10,056008(2013).

36.N.Wenger,E.M.Moraud,S.Raspopovic,M.Bonizzato,J.DiGiovanna,P.Musienko,M.Morari,S.Micera,G.Courtine,Closed-loop neuromodulation ofspinalsensorimotor circuits controls refined locomotion after complete spinal cordinjury.Science translational medicine 6,255ra133(2014).37.L.Guevremont,J.A.Norton,V.K.Mushahwar,Physiologically based controller for generatingoverground locomotion using functional electrical stimulation.J Neurophysiol97,2499-2510(2007).

38.M.R.Carhart,J.He,R.Herman,S.D'Luzansky,W.T.Willis,Epidural spinal-cord stimulation facilitates recovery offunctional walking followingincomplete spinal-cord injury.IEEE Trans Neural Syst Rehabil Eng 12,32-42(2004).

39.Y.Gerasimenko,D.Lu,M.Modaber,S.Zdunowski,P.Gad,D.Sayenko,E.Morikawa,P.Haakana,A.R.Ferguson,R.R.Roy,V.R.P.D.Edgerton,NoninvasiveReactivation ofMotor Descending Control after Paralysis.J Neurotrauma,(2015).40.R.Herman,J.He,S.D'Luzansky,W.Willis,S.Dilli,Spinal cord stimulationfacilitates functional walking in a chronic,incomplete spinal cordinjured.Spinal Cord 40,65-68(2002).

41.S.M.Danner,U.S.Hofstoetter,B.Freundl,H.Binder,W.Mayr,F.Rattay,K.Minassian,Human spinal locomotor control is based on flexiblyorganizedburst generators.Brain:ajournal ofneurology,(2015).42.U.S.Hofstoetter,S.M.Danner,B.Freundl,H.Binder,W.Mayr,F.Rattay,K.Minassian,Periodic modulation ofrepetitively elicited monosynaptic reflexesofthe human lumbosacral spinal cord.J Neurophysiol,jn 0013602015(2015).

43.M.Wessels,C.Lucas,I.Eriks,S.de Groot,Body weight-supported gaittraining for restoration ofwalking in people with an incomplete spinal cordinjury:a systematic review.J Rehabil Med 42,513-519(2010).

44.K.Musselman,K.Brunton,T.Lam,J.Yang,Spinal cord injury functionalambulation profile:a new measure ofwalking ability.Neurorehabil Neural Repair25,285-293(2011).

45.D.J.Reinkensmeyer,D.Aoyagi,J.L.Emken,J.A.Galvez,W.Ichinose,G.Kerdanyan,S.Maneekobkunwong,K.Minakata,J.A.Nessler,R.Weber,R.R.Roy,R.deLeon,J.E.Bobrow,S.J.Harkema,V.R.Edgerton,Tools for understanding andoptimizing robotic gait training.Journal ofrehabilitation research anddevelopment 43,657-670(2006).46.L.Ada,C.M.Dean,J.Vargas,S.Ennis,Mechanicallyassisted walking withbody weight support results in more independent walkingthan assisted overground walking in non-ambulatory users early after stroke:asystematic review.Journal ofphysiotherapy 56,153-161(2010).

47.V.R.Edgerton,R.R.Roy,Robotic training and spinal cordplasticity.Brain Res Bull 78,4-12(2009).

48.G.Kwakkel,B.J.Kollen,H.I.Krebs,Effects ofrobot-assisted therapy onupper limb recovery after stroke:a systematic review.Neurorehabil NeuralRepair 22,111-121(2008).

49.G.Courtine,Y.Gerasimenko,R.van den Brand,A.Yew,P.Musienko,H.Zhong,B.Song,Y.Ao,R.M.Ichiyama,I.Lavrov,R.R.Roy,M.V.Sofroniew,V.R.Edgerton,Transformation ofnonfunctional spinal circuits into functional states afterthe loss ofbrain input.Nat Neurosci 12,1333-1342(2009).

50.S.Harkema,Y.Gerasimenko,J.Hodes,J.Burdick,C.Angeli,Y.Chen,C.Ferreira,A.Willhite,E.Rejc,R.G.Grossman,V.R.Edgerton,Effect of epiduralstimulation ofthe lumbosacral spinal cord on voluntary movement,standing,andassisted stepping after motor complete paraplegia:a case study.Lancet 377,1938-1947(2011).

51.P.K.Shah,G.Garcia-Alias,J.Choe,P.Gad,Y.Gerasimenko,N.Tillakaratne,H.Zhong,R.R.Roy,V.R.Edgerton,Use ofquadrupedal step training to re-engagespinal interneuronal networks and improve locomotor function after spinalcord injury.Brain:ajournal of neurology 136,3362-3377(2013).52.V.Dietz,Quadrupedal coordination ofbipedal gait:implications formovement disorders.JNeurol 258,1406-1412(2011).

53.A.Duschau-Wicke,A.Caprez,R.Riener,User-cooperative controlincreases active participation ofindividuals with SCI during robot-aided gaittraining.J Neuroeng Rehabil 7,43(2010).54.G.Demeurisse,A.Capon,M.Verhas,E.Attig,Pathogenesis ofaphasia in deep-seated lesions:likely role ofcorticaldiaschisis.Eur Neurol 30,67-74(1990).55.R.A.Keith,C.V.Granger,B.B.Hamilton,F.S.Sherwin,The functional independence measure:a new tool forrehabilitation.Adv Clin Rehabil 1,6-18(1987).

56.H.Vallery,P.Lutz,J.Von Zitzewitz,G.Rauter,M.Fritschi,C.Everarts,R.Ronsse,A.Curt,M.Bolliger,in Rehabilitation Robotics(ICORR),2013 IEEEInternational Conference on.(IEEE,2013),pp.1-7.

57.J.von Zitzewitz,A.Morger,G.Rauter,L.Marchal-Crespo,F.Crivelli,D.Wyss,T.Bruckmann,R.Riener,Areconfigurable,tendon-based haptic interface forresearch into human-environment interactions.Robotica 31,441-453(2012).

58.J.B.Mignardot,O.Beauchet,C.Annweiler,C.Cornu,T.Deschamps,Posturalsway,falls,and cognitive status:a cross-sectional study among olderadults.Journal ofAlzheimer's disease:JAD 41,431-439(2014).

59.J.Rummel,Y.Blum,A.Seyfarth,Robust and efficient walking withspring-like legs.Bioinspiration&biomimetics 5,046004(2010).

Claims (15)

1.一种包括用于用户的支持系统的设备，其特征在于，所述设备包括用于所述支持系统的控制器，所述设备包括：

a.用于根据以下各个等式对所述用户施加z方向力F_zsup、x方向力F_xsup和y方向力F_ysup或其任何组合中的一个或多个的装置：

F_zsup＝Fz(x,dx/dt,y,dy/dt,z,dz/dt)；

F_xsup＝Fx(x,dx/dt,y,dy/dt,z,dz/dt)；

F_ysup＝Fy(x,dx/dt,y,dy/dt,z,dz/dt)；

其中

F_xsup是向前向施加的力，

F_ysup是向横向施加的力，以及

F_zsup是向上方施加的力；

x、y和z是坐标系中质心的前向、横向和垂直坐标位置，该坐标系固定到站立脚并随人旋转，并且dx/dt、dy/dt、dz/dt是相对于时间的导数；

b.可选地，用于对所述用户施加进一步的力的装置。

2.根据权利要求1所述的设备，其特征在于，所述设备是机器人平台，其协助躯干运动，以优化与重力相关的运动和/或步态交互作用。

3.根据权利要求1或2所述的设备，其特征在于，所述控制器被配置和布置成使得所述控制器能够执行算法以基于用户特定需求自动配置施加到所述躯干的所述单向或多向力。

4.根据前述权利要求中任一项所述的设备，其特征在于，所述装置根据以下等式施加所述向上力F_zsup：

F_zsup＝c_z·(z₀-z)+Δm·g

其中

c_z是刚度，其被选择，以使得所述用户以自然行走的频率行走；

z是所述用户的质心的垂直位置；

z₀是平均或标称行走高度；

Δm是由所述向上力补偿的所述用户的质量的一部分；

g是重力加速度；

F_xsup和F_ysup是空值。

5.根据前述权利要求中任一项所述的设备，其特征在于，所述装置根据以下等式施加所述前向力F_xsup：

F_xsup＝c_xs·sin(a_z·dz/dt)对于z≤z₀，

F_xsup＝0对于z>z₀，

其中

a_z和c_xs是正常数；

z₀是平均或标称行走高度；

或根据以下等式：

F_xsup＝-c_x·x；

其中c_x是正常数

或根据以下等式：

F_xsup＝F_xsup(z,dz/dt)

或

F_xsup＝F_xsup(x)。

6.根据前述权利要求中任一项所述的设备，其特征在于，所述装置根据以下等式施加所述横向力F_ysup：

F_ysup＝cy·y；

其中c_y是刚度。

7.根据权利要求1-4中任一项所述的设备，其特征在于，所述控制器是被动的。

8.根据权利要求5所述的设备，其特征在于，所述装置根据以下等式施加所述向上力：

F_zsup＝F_zsup(F_xsup,dx/dt,dz/dt)；

因此F_zsup满足以下不等式限制：

F_zsup<-F_xsup(dx/dt)/(dz/dt)；

或者前向力是根据以下等式：

F_xsup＝{F_xsup(z,dz/dt)对于dz/dt<0和z<z₀

{F_xsup(x)对于dz/dt>0和z<z₀

{0对于z>z₀。

9.根据前述权利要求中任一项所述的设备，其特征在于，还包括用于测量所述用户的足底压力中心的平均前-后位置的偏移的装置和用于向所述用户施加前向力以补偿所述偏移的装置。

10.根据前述权利要求中任一项所述的设备，其特征在于，还包括：

a.用于将所述设备设置为透通模式的裝置；

b.用于计算由所述用户执行的运动任务的运动学记录的参数的装置，以获得数据集且可选地存储数据集；

c.使用主成分(PC)分析来阐释所述数据集的装置。

11.根据权利要求9或10所述的设备，其特征在于，所述用于测量所述用户的足底压力中心的平均前-后位置的偏移的装置和用于向所述用户施加前向力以便补偿所述偏移的装置使用人工神经网络。

12.根据前述权利要求中任一项所述的设备，其特征在于，所述设备设有记录平台，用于实时获取设备-用户交互作用。

13.根据前述权利要求中任一项所述的设备，其特征在于，所述设备是选自由线缆机器人、躯干支撑、外骨骼、可穿戴外骨胳和外衣组成的组。

14.根据前述权利要求中任一项所述的设备，其特征在于，还包括用于硬膜外或硬膜下电刺激的器件。

15.根据前述权利要求中任一项所述的设备，其特征在于，为了用户站立和行走，所述设备至少向所述用户的身体的躯干提供向上力和前向力，以便恢复所述用户的身体的姿势取向。