DE102022117979A1

DE102022117979A1 - METHOD FOR REAL-TIME ADJUSTMENT OF GAIT TRAINING PARAMETERS

Info

Publication number: DE102022117979A1
Application number: DE102022117979.6A
Authority: DE
Inventors: Chi-Chia Liu; Tzu-Ning Yeh; Jia-Ming Shiu
Original assignee: Hiwin Technologies Corp
Current assignee: Hiwin Technologies Corp
Priority date: 2022-07-19
Filing date: 2022-07-19
Publication date: 2024-01-25

Abstract

Ein Verfahren zur Echtzeitanpassung von Gangtrainingsparametern (10) umfasst die Schritte: (a) Sammeln der Muskelentspannungsgangdaten des ersten Benutzers, die während des Gangtrainings in einem Muskelentspannungszustand und der aktiven Kraftausgabegangdaten des ersten Benutzers, die während des Gangtrainings im aktiven Kraftausgabezustand des ersten Benutzers gemessen wurden, und Erstellen eines Standardbewegungsmodells auf der Grundlage des Verhältnisses der aktiven Kraftausgabegangdaten des ersten Benutzers zu den Muskelentspannungsgangdaten des ersten Benutzers; (b) Erhalten des Bewegungsmodells des zweiten Benutzers, einschließlich der Muskelentspannungsgangdaten des zweiten Benutzers in einem Zustand der Muskelentspannung, und Abschätzen des personalisierten Trainingsmodells durch Kombinieren der Muskelentspannungsgangdaten des zweiten Benutzers mit dem Standard-Bewegungsmodell; (c) Bestimmen, ob das tatsächliche Training des zweiten Benutzers dem Standard des personalisierten Trainingsmodells entspricht, sodann Anpassen des personalisierten Trainingsmodells und Bereitstellen eines Ersatztrainingsmodells.A method for real-time adjustment of gait training parameters (10) includes the steps of: (a) collecting the first user's muscle relaxation gait data measured during gait training in a muscle relaxation state and the first user's active force output gait data measured during gait training in the first user's active force output state , and creating a standard motion model based on the ratio of the first user's active force output gait data to the first user's muscle relaxation gait data; (b) obtaining the movement model of the second user, including the muscle relaxation gait data of the second user in a state of muscle relaxation, and estimating the personalized training model by combining the muscle relaxation gait data of the second user with the standard movement model; (c) determining whether the second user's actual training meets the standard of the personalized training model, then adjusting the personalized training model and providing a replacement training model.

Description

HINTERGRUND DER ERFINDUNGBACKGROUND OF THE INVENTION

1. Technisches Gebiet1. Technical area

Die vorliegende Erfindung betrifft die Technologie des Gangtrainings und insbesondere ein Verfahren zur Echtzeitanpassung der Parameter des Gangtrainings.The present invention relates to gait training technology and, more particularly, to a method for real-time adjustment of gait training parameters.

2. Stand der Technik2. State of the art

Im Allgemeinen werden beim Gangtraining zur Unterstützung der Benutzer Gangtrainingsgeräte verwendet.Generally, gait training uses gait training devices to assist users.

Es sei auf eine elektrische Orthese, wie in US Pat. US 8147436 verwiesen. Wie in 7 des besagten Patents dargestellt, sammelt diese hauptsächlich die Gangdaten von 6 normalen Personen mit aktiver Anstrengung als ideales Modell der Gangbahn und plant den zulässigen Fehlerraum vom Tunneltyp am Rande der Gangbahn. Auf diese Weise erhält der Benutzer einen Trainingseffekt, der dem idealen Modell des Gangtrainings nahekommt.It is based on an electric orthosis, as in US Pat. US 8147436 referred. As in 7 of the said patent, it mainly collects the gait data of 6 normal people with active effort as an ideal model of the gait trajectory and plans the allowable tunnel-type error space at the edge of the gait trajectory. In this way, the user receives a training effect that is close to the ideal model of gait training.

Wie im vorstehend erwähnten US-Patent US 8147436 werden jedoch bei der Anwendung des idealen Modells auf alle Benutzer für das Training die individuellen Unterschiede der Benutzer bei der Planung des Bewegungsmodells nicht berücksichtigt, so dass das in diesem Patent geplante ideale Modell nur schwer für verschiedene Benutzer geeignet ist.As in the US patent mentioned above US 8147436 However, when applying the ideal model to all users for training, the individual differences of users are not taken into account when planning the movement model, so that the ideal model planned in this patent is difficult to suit different users.

Darüber hinaus sei auf ein adaptives aktives Trainingssystem verwiesen, das im chinesischen Patent CN 113244084A beschrieben ist. Wie in 6 dieses Patents dargestellt, umfasst es hauptsächlich ein Sensormodul, ein Steuermodul und ein Bewegungsmodul. Durch Aufzeichnung der physiologischen Signale jedes Abschnitts, wenn die Muskelkraft des Benutzers entspannt ist und durch das Exoskelett angetrieben wird, wird der physiologische Signalschwellenwert jedes Abschnitts berechnet, und wird die Trainingsschwierigkeit in Echtzeit entsprechend dem physiologischen Zustandssignal des Benutzers während des Trainings angepasst.In addition, reference should be made to an adaptive active training system described in the Chinese patent CN113244084A is described. As in 6 As shown in this patent, it mainly includes a sensor module, a control module and a motion module. By recording the physiological signals of each section when the user's muscle strength is relaxed and driven by the exoskeleton, the physiological signal threshold of each section is calculated, and the training difficulty is adjusted in real time according to the user's physiological state signal during training.

Wie in dem vorstehend erwähnten chinesischen Patent CN 113244084A werden jedoch nur die eigenen Gangdaten des Benutzers als Referenz verwendet, und es wird kein Bezug zu den Gangdaten normaler Menschen oder anderer Benutzer hergestellt. Daher kann das in diesem Patent vorgesehene Trainingsmodell nicht den optimalen Trainingseffekt erzielen.As in the Chinese patent mentioned above CN113244084A However, only the user's own gait data is used as a reference, and no reference is made to the gait data of normal people or other users. Therefore, the training model provided in this patent cannot achieve the optimal training effect.

ZUSAMMENFASSUNG DER ERFINDUNGSUMMARY OF THE INVENTION

Die vorliegende Erfindung wurde unter den gegebenen Umständen verwirklicht. Es ist die Hauptaufgabe der vorliegenden Erfindung, ein Verfahren zur Echtzeitanpassung von Gangtrainingsparametern bereitzustellen, das ein personalisiertes Bewegungsmodell entsprechend dem Zustand verschiedener Benutzer planen kann und eine geeignete Trainingsschwierigkeit entsprechend den Daten der Ausgangskraft des Benutzers während des Trainings empfehlen kann, um den Effekt der Anpassung der Trainingsschwierigkeit in Echtzeit entsprechend der tatsächlichen Leistung während des Trainings zu erzielen.The present invention has been realized under the circumstances. It is the main object of the present invention to provide a method for real-time adjustment of gait training parameters, which can plan a personalized movement model according to the condition of different users and recommend an appropriate training difficulty according to the user's initial force data during training to achieve the effect of adjusting the Real-time training difficulty according to actual performance during training.

Um dieses und andere Ziele der vorliegenden Erfindung zu erreichen, stellt die Erfindung ein Verfahren zur Echtzeitanpassung von Gangtrainingsparametern bereit, das auf ein Gangtrainingsgerät anwendbar ist, das eine Erfassungseinheit, eine Trainingseinheit und eine Steuereinheit umfasst. Die Steuereinheit ist elektrisch mit der Erfassungseinheit und der Trainingseinheit verbunden und steuert den Betrieb der Trainingseinheit. Das Verfahren zur Echtzeitanpassung der Parameter des Gangtrainings umfasst die folgenden Schritte:

(a) Die Erfassungseinheit sammelt die Muskelentspannungsgangdaten mindestens eines ersten Benutzers, die während des Gangtrainings in einem Muskelentspannungszustand gemessen werden, und die aktiven Kraftausgabegangdaten des mindestens einen ersten Benutzers, die während des Gangtrainings im aktiven Kraftausgabezustand des ersten Benutzers gemessen werden, woraufhin die Steuereinheit ein Standardbewegungsmodell auf der Grundlage des Verhältnisses der aktiven Kraftausgabegangdaten des ersten Benutzers zu den Muskelentspannungsgangdaten des ersten Benutzers erstellt.
(b) Die Steuereinheit erhält ein Bewegungsmodell eines zweiten Benutzers, das die Muskelentspannungsgangdaten des zweiten Benutzers umfasst, die während des Gangtrainings unter dem Muskelentspannungszustand des zweiten Benutzers gemessen wurden, und schätzt dann mindestens ein personalisiertes Trainingsmodell ab, indem sie die Muskelentspannungsgangdaten des zweiten Benutzers mit dem Standardbewegungsmodell kombiniert.
(c) Die Steuereinheit ermittelt, ob der tatsächliche Trainingszustand des zweiten Benutzers mit dem Standard des mindestens einen personalisierten Trainingsmodells übereinstimmt, und passt das mindestens eine personalisierte Trainingsmodell an und stellt ein Ersatztrainingsmodell bereit.

To achieve this and other objects of the present invention, the invention provides a method for real-time adjustment of gait training parameters applicable to a gait training device comprising a detection unit, a training unit and a control unit. The control unit is electrically connected to the detection unit and the training unit and controls the operation of the training unit. The procedure for real-time adjustment of gait training parameters includes the following steps:

(a) The acquisition unit collects the muscle relaxation gait data of at least a first user, which is measured during gait training in a muscle relaxation state, and the active force output gait data of the at least one first user, which is measured during gait training in the active force output state of the first user, whereupon the control unit Default motion model created based on the ratio of the first user's active force output gait data to the first user's muscle relaxation gait data.
(b) The control unit obtains a movement model of a second user that includes the second user's muscle relaxation gait data measured during gait training under the second user's muscle relaxation state, and then estimates at least one personalized training model by using the second user's muscle relaxation gait data combined with the standard movement model.
(c) The control unit determines whether the actual training condition of the second user matches the standard of the at least one personalized training model and adjusts the at least one personalized training model and provides a replacement training model.

Damit stellt die vorliegende Erfindung ein Verfahren zur Echtzeitanpassung von Gangtrainingsparametern bereit. Je nach dem Zustand des zweiten Benutzers kann ein personalisiertes Trainingsmodell für den zweiten Benutzer geplant werden. Während des Trainings kann das Verfahren geeignete Ersatztrainingsmodelle entsprechend den Daten der Kraftausgabe des zweiten Benutzers empfehlen, um den Effekt der Anpassung der Trainingsschwierigkeit in Echtzeit entsprechend der tatsächlichen Leistung während des Trainings zu erreichen.The present invention thus provides a method for real-time adjustment of gait training parameters. Depending on the condition of the second user, a personalized training model can be planned for the second user. During training, the method can recommend appropriate replacement training models according to the data of the second user's force output, so as to achieve the effect of adjusting the training difficulty in real time according to the actual performance during training.

KURZE BESCHREIBUNG DER ZEICHNUNGENBRIEF DESCRIPTION OF THE DRAWINGS

1 is a flowchart of a preferred embodiment of the present invention.
2 is a schematic diagram of the state of use of a preferred embodiment of the present invention when used in a gait training device.
2a is a schematic diagram of a preferred embodiment of the present invention showing the gait cycle.
2 B is a graph of a preferred embodiment of the present invention showing the first user's muscle relaxation data measured during gait training in the first user's muscle relaxation state.
2c is a diagram according to a preferred embodiment of the present invention showing the first user's gait data measured during gait training in an active force output state.
2d is a diagram according to a preferred embodiment of the present invention, showing the relationship between the first user's gait data with active force output and the first user's gait data with muscle relaxation.
2e is a diagram according to a preferred embodiment of the present invention, showing the ratio and average value of the data measured by a plurality of first users in the active force output and muscle relaxation state.
2f is a diagram according to a preferred embodiment of the present invention showing the center of gravity shift interval and the hip flexion interval.
2g is a diagram according to a preferred embodiment of the present invention showing the center of gravity shift interval and the knee extension interval.
2h is a schematic diagram according to a preferred embodiment of the present invention, showing the implementation state of the upper sensor element and the lower sensor element of the knee pressure sensor.
3 is a diagram according to a preferred embodiment of the present invention showing a personalized training model.
3a is a diagram according to a preferred embodiment of the present invention showing multiple personalized training models.
3b is a diagram according to a preferred embodiment of the present invention showing the muscle relaxation state data of the second user.
3c is a diagram according to a preferred embodiment of the present invention showing the predicted maximum value of active force output and the predicted minimum value of active force output in the second user's personalized training model.
3d is a diagram according to a preferred embodiment of the present invention, showing the actual maximum value of the active force output and the actual minimum value of the active force output in the actual training state of the second user.
3e is a diagram according to a preferred embodiment of the present invention, showing a replacement training model obtained after customization of the personalized training model.

AUSFÜHRLICHE BESCHREIBUNG DER ERFINDUNGDETAILED DESCRIPTION OF THE INVENTION

Um die technischen Merkmale der vorliegenden Erfindung im Detail zu beschreiben, wird die nachstehende bevorzugte Ausführungsform mit Hilfe der Zeichnungen wie folgend beschrieben: Wie in den 1-2 dargestellt, wird das Verfahren zur Echtzeitanpassung der Gangtrainingsparameter 10 der vorliegenden Erfindung hauptsächlich in Verbindung mit einem Gangtrainingsgerät 100 verwendet. Das Gangtrainingsgerät 100 umfasst hauptsächlich eine Erfassungseinheit, eine Trainingseinheit und eine Steuereinheit. Die Erfassungseinheit umfasst zwei Sohlenkraftsensoren und zwei Kniedrucksensoren. Die Sohlenkraftsensoren sind jeweils ein linker Fußkraftsensor 101 und ein rechter Fußkraftsensor 102. Die Kniedrucksensoren sind jeweils ein linker Kniedrucksensor 103 und ein rechter Kniedrucksensor 104. Die Trainingseinheit umfasst zwei Pedale 11 und andere Komponenten zum Antrieb der unteren Gliedmaßen des Benutzers für das Training. Der linke Fußkraftsensor 101 ist an einem der Pedale 11 und der rechte Fußkraftsensor 102 an dem anderen Pedal 11 angeordnet. Die Steuereinheit ist elektrisch mit der Sensoreinheit und der Trainingseinheit verbunden und steuert den Betrieb der Trainingseinheit. Die Steuereinheit verfügt über Analyse- und Rechenfähigkeiten und kann eine Zentraleinheit (CPU) oder andere informationsverarbeitende Elemente mit Analyse- und Rechenfähigkeiten sein, ist aber nicht darauf beschränkt. Wenn ein erster oder ein zweiter Benutzer das Gangtrainingsgerät 100 benutzt, stellt das Gangtrainingsgerät 100 die Steuerung, Berechnung und Bedienung bereit, die für das Verfahren zur Echtzeitanpassung der Gangtrainingsparameter 10 erforderlich sind. Das Verfahren zur Echtzeitanpassung der Gangtrainingsparameter 10 umfasst im Wesentlichen die Schritte (a), (b) und (c). In dieser bevorzugten Ausführungsform sind der linke Fußkraftsensor 101 und der rechte Fußkraftsensor 102 Kraftmesszellen; der linke Kniedrucksensor 103 und der rechte Kniedrucksensor 104 sind Filmdrucksensoren. Es ist erwähnenswert, dass der Benutzer den geeigneten Sensor je nach den tatsächlichen Bedürfnissen auswählen kann, ohne darauf beschränkt zu sein. In dieser bevorzugten Ausführungsform, wie in 2a gezeigt, umfasst das Gangtraining mindestens einen Gangzyklus. Der Gangzyklus entspricht der Gangbahn eines der Füße. Die Gangbahn simuliert den Prozess des menschlichen Gehens vom Beginn des Aufsetzens der rechten Ferse auf den Boden bis zum Abheben der linken Zehe vom Boden, vom Aufsetzen der linken Ferse auf den Boden bis zum Abheben der rechten Zehe vom Boden und schließlich zurück zum Aufsetzen der rechten Ferse auf den Boden. Die horizontale Achse der 2b, 2c, 2d, 2e, 2f, 2g, 3, 3a, 3b, 3c, 3d, 3e entspricht dem Gangzyklus von 2a. Die Daten auf dem Diagramm sind in 100 gleiche Teile unterteilt, und die Position, an der die Ferse des einzelnen Fußes des Benutzers den Boden berührt, entspricht dem Startpunkt des Gangzyklus (d. h. dem Datenpunkt, der auf der horizontalen Achse mit 0 markiert ist), und die Position, bevor die Ferse desselben Fußes wieder den Boden berührt, entspricht dem 99sten Datenpunkt auf der horizontalen Achse.In order to describe the technical features of the present invention in detail, the preferred embodiment below will be described with the aid of the drawings as follows: As shown in Figs 1-2 As shown, the method for real-time adjustment of gait training parameters 10 of the present invention is primarily used in conjunction with a gait training device 100. The gait training device 100 mainly includes a detection unit, a training unit and a control unit. The detection unit includes two sole force sensors and two knee pressure sensors. The sole force sensors are each a left foot force sensor 101 and a right foot force sensor 102. The knee pressure sensors are respectively a left knee pressure sensor 103 and a right knee pressure sensor 104. The training unit includes two pedals 11 and other components for driving the user's lower limbs for training. The left foot force sensor 101 is arranged on one of the pedals 11 and the right foot force sensor 102 on the other pedal 11. The control unit is electrically connected to the sensor unit and the training unit and controls the operation of the training unit. The control unit has analytical and computing capabilities and may be, but is not limited to, a central processing unit (CPU) or other information processing elements with analytical and computing capabilities. When a first or a second user uses the gait training device 100, the gait training device 100 provides the control, calculation and operation required for the real-time adjustment method of the gait training parameters 10. The method for real-time adjustment of the gait training parameters 10 essentially includes steps (a), (b) and (c). In this preferred embodiment, the left foot force sensor 101 and the right foot force sensor 102 are load cells; the left knee pressure sensor 103 and the right knee pressure sensor 104 are film pressure sensors. It is worth noting that the user can choose the appropriate sensor depending on, but not limited to, actual needs. In this preferred embodiment, as in 2a shown, gait training includes at least one gait cycle. The gait cycle corresponds to the gait path of one of the feet. The gait trajectory simulates the process of human walking from the beginning of the right heel striking the ground to the left toe lifting off the ground, from the left heel striking the ground to the right toe lifting off the ground, and finally back to the right striking Heel to the ground. The horizontal axis of the 2 B , 2c , 2d , 2e , 2f , 2g , 3 , 3a , 3b , 3c , 3d , 3e corresponds to the gait cycle of 2a . The data on the graph is divided into 100 equal parts, and the position at which the heel of the user's individual foot touches the ground corresponds to the starting point of the gait cycle (that is, the data point marked 0 on the horizontal axis), and the position before the heel of the same foot hits the ground again corresponds to the 99th data point on the horizontal axis.

Wie in den 1, 2b, 2c, 2d und 2e gezeigt, sammelt die Erfassungseinheit in Schritt (a) die Muskelentspannungsgangdaten eines ersten Benutzers, die während des Gangtrainings in einem Muskelentspannungszustand gemessen wurden (wie in 2b gezeigt), und die aktiven Kraftausgabegangdaten des ersten Benutzers, die während des Gangtrainings im aktiven Kraftausgabezustand des ersten Benutzers gemessen wurden (wie in 2c gezeigt). 2c), erstellt die Steuereinheit ein Standardbewegungsmodell auf der Grundlage des Verhältnisses der aktiven Kraftausgabegangdaten des ersten Benutzers zu den Muskelentspannungsgangdaten des ersten Benutzers (wie in 2d dargestellt). Der „Muskelentspannungszustand“ bedeutet hier, dass der Benutzer während des Gangtrainings keine Anstrengung ausüben muss und die Trainingseinheit nur von der Steuereinheit des Gangtrainingsgeräts 100 angetrieben wird, wodurch die Füße des Benutzers zum Schwingen gebracht werden; der „aktive Kraftausgabezustand“ bezieht sich auf die Tatsache, dass die Füße des Benutzers während des Betriebs der Trainingseinheit aktiv Kraft ausgeben müssen.Like in the 1 , 2 B , 2c , 2d and 2e shown, in step (a) the acquisition unit collects the muscle relaxation gait data of a first user measured during gait training in a muscle relaxation state (as in 2 B shown), and the first user's active force output gait data measured during gait training in the first user's active force output state (as in 2c shown). 2c), the control unit creates a standard motion model based on the ratio of the first user's active force output gait data to the first user's muscle relaxation gait data (as in 2d shown). The “muscle relaxation state” here means that the user does not need to exert any effort during gait training, and the training session is only driven by the control unit of the gait training device 100, causing the user's feet to swing; the “active force output state” refers to the fact that the user's feet must actively output force during the operation of the training session.

Um die Stabilität der verschiedenen Daten zu verbessern, werden in dieser bevorzugten Ausführungsform mehrere Proben des ersten Benutzers genommen. Entsprechend dem Verhältnis des Durchschnittswerts der Gangdaten mehrerer aktiver Kraftausgaben der ersten Benutzer zum Durchschnittswert der Gangdaten der Muskelentspannung der Muskeln der ersten Benutzer wird dann das Standardbewegungsmodell erstellt (wie in 2e gezeigt). In anderen bevorzugten Ausführungsformen kann die Anzahl der ersten Benutzer auch als eins angenommen werden, wenn die Gangdaten der aktiven Ausgabe der ersten Benutzer und die Gangdaten der Muskelentspannung der ersten Benutzer ausreichend repräsentativ sind. Daher ist die Anzahl der ersten Benutzer nicht nur auf diese bevorzugte Ausführungsform beschränkt.In order to improve the stability of the various data, in this preferred embodiment multiple samples are taken from the first user. Then, according to the ratio of the average value of the gait data of several active force outputs of the first users to the average value of the gait data of muscle relaxation of the muscles of the first users, the standard movement model is created (as in 2e shown). In other preferred embodiments, the number of first users may also be assumed to be one if the active output gait data of the first users and the muscle relaxation gait data of the first users are sufficiently representative. Therefore, the number of first users is not limited to this preferred embodiment only.

In dieser bevorzugten Ausführungsform ist der Gangzyklus, wie in den 2a, 2f und 2g gezeigt, hauptsächlich in ein Schwerpunktverlagerungsintervall F1, ein Hüftbeugungsintervall F2 und ein Kniestreckungsintervall F3 unterteilt. Das Schwerpunktverlagerungsintervall F1 befindet sich in den 0-40 gleichen Teilen des Gangzyklus, das Hüftbeugungsintervall F2 befindet sich in den 45-70 gleichen Teilen des Gangzyklus und das Kniestreckungsintervall F3 befindet sich in den 80-99 gleichen Teilen des Gangzyklus.In this preferred embodiment, the gait cycle is as shown in Figures 2a , 2f and 2g shown, mainly divided into a center of gravity shift interval F1, a hip flexion interval F2 and a knee extension interval F3. The center of gravity shift interval F1 is located in the 0-40 equal parts of the gait cycle, the hip flexion interval F2 is located in the 45-70 equal parts of the gait cycle, and the knee extension interval F3 is located in the 80-99 equal parts of the gait cycle.

Nimmt man den rechten Fuß des ersten Benutzers als Beispiel (die Beurteilungsmethode für den linken Fuß ist ebenfalls dieselbe und wird hier nicht wiederholt), ist, wie in 2f gezeigt, der vom rechten Fuß des ersten Benutzers, der auf den Kraftsensor 102 des rechten Fußes tritt, erfasste Wert größer als ein Modellschwellenwert (der Vorhersagewert der 100% aktiven Kraftausgabe des ersten Benutzers), wenn er sich im Hüftbeugungsintervall F2 befindet, ist der vom rechten Fuß, der auf den Kraftsensor 102 des rechten Fußes tritt, erfasste Wert kleiner als der Modellschwellenwert, wie in 2g gezeigt ist, wenn der rechte Kniedrucksensor 104 im Kniestreckungsintervall F3 kleiner als der Modellschwellenwert ist.Taking the first user's right foot as an example (the judgment method for the left foot is also the same and will not be repeated here), as in 2f shown, the value detected by the right foot of the first user stepping on the right foot force sensor 102 greater than a model threshold (the predicted value of the first user's 100% active force output) when in the hip flexion interval F2 is that of right foot stepping on the right foot force sensor 102 detected value less than the model threshold, as in 2g is shown when the right knee pressure sensor 104 is less than the model threshold in the knee extension interval F3.

In dieser bevorzugten Ausführungsform, wie in 2h gezeigt, haben der linke Kniedrucksensor 103 und der rechte Kniedrucksensor 104 jeweils ein oberes Sensorelement 105 und ein unteres Sensorelement 106 (weil die oberen und unteren Sensorelemente 105 und 106 des linken und rechten Kniedrucksensors 103 und 104 die gleichen Elemente sind und die gleiche Konfigurationsbeziehung haben, wird nur ein Diagramm als schematische Darstellung des linken Kniedrucksensors 103 und des rechten Kniedrucksensors 104 verwendet). Unter der Annahme, dass der durch das obere Sensorelement 105 gemessene Druckwert P_K1 ist, der durch das untere Sensorelement 106 gemessene Druckwert P_K2 ist, der kürzeste Abstand zwischen dem Mittelpunkt des oberen Sensorelements 105 und der unteren Endfläche des unteren Sensorelements 106 X₂ ist (in dieser Ausführungsform 100 mm), dann ist die Druckmittelposition des linken Kniedrucksensors 103 (oder des rechten Kniedrucksensors 104) $= \frac{x_{1} \times P_{K 1} + X_{2} \times P_{K 2}}{P_{K 1} + P_{K 2}} .$

In this preferred embodiment, as in 2h shown, the left knee pressure sensor 103 and the right knee pressure sensor 104 each have an upper sensor element 105 and a lower sensor element 106 (because the upper and

lower sensor elements

105 and 106 of the left and right

knee pressure sensors

103 and 104 are the same elements and have the same configuration relationship, only one diagram is used as a schematic representation of the left knee pressure sensor 103 and the right knee pressure sensor 104). Assuming that the pressure value measured by the upper sensor element 105 is P _K1 , the pressure value measured by the lower sensor element 106 is P _K2 , the shortest distance between the center of the upper sensor element 105 and the lower end surface of the lower sensor element 106 is X ₂ (100 mm in this embodiment), then the pressure medium position of the left knee pressure sensor 103 (or the right knee pressure sensor 104)

= \frac{x_{1} \times P_{K 1} + X_{2} \times P_{K 2}}{P_{K 1} + P_{K 2}} .

Wie in den 1 und 3 gezeigt, erhält die Steuereinheit in Schritt (b) ein Bewegungsmodell eines zweiten Benutzers. Das Bewegungsmodell des zweiten Benutzers umfasst die Daten des muskelentspannten Gangs des zweiten Benutzers, die während des Gangtrainings unter dem muskelentspannten Zustand des zweiten Benutzers gemessen wurden. Durch Kombination der Daten des muskelentspannten Gangs des zweiten Benutzers mit dem Standardbewegungsmodell wird ein personalisiertes Trainingsmodell geschätzt (siehe 3). In dieser bevorzugten Ausführungsform werden, wie in 3a gezeigt, 10 %, 15 %, 20 %, 25 %, 30 %, 40 %, 50 %, 60 %, 70 %, 80 %, 90 % und 100 % Schwierigkeitskurven mit dem personalisierten Trainingsmodell geschätzt (nur die 100%-Schwierigkeitskurve L1 und die 10%-Schwierigkeitskurve L12 sind in 3a angegeben). Auf diese Weise werden personalisierte Trainingsmodelle mit unterschiedlichen Schwierigkeitsgraden erstellt, und die Schwierigkeitskurven können entsprechend den Anforderungen angepasst werden, so dass die Schwierigkeitskurven nicht auf diese bevorzugte Ausführungsform beschränkt sind.Like in the 1 and 3 shown, the control unit receives a movement model of a second user in step (b). The second user's movement model includes the second user's muscle relaxed gait data measured during gait training under the second user's muscle relaxed state. By combining the second user's muscle-relaxed gait data with the standard motion model, a personalized training model is estimated (see 3 ). In this preferred embodiment, as in 3a shown, 10%, 15%, 20%, 25%, 30%, 40%, 50%, 60%, 70%, 80%, 90% and 100% difficulty curves estimated with the personalized training model (only the 100% difficulty curve L1 and the 10% difficulty curve L12 are in 3a specified). In this way, personalized training models with different levels of difficulty are created, and the difficulty curves can be adjusted according to the requirements, so that the difficulty curves are not limited to this preferred embodiment.

Da das Schwerpunktübertragungsintervall F1 die Phase ist, in der der rechte Fuß nach unten tritt, ist für den rechten Fuß der Schwierigkeitsgrad des personalisierten Trainingsmodells umso höher, je höher der vom Kraftsensor 102 des rechten Fußes gemessene Wert ist. Wenn der vom rechten Fußkraftsensor 102 gemessene Wert niedriger ist, bedeutet dies, dass die Schwierigkeit des personalisierten Trainingsmodells geringer ist. Daher ist etwa zwischen dem Gangzyklus 0-40 die oberste Kurve die 100%-Schwierigkeitskurve L1, und die unterste Kurve ist die 10%-Schwierigkeitskurve L12. Im Hüftbeugungsintervall F2 und im Kniestreckungsintervall F3 handelt es sich um die Phasen des Anhebens des rechten Fußes. Wenn also der vom rechten Fußkraftsensor 102 gemessene Wert niedriger ist, bedeutet dies, dass die Schwierigkeit des personalisierten Trainingsmodells höher ist, und wenn der vom rechten Fußkraftsensor 102 gemessene Wert höher ist, bedeutet dies, dass die Schwierigkeit des personalisierten Trainingsmodells niedriger ist. Daher ist etwa zwischen dem Gangzyklus 45-100 die unterste Kurve die 100%-Schwierigkeitskurve L1, und die oberste Kurve ist die 10%-Schwierigkeitskurve L12.Since the center of gravity transfer interval F1 is the phase in which the right foot steps down, the higher the value measured by the force sensor 102 of the right foot, the higher the difficulty level of the personalized training model for the right foot. If the value measured by the right foot force sensor 102 is lower, it means that the difficulty of the personalized training model is lower. Therefore, approximately between gait cycle 0-40, the top curve is the 100% difficulty curve L1, and the bottom curve is the 10% difficulty curve L12. The hip flexion interval F2 and the knee extension interval F3 are the phases of lifting the right foot. So if the value measured by the right foot force sensor 102 is lower, it means that the difficulty of the personalized training model is higher, and if the value measured by the right foot force sensor 102 is higher, it means that the difficulty of the personalized training model is lower. Therefore, approximately between gait cycle 45-100, the bottom curve is the 100% difficulty curve L1, and the top curve is the 10% difficulty curve L12.

In dieser bevorzugten Ausführungsform, wie in 3b, 3c, 3d und 3e gezeigt, werden als Möglichkeiten der Einschätzung des personalisierten Trainingsmodells aus den personalisierten Trainingsmodellen verschiedener Schwierigkeiten, das für den zweiten Benutzer am besten geeignet ist, wenn der zweite Benutzer zunächst in einem Zustand der Muskelentspannung ist, wobei der rechte Fuß als Beispiel genommen wird, aus dem Wert, der durch den Kraftsensor 102 des rechten Fußes erhalten wird, und wenn der zweite Benutzer im Zustand der Muskelentspannung ist, ein Maximalwert eines Muskelentspannungszustandes und ein Minimalwert eines Muskelentspannungszustandes im Gangzyklus erhalten (wie in 3b gezeigt). Dann werden, wenn der zweite Benutzer aktiv Kraft ausgibt, ein vorhergesagter Maximalwert der aktiven Kraftausgabe und ein vorhergesagter Minimalwert der aktiven Kraftausgabe im Gangzyklus des zweiten Benutzers durch das Standardbewegungsmodell geschätzt (wie in 3c gezeigt). Unter Verwendung des Wertes, der durch den rechten Fußkraftsensor 102 unter dem Zustand der aktiven Kraftausgabe des zweiten Benutzers erhalten wird, und wenn der zweite Benutzer aktiv Kraft ausgibt, werden dann ein tatsächlicher Maximalwert der aktiven Kraftausgabe und ein tatsächlicher Minimalwert der aktiven Kraftausgabe im Gangzyklus erhalten (wie in 3d gezeigt). Der tatsächliche Maximalwert der aktiven Kraftausgabe, der vorhergesagte Maximalwert der aktiven Kraftausgabe und der Maximalwert der Kraft bei Muskelentspannung werden in eine Berechnungsformel für das Intervall der Schwerpunktverlagerung eingesetzt, und der tatsächliche Minimalwert der aktiven Kraftausgabe, der vorhergesagte Minimalwert der aktiven Kraftausgabe und der Minimalwert der Kraft im Zustand der Muskelentspannung werden in eine Berechnungsformel für das Hüftbeugeintervall eingesetzt, um das Kraftausgabeniveau des Intervalls der Schwerpunktverlagerung und des Hüftbeugeintervalls zu erhalten. Dann wird das geeignete personalisierte Trainingsmodell anhand des niedrigeren Kraftausgabeniveaus empfohlen (wie in 3e gezeigt). Der spezifische Berechnungsweg lautet wie nachstehend:

Formel zur Berechnung des Schwerpunktübertragungsintervalls:
- Tatsächlicher Maximalwert des aktiven Kraftausgangs - Maximalwert der Kraft im Muskelentspannungszustand / vorhergesagtem Maximalwert des aktiven Kraftausgangs - Maximalwert des Muskelentspannungszustands = Ausgangsniveau des Schwerpunktübertragungsintervalls F1.

In this preferred embodiment, as in 3b , 3c , 3d and 3e are shown as ways of assessing the personalized training model from the personalized training models of different difficulties that is most suitable for the second user when the second user is initially in a state of muscle relaxation, taking the right foot as an example, from which Value obtained by the force sensor 102 of the right foot, and when the second user is in the state of muscle relaxation, a maximum value of a muscle relaxation state and a minimum value of a muscle relaxation state in the gait cycle are obtained (as in 3b shown). Then, when the second user actively outputs force, a predicted maximum value of active force output and a predicted minimum value of active force output in the second user's gait cycle are estimated by the standard motion model (as in 3c shown). Using the value obtained by the right foot force sensor 102 under the second user's active force output condition, and when the second user is actively outputting force, an actual maximum active force output value and an actual minimum active force output value in the gait cycle are then obtained (as in 3d shown). The actual maximum value of the active force output, the predicted maximum value of the active force output and the maximum value of the muscle relaxation force are substituted into a calculation formula for the center of gravity shift interval, and the actual minimum value of the active force output, the predicted minimum value of the active force output and the minimum value of the force in the state of muscle relaxation are inserted into a hip flexion interval calculation formula to obtain the force output level of the center of gravity shift interval and the hip flexion interval. Then the appropriate personalized training model is based on the lower strength output levels recommended (as in 3e shown). The specific calculation way is as follows:

Formula for calculating the center of gravity transfer interval:
- Actual maximum value of active force output - maximum value of force in muscle relaxation state / predicted maximum value of active force output - maximum value of muscle relaxation state = initial level of center of gravity transfer interval F1.

Wie in den 3c und 3d gezeigt, ist in dieser bevorzugten Ausführungsform, das Ausgangsniveau des zweiten Benutzers im Schwerpunktübertragungsintervall

F 1 = \frac{35.651 (kg) - 22.066 (kg)}{34.263 (kg) - 22.066 (kg)} = 111.37 % .

Like in the 3c and 3d shown is, in this preferred embodiment, the initial level of the second user in the center of gravity transfer interval

F 1 = \frac{35,651 (kg) - 22,066 (kg)}{34,263 (kg) - 22,066 (kg)} = 111.37 % .

Die Berechnungsformel für das Hüftbeugungsintervall:

Tatsächlicher Minimalwert der aktiven Kraftausgabe - Minimalwert der Kraft im Zustand der Muskelentspannung / vorhergesagtem Minimalwert der aktiven Kraftausgabe - Minimalwert der Kraft im Zustand der Muskelentspannung = Kraftausgabenniveau des Hüftbeugungsintervalls F2.

The calculation formula for the hip flexion interval:

Actual minimum value of active force output - minimum value of force in the state of muscle relaxation / predicted minimum value of active force output - minimum value of force in the state of muscle relaxation = force output level of hip flexion interval F2.

Wie in den 3c und 3d gezeigt, ist in dieser bevorzugten Ausführungsform das Ausgangsniveau des zweiten Benutzers im Hüftbeugungsintervall

F2 = \frac{16.885 (kg) - 23.68 (kg)}{15.128 (kg) - 23.68 (kg)} = 79.45 % .

Like in the 3c and 3d shown is the initial level of the second user in the hip flexion interval in this preferred embodiment

F2 = \frac{16,885 (kg) - 23.68 (kg)}{15,128 (kg) - 23.68 (kg)} = 79.45 % .

Da das Kraftausgabeniveau des Hüftbeugungsintervalls F2 kleiner ist als das Kraftausgabeniveau des Schwerpunktverlagerungsintervalls F1, wird der geeignete personalisierte Trainingsmodus gewählt, der durch das Kraftausgabeniveau des Hüftbeugungsintervalls F2 empfohlen wird, wobei z.B. das Modell, das durch die 80%-Schwierigkeitskurve in 3a dargestellt wird, als personalisiertes Trainingsmodell gewählt wird.Since the force output level of the hip flexion interval F2 is smaller than the force output level of the center of gravity shift interval F1, the appropriate personalized training mode recommended by the force output level of the hip flexion interval F2 is selected, for example, the model represented by the 80% difficulty curve in 3a is presented, is chosen as a personalized training model.

Wie in den 1, 3c, 3d, 3e und 4 gezeigt, bestimmt die Steuereinheit in Schritt (c), ob der tatsächliche Trainingszustand des Benutzers mit dem Standard des personalisierten Trainingsmodells übereinstimmt, und passt dann das personalisierte Trainingsmodell an und stellt ein Ersatztrainingsmodell bereit.Like in the 1 , 3c , 3d , 3e and 4 shown, in step (c), the control unit determines whether the user's actual training condition matches the standard of the personalized training model, and then adjusts the personalized training model and provides a replacement training model.

In dieser bevorzugten Ausführungsform bestimmt die Steuereinheit, ob der tatsächliche Trainingszustand des zweiten Benutzers mit dem Standard des personalisierten Trainingsmodells, einschließlich eines kontinuierlichen Bestimmungsweges innerhalb eines bestimmten Intervalls und einer Einzelpunkt-Trigger-Bestimmungsmethode innerhalb des bestimmten Intervalls übereinstimmt. Der kontinuierliche Bestimmungsweg innerhalb des spezifischen Intervalls besteht darin, kontinuierlich zu bestimmen, ob der tatsächliche Trainingszustand des zweiten Benutzers in einem der Intervalle des Gangzyklus (z.B.: das Schwerpunktverlagerungsintervall F1, das Hüftbeugungsintervall F2, das Kniestreckungsintervall F3) mit der Norm des personalisierten Trainingsmodells übereinstimmt. Wenn der zweite Benutzer zu Beginn des Trainings die Norm erfüllt, behält die Trainingseinheit des Gangtrainingsgeräts 100 die ursprünglich eingestellte Geschwindigkeit bei. Wenn er die Norm nicht erfüllt, steuert die Steuereinheit die Trainingseinheit, um die Laufgeschwindigkeit zu reduzieren (in dieser bevorzugten Ausführungsform ist die Laufgeschwindigkeit so eingestellt, dass sie jedes Mal um 12% reduziert wird, und die Mindestgeschwindigkeit auf 25% der ursprünglich eingestellten Geschwindigkeit reduziert wird; dies ist aber nicht darauf beschränkt). Wenn der zweite Benutzer die Norm erfüllt, nachdem die Geschwindigkeit der Trainingseinheit reduziert wurde, steuert die Steuereinheit die Laufgeschwindigkeit der Trainingseinheit derart, dass sie jedes Mal um 38% steigt, bis 100% der ursprünglich eingestellten Geschwindigkeit erreicht sind. Die Ein-Punkt-Trigger-Bestimmung besteht darin, dass alle Daten in einem der Intervalle des Gangzyklus (z. B. dem Schwerpunktverlagerungsintervall F1, dem Hüftbeugungsintervall F2, und dem Kniestreckungsintervall F3) die Norm des personalisierten Trainingsmodells erfüllen, und es wird davon ausgegangen, dass sie die Norm des personalisierten Trainingsmodells erfüllen, um zu vermeiden, dass der zweite Benutzer eine kontinuierliche Kraftausgabe benötigt, um das personalisierte Trainingsmodell anzupassen.In this preferred embodiment, the control unit determines whether the actual training condition of the second user matches the standard of the personalized training model, including a continuous determination path within a certain interval and a single-point trigger determination method within the certain interval. The continuous determination path within the specific interval is to continuously determine whether the actual training state of the second user in one of the intervals of the gait cycle (e.g.: the center of gravity shift interval F1, the hip flexion interval F2, the knee extension interval F3) matches the norm of the personalized training model. If the second user meets the norm at the start of training, the training session of the gait training device 100 maintains the originally set speed. If it does not meet the standard, the control unit controls the training session to reduce the running speed (in this preferred embodiment, the running speed is set to reduce by 12% each time, and the minimum speed is reduced to 25% of the original set speed (but this is not limited to this). If the second user meets the standard after the speed of the training session is reduced, the control unit controls the running speed of the training session so that it increases by 38% each time until 100% of the original set speed is reached. The one-point trigger determination is that all data in one of the intervals of the gait cycle (e.g., the center of gravity shift interval F1, the hip flexion interval F2, and the knee extension interval F3) meets the norm of the personalized training model and is assumed that they meet the standard of the personalized training model to avoid the second user needing continuous force output to adjust the personalized training model.

In dieser bevorzugten Ausführungsform besteht eines der Verfahren für die Steuereinheit zur Bestimmung, ob der zweite Benutzer die Hüftbeugung im Hüftbeugungsintervall F2 erreicht, am Beispiel des rechten Fußes durch Kombination mit den Parametern der Position des Druckzentrums X_K, gemessen vom rechten Kniedrucksensor 104, wenn sich der zweite Benutzer im aktiven Kraftausgabezustand befindet, die durchschnittliche Position des Druckzentrums $\bar{X_{K},}$

die von dem zweiten Benutzer im entspannten Zustand gemessen wird, die Kraft P_F des zweiten Benutzers im aktiven Kraftausgabezustand, die von dem rechten Fußkraftsensor 102 erfasst wird, und der Kraft U_FR des zweiten Benutzers in einem entspannten Zustand, die von dem rechten Fußkraftsensor 102 erfasst wird, das personalisierte Trainingsmodell und die eingestellte Schwierigkeit zu bestimmen. Wenn beurteilt wird, dass der zweite Benutzer die Hüftbeugung im Hüftbeugungsintervall F2 erreicht hat, müssen die folgenden Bedingungen erfüllt sein:

(X_{K} > \bar{X_{K}} + R % \times U_{R K X}) \cap (P_{F} < (U_{F P} - U_{F R}) \times R % + U_{F P}),

wobei der Variationsbereich des Druckzentrums des zweiten Benutzers in dem entspannten Zustand die Hälfte der Differenz zwischen dem Maximalwert und dem Minimalwert der Druckzentrumsposition ist, die durch das Hüftbeugungsintervall F2 des zweiten Benutzers in dem entspannten Zustand aufgezeichnet wurde, wobei die durchschnittliche Druckzentrumsposition

\bar{X_{K}}

der Durchschnittswert der Position des Druckmittelpunkts ist, der durch das Hüftbeugungsintervall F2 erfasst wird. In dieser bevorzugten Ausführungsform besteht eines der Verfahren für die Steuereinheit, um festzustellen, ob der zweite Benutzer die Kniestreckung im Kniestreckungsintervall F3 erreicht, darin, am Beispiel des rechten Fußes, die Parameter des Druckwerts P_K, gemessen vom rechten Kniedrucksensor 104 des zweiten Benutzers im Zustand der aktiven Kraftausgabe, des Druckwerts U_RKP, gemessen vom rechten Kniedrucksensor 104 des zweiten Benutzers bei entspannter Muskulatur und der eingestellten Schwierigkeit R% zu kombinieren. Bei der Beurteilung, ob der zweite Benutzer die Kniestreckung im Kniestreckungsintervall F3 erreicht hat, müssen die folgenden Bedingungen erfüllt sein:

P_{K} < 0.9 - 0.4 \times R % \times U_{R K P} .

In this preferred embodiment, one of the methods for the control unit to determine whether the second user achieves hip flexion in the hip flexion interval F2 is, using the right foot as an example, by combining with the parameters of the pressure center position X _K measured by the right knee pressure sensor 104 when the second user is in the active force output state, the average position of the pressure center

\bar{X_{K},}

which is measured by the second user in a relaxed state, the force P _F of the second user in the active force output state, which is detected by the right foot force sensor 102, and the force U _FR of the second user in a relaxed state, which is detected by the right foot force sensor 102 is recorded to determine the personalized training model and the set difficulty. If it is judged that the second user has hip flexion in the hip When the diffraction interval F2 has been reached, the following conditions must be met:

(X_{K} > \bar{X_{K}} + R % \times U_{R K X}) \cap (P_{F} < (U_{F P} - U_{F R}) \times R % + U_{F P}),

wherein the variation range of the second user's center of pressure in the relaxed state is half the difference between the maximum value and the minimum value of the center of pressure position recorded by the hip flexion interval F2 of the second user in the relaxed state, where the average center of pressure position

\bar{X_{K}}

is the average value of the position of the center of pressure detected by the hip flexion interval F2. In this preferred embodiment, one of the methods for the control unit to determine whether the second user achieves knee extension in the knee extension interval F3 is, using the right foot as an example, the parameters of the pressure value P _K measured by the second user's right knee pressure sensor 104 in State of the active force output, the pressure value U _RKP , measured by the right knee pressure sensor 104 of the second user with relaxed muscles and the set difficulty R% to combine. When assessing whether the second user has achieved knee extension in the F3 knee extension interval, the following conditions must be met:

P_{K} < 0.9 - 0.4 \times R % \times U_{R K P} .

In dieser bevorzugten Ausführungsform basiert die Beurteilung, ob der tatsächliche Trainingszustand des zweiten Benutzers den Standard des personalisierten Trainingsmodells mittels der kontinuierlichen Bestimmungsmethode innerhalb des Intervalls erfüllt, darauf, ob die Messdaten des zweiten Benutzers im Hüftbeugungsintervall F2 80% des vorhergesagten Wertes des personalisierten Trainingsmodells erreichen. Erreichen sie nicht 80% des vorhergesagten Wertes des personalisierten Trainingsmodells, so gilt dies als Nichterfüllung des Standards. Erreicht sie nur 50% des Vorhersagewertes des personalisierten Trainingsmodells, gilt sie nur als Teilnehmerin am Gangtraining. Wenn der zweite Benutzer im personalisierten Trainingsmodell fünf Gangzyklen durchläuft und vier davon den Standard des personalisierten Trainingsmodells erfüllen, stellt die Steuereinheit ein Ersatztrainingsmodell bereit, worin sie den Schwierigkeitsgrad des personalisierten Trainingsmodells erhöht. Nachdem der zweite Benutzer das Gangtraining des Gangzyklus fünfmal durchlaufen hat, wird die Steuereinheit, wenn vier der Gangzyklen den Standard des personalisierten Trainingsmodells nicht erfüllen, das Ersatztrainingsmodell bereitstellen, worin sie den Schwierigkeitsgrad des personalisierten Trainingsmodells verringert.In this preferred embodiment, the judgment of whether the actual training condition of the second user meets the standard of the personalized training model by the continuous determination method within the interval is based on whether the measurement data of the second user in the hip flexion interval F2 reaches 80% of the predicted value of the personalized training model. If they do not reach 80% of the predicted value of the personalized training model, this is considered non-fulfillment of the standard. If she only achieves 50% of the predicted value of the personalized training model, she is only considered a participant in gait training. When the second user completes five gait cycles in the personalized training model and four of them meet the standard of the personalized training model, the control unit provides a replacement training model, thereby increasing the difficulty level of the personalized training model. After the second user completes the gait training of the gait cycle five times, if four of the gait cycles do not meet the standard of the personalized training model, the control unit will provide the replacement training model, thereby reducing the difficulty level of the personalized training model.

In dieser bevorzugten Ausführungsform wird, wie in 3e gezeigt, der 70%ige Schwierigkeitsgrad des personalisierten Trainingsmodells als Beispiel für das Ersatztrainingsmodell verwendet. In anderen bevorzugten Ausführungsformen wird das personalisierte Trainingsmodell mittels der kontinuierlichen Bestimmungsmethode innerhalb des spezifischen Intervalls beurteilt und angepasst. Gemäß dem personalisierten Trainingsmodell können 10%, 15%, 20%, 25%, 30%, 40%, 50%, 60%, 80%, 90% und 100% Schwierigkeit als das Ersatztrainingsmodell definiert werden. Bei der Beurteilung und Anpassung des personalisierten Trainingsmodells mittels der Ein-Punkt-Trigger-Bestimmung innerhalb des spezifischen Intervalls können 20%, 40%, 60%, 80%, 100% der Schwierigkeit als das Ersatztrainingsmodell gemäß dem personalisierten Trainingsmodell definiert werden.In this preferred embodiment, as in 3e shown, the 70% difficulty level of the personalized training model is used as an example for the replacement training model. In other preferred embodiments, the personalized training model is assessed and adjusted within the specific interval using the continuous assessment method. According to the personalized training model, 10%, 15%, 20%, 25%, 30%, 40%, 50%, 60%, 80%, 90% and 100% difficulty can be defined as the replacement training model. When assessing and adjusting the personalized training model using the one-point trigger determination within the specific interval, 20%, 40%, 60%, 80%, 100% of the difficulty can be defined as the replacement training model according to the personalized training model.

Dadurch kann ein personalisiertes Bewegungsmodell, das entsprechend dem Zustand des zweiten Benutzers diesem zugeordnet ist, durch ein Verfahren zur Echtzeitanpassung von Gangtrainingsparametern 10, das durch die vorliegende Erfindung bereitgestellt wird, geplant werden, und können im Training geeignete Ersatztrainingsmodelle entsprechend den Daten der Ausgabe des zweiten Benutzers empfohlen werden, um den Effekt der Anpassung der Trainingsschwierigkeit in Echtzeit gemäß der tatsächlichen Leistung während des Trainings zu erzielen.Thereby, a personalized movement model associated with the condition of the second user can be planned by a method for real-time adjustment of gait training parameters 10 provided by the present invention, and appropriate replacement training models can be trained in accordance with the data of the output of the second User is recommended to achieve the effect of adjusting the training difficulty in real time according to the actual performance during training.

Die vorstehend erwähnten bevorzugten Ausführungsformen sollen helfen, die Prinzipien und Verfahren der vorliegenden Erfindung zu verstehen. Die vorliegende Erfindung ist nicht auf die vorstehend erwähnten bevorzugten Ausführungsformen beschränkt. Alle Kombinationen und Abwandlungen, die dem Bereich und dem Prinzip der vorliegenden Erfindung entsprechen, sollen in den Schutzbereich der vorliegenden Erfindung fallen.The preferred embodiments mentioned above are intended to help understand the principles and methods of the present invention. The present invention is not limited to the above-mentioned preferred embodiments. All combinations and modifications consistent with the scope and principle of the present invention are intended to fall within the scope of the present invention.

ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturCited patent literature

US 8147436 [0003, 0004]
CN 113244084 A [0005, 0006]

Claims

Method for real-time adjustment of gait training parameters (10), which is applicable to a gait training device (100), wherein the gait training device (100) comprises a detection unit, a training unit and a control unit, the control unit being electrically connected to the detection unit and the training unit and the operation controls the training unit, the method for real-time adjustment of gait training parameters (10) comprising the steps: (a) collecting, by the acquisition unit, the muscle relaxation gait data of at least a first user measured during gait training in a muscle relaxation state and the active force output gait data of the at least one first user measured during gait training in the active force output state of the first user; and then creating, by the controller, a standard motion model based on the ratio of the first user's active force output gait data to the first user's muscle relaxation gait data; (b) obtaining a movement model of a second user comprising the second user's muscle relaxation gait data measured during gait training under the second user's muscle relaxation state, and then estimating at least one personalized training model by combining the second user's muscle relaxation gait data with the standard movement model the control unit; and (c) determining whether the actual training condition of the second user matches the standard of the at least one personalized training model, and then adjusting the at least one personalized training model and providing a replacement training model by the control unit.

Method for real-time adjustment of gait training parameters (10). Claim 1 , wherein the gait training includes at least one gait cycle and the gait cycle is divided into a center of gravity shift interval (F1), a hip flexion interval (F2) and a knee extension interval (F3).

Method for real-time adjustment of gait training parameters (10). Claim 1 , where in step (b) the at least one personalized training model is several.

Method for real-time adjustment of gait training parameters (10). Claim 2 , wherein in step (b), the calculation method of the control unit for estimating the personalized training model from the muscle relaxation gait data of the second user when the second user's muscle relaxation state is obtained includes a maximum value of the force in a muscle relaxation state and a minimum value of the force in a muscle relaxation state in the gait cycle, whereupon when the second user is actively outputting force, a predicted maximum value of the active force output and a predicted minimum value of the active force output in the gait cycle of the second user are estimated by the standard motion model, whereupon when the second user is in the active force output state, the value obtained from the detection unit is used to obtain an actual maximum value of the active force output and an actual minimum value of the active force output in the gait cycle when the second user actively outputs force, and introducing the respective actual maximum value of the active force output, the predicted maximum value of the active force output and the maximum value of the force in the muscle relaxation state into a center of gravity displacement interval calculation formula, and introducing each of the actual minimum value of the active force output, the predicted minimum value of the active force output and the minimum value of the force in the muscle relaxation state into a calculation formula for the hip flexion interval, to obtain the force output level of the center of gravity shift interval (F1) and the force output level of the hip flexion interval (F2), whereupon the lower force output level is used as the personalized training model for the second user.

Method for real-time adjustment of gait training parameters (10). Claim 2 , wherein the detection unit comprises two knee pressure sensors and two sole force sensors; wherein, in step (c) of the method for real-time adjustment of gait training parameters (10), the control unit determines that the second user achieves hip flexion in the hip flexion interval (F2), the conditions must be met:

(X_{K} > \bar{X_{K}} + R % \times U_{R K X}) \cap (P_{F} < (U_{F P} - U_{F R}) \times R % + U_{F P}),

where X _K is the center of pressure position measured by one of the knee pressure sensors when the second user is in the active force output state, where

\bar{X_{K}}

is the average center of pressure position measured by the knee pressure sensor when the second user is in a relaxed state, where U _FR is the force value measured by one of the sole force sensors when the second user is in a relaxed state, where U _FP is the personalized training model, where R% is the set difficulty.

Method for real-time adjustment of gait training parameters (10). Claim 2 , wherein the detection unit comprises two knee pressure sensors and two sole force sensors, wherein in step (c) of the method for real-time adjustment of gait training parameters (10), when the control unit determines that the second user reaches knee extension in the knee extension interval (F3), the conditions must be met : P _K < 0.9 - 0.4 × R% × U _RKP , where P _K is the pressure value measured by one of the knee pressure sensors when the second user is in the active force output state, where U _RKP is the pressure value measured by the knee pressure sensor is measured when the second user's muscles are relaxed, where R% is the set difficulty.

Method for real-time adjustment of gait training parameters (10). Claim 1 , wherein in step (c), the method for assessing whether the actual training condition of the second user meets the standard of the personalized training model includes a continuous determination path within a specific interval and a single-point trigger determination path within the specific interval.

Method for real-time adjustment of gait training parameters (10). Claim 1 , wherein in step (c), if the actual training condition of the second user does not meet the standard of the personalized training model, the control unit provides the replacement training model by reducing the difficulty level of the personalized training model.

Method for real-time adjustment of gait training parameters (10). Claim 1 , wherein in step (c), if the actual training condition of the second user meets the standard of the personalized training model, the control unit provides the replacement training model by increasing the difficulty of the personalized training model.