Diterjemahkan dari bahasa Afrikans ke bahasa Indonesia - www.onlinedoctranslator.

com

Leedkk. J NeuroEngineering Rehabil https:// (2021) 18:54

doi.org/10.1186/s12984-021-00843-1

RISET Akses terbuka

Mengidentifikasi dinamika dan kontrol postural

manusia dari keseimbangan yang tidak terganggu
Jongwoo Lee1 *, Kuangen Zhang1,2,3dan Neville Hogan1.4

Abstrak
Latar belakang:Berdiri tegak membutuhkan kontrol dari tubuh manusia multi-sendi yang secara inheren tidak stabil dalam basis
penyangga yang kecil, meskipun suara motorik dan / atau sensorik biologis yang menantang keseimbangan. Tanpa menerapkan
gangguan, metode identifikasi sistem dianggap tidak memadai, karena proses kebisingan biologis internal yang relevan tidak dapat
diakses untuk pengukuran langsung. Akibatnya, studi keseimbangan yang tidak terganggu telah terbatas pada penyelidikan pola
perilaku daripada kemungkinan strategi kontrol yang mendasarinya.

Metode:Dalam makalah ini, kami menyajikan metode identifikasi sistem yang ketat secara matematis yang dapat diterapkan
untuk mempelajari dinamika dan kontrol keseimbangan yang tidak terganggu. Metode ini diturunkan dari matriks autokorelasi
dengan jeda waktu bukan nol dan mengidentifikasi matriks sistem dari sistem dinamis waktu-diskrit dengan adanya proses noise
yang tidak diketahui, tanpa memerlukan informasi apa pun tentang kekuatan noise.

Hasil:Tidak seperti pendekatan 'kuadrat terkecil' yang wajar, kinerja metode baru ini konsisten di berbagai kombinasi yang
berbeda dari kekuatan kebisingan internal dan pengukuran, bahkan ketika kebisingan pengukuran cukup besar. Kami menyajikan
contoh numerik dari model yang mensimulasikan keseimbangan tegak manusia dan menunjukkan bahwa dinamikanya dapat
diidentifikasi secara akurat. Dengan pilihan variabel keadaan dan input yang masuk akal secara biomekanik, pengontrol umpan
balik keadaan juga dapat diidentifikasi.

Kesimpulan:Studi ini memberikan metode baru untuk mengidentifikasi dengan benar dinamika posisi manusia tanpa perlu
gangguan eksternal yang diketahui. Metode ini divalidasi secara numerik menggunakan simulasi yang menyertakan fitur realistis
keseimbangan manusia. Metode ini menghindari potensi masalah adaptasi atau kemungkinan respons refleks yang ditimbulkan oleh
gangguan eksternal, dan tidak memerlukan peralatan pengukuran presisi tinggi di lab yang mahal. Ini pada akhirnya dapat
memungkinkan diagnosis dan pengobatan individu dengan gangguan keseimbangan, dan pengembangan teknologi bantu dan /
atau rehabilitatif yang aman dan efektif.

Kata kunci:Keseimbangan tidak terganggu, Manusia berdiri dengan tenang, Identifikasi sistem, Dinamika dan kontrol postural

Latar belakang Ketika manusia menyeimbangkan, sistem saraf untuk

Pentingnya mengidentifikasi kontrol postural manusia
Keseimbangan merupakan kebutuhan mendasar bagi mobilitas manusia.
Meskipun berdiri di tanah tampaknya merupakan aktivitas sehari-hari yang
sepele, itu sebenarnya membutuhkan koordinasi canggih dari tubuh
manusia multi-sendi yang secara inheren tidak stabil.
* Korespondensi: jw127@mit.edu
1Departemen Teknik Mesin, Massachusetts Institute of
Technology, Cambridge, MA 02139, AS
Daftar lengkap informasi penulis tersedia di akhir artikel
integrasi sensorik, koordinasi multi-sendi, adaptasi
lingkungan, dan fungsi lainnya secara dinamis berinteraksi
dengan kendala biomekanik dari sistem muskuloskeletal.1
]. Bagaimana sistem saraf pusat mengatur interaksi antara
proses saraf dan biomekanik dapat lebih dipahami dengan
mengidentifikasi dinamika pengontrol saraf yang
mengeksekusi torsi sendi korektif sebagai respons
terhadap goyangan tubuh [1-4].

© Penulis (s) 2021.Akses terbukaArtikel ini dilisensikan di bawah Lisensi Internasional Creative Commons Attribution 4.0, yang mengizinkan
penggunaan, berbagi, adaptasi, distribusi, dan reproduksi dalam media atau format apa pun, selama Anda memberikan kredit yang sesuai kepada
penulis asli dan sumbernya, memberikan link ke lisensi Creative Commons, dan tunjukkan jika ada perubahan. Gambar atau materi pihak ketiga
lainnya dalam artikel ini termasuk dalam lisensi Creative Commons artikel, kecuali dinyatakan lain dalam batas kredit untuk materi tersebut. Jika materi
tidak termasuk dalam lisensi Creative Commons artikel dan penggunaan yang Anda maksudkan tidak diizinkan oleh peraturan perundang-undangan
atau melebihi penggunaan yang diizinkan, Anda harus mendapatkan izin langsung dari pemegang hak cipta. Untuk melihat salinan lisensi ini, kunjungi
http://creativecommons.org/licenses/by/4.0/. Pengabaian Dedikasi Domain Publik Creative Commons (http: // creativeco mmons.org/publicdomain/
zero/1.0/) berlaku untuk data yang disediakan dalam artikel ini, kecuali dinyatakan lain dalam batas kredit untuk data tersebut.
Leedkk. J NeuroEngineering Rehabil (2021) 18:54
Studi sebelumnya untuk mengidentifikasi keseimbangan
Mengidentifikasi dinamika dengan mengganggu keseimbangan
Studi kontrol postural manusia dapat secara luas diklasifikasikan
ke dalam dua paradigma eksperimental yang berbeda:
keseimbangan terganggu dan keseimbangan tidak terganggu.4,5
]. Dalam keseimbangan terganggu, gangguan eksternal
diterapkan untuk menantang keseimbangan peserta, misalnya
dengan menerapkan gaya mendorong / menarik atau
menerjemahkan / memutar platform di mana mereka berdiri.
Gangguan tersebut secara tradisional dianggap perlu untuk
mengidentifikasi dinamika kontrol postural manusia, karena input
(gangguan eksternal) dan output (gerakan sebagai respons
terhadap gangguan) diukur secara langsung, memungkinkan
penerapan teknik identifikasi sistem loop tertutup yang mapan.
untuk mendapatkan hubungan dinamis input-output yang kuat
dan andal [2-4,6]. Sementara wawasan tentang kontrol
sensorimotor keseimbangan dapat diperoleh dengan cara ini,
perlu dicatat bahwa manusia terkenal adaptif dan cenderung
mengubah perilaku dalam menanggapi gangguan yang
diterapkan [5]. Misalnya, Park et al. [7] menunjukkan bahwa
keuntungan umpan balik postural diskalakan dengan besarnya
gangguan yang diterapkan. Oleh karena itu, dinamika dan kontrol
loop tertutup yang diperkirakan dengan cara ini mungkin tidak
mewakili aktivitas sehari-hari dengan baik.
Memahami keseimbangan alam tanpa gangguan
Sebaliknya, studi keseimbangan yang tidak terganggu tidak
menerapkan gangguan eksternal. Sebaliknya, satu-satunya tantangan
terhadap keseimbangan individu muncul dari kebisingan biologis
internal dalam sistem motorik dan / atau sensorik. Respon terhadap
kebisingan biologis ini dapat digunakan untuk menyelidiki kontrol
postural alami manusia. Keseimbangan yang tidak terganggu juga
mencakup studi untuk memahami kemampuan keseimbangan
manusia yang luar biasa dalam lingkungan yang menantang, seperti
pada balok sempit [8-11]. Dalam lingkungan ini, menerapkan
gangguan eksternal sering dihindari karena lingkungan itu sendiri
sangat menantang sehingga peserta dapat kehilangan keseimbangan
sebelum cukup data dikumpulkan.
Pola perilaku yang konsisten diamati di seluruh individu,
diwakili oleh tindakan deskriptif seperti gerakan pusat massa
(COM) atau pusat tekanan (COP), menyarankan strategi untuk
mengelola keseimbangan seluruh tubuh yang kompleks
secara terkoordinasi [8-10,12-14]. Meskipun tidak ada
keraguan bahwa mencirikan pola perilaku itu penting, itu
tidak mendefinisikan strategi kontrol postural [1].
Mengidentifikasi pengontrol hanya dari fitur perilaku cukup
sulit karena pengontrol yang berbeda dapat mereproduksi
fitur yang sama yang diamati dalam percobaan [10]. Di sisi
lain, cukup sulit untuk menerapkan teknik identifikasi sistem
yang telah banyak digunakan untuk perturbed balancing,
karena input ke sistem (kebisingan biologis) yang
menginduksi gerakan output (misalnya, goyangan)
Halaman 2 dari 15
dalam keseimbangan tidak terganggu adalahinterndan tidak dapat
diakses untuk pengukuran langsung [4]. Metode identifikasi sistem
yang andal untuk keseimbangan yang tidak terganggu akan sangat
diinginkan.
Metode yang ada
Baru-baru ini, Ahn dan Hogan [15] dan Ahn dkk. [16] telah
menunjukkan bahwa adalah mungkin untuk memperkirakan
parameter sistem dinamis skalar (orde pertama) yang bising tanpa
gangguan eksternal. Memperhatikan bahwa deret waktu dari
keluaran sistem dinamis dapat direpresentasikan sebagai model
autoregresif orde satu, mereka mengkuantifikasi bias dalam
estimasi berdasarkan metode regresi linier konvensional,
kemudian mengusulkan cara mengkompensasinya. Dilengkapi
dengan metode yang direvisi ini, mereka menilai stabilitas gaya
berjalan dari model yang mensimulasikan berjalan manusia [15]
dan, dengan menggunakan data eksperimen, memperkirakan
perolehan koreksi kesalahan dari model pembelajaran motorik
manusia [16]. Teori lain yang lebih klasik yang relevan dengan
proses stokastik linier, stasioner, putih dengan kekuatan noise
yang tidak diketahui juga telah menangani identifikasi parameter
sistem multi-dimensi [17-20].
Kontribusi utama
Kontribusi utama dari makalah ini adalah untuk mengembangkan dan
memvalidasi metode sistematis untuk mengidentifikasi dinamika loop
tertutup dari model multi-sendi dari keseimbangan manusia yang tidak
terganggu. Kami merumuskan masalah ini sebagai mengidentifikasi
sistem dinamis waktu-diskrit, linier, berdimensi-hingga, tereksitasi
secara stokastik. Kami memanfaatkan matriks korelasi otomatis dari
pengukuran dengan jeda waktu yang tidak nol untuk memperkirakan
parameter model. Kekuatan proses kebisingan tidak diperlukan, yang
sangat penting ketika mengidentifikasi keseimbangan yang tidak
terganggu yang didorong oleh kebisingan internal yang tidak
diketahui. Untuk lebih memahami properti kunci dari metode baru,
pertama-tama kita pertimbangkan model dinamis skalar sederhana.
Kemudian kami menyajikan contoh numerik dari model yang
mensimulasikan keseimbangan tegak manusia dan menunjukkan
bahwa dinamikanya dapat diidentifikasi secara akurat. Dengan asumsi
struktur dinamis dari model pendulum terbalik ganda yang tereksitasi
secara stokastik, pengontrol umpan balik keadaan juga dapat
diidentifikasi. Sebaliknya, parameter pembanding yang diestimasi
menggunakan metode kuadrat terkecil konvensional menunjukkan
kesalahan yang besar.
Metode yang diusulkan dalam makalah ini sebagian besar terinspirasi
oleh pendekatan serupa yang dikembangkan untuk mengidentifikasi
stabilitas gaya berjalan manusia [15], dinamika pembelajaran motorik
manusia [16], dan aktivitas otak dari sinyal electroencelphalogram (EEG) [20].
Sementara studi tersebut tidak mempertimbangkan kebisingan pengukuran
secara terpisah dari kebisingan biologis, kami menunjukkan bahwa
kebisingan pengukuran dapat menyebabkan bias yang signifikan dalam
estimasi. Kami juga menyajikan cara untuk mengurangi masalah tersebut.
Dilengkapi dengan metode baru,alamidinamika postur manusia
Leedkk. J NeuroEngineering Rehabil (2021) 18:54 Halaman 3 dari 15

dan kontrol dapat dipelajari secara mendalam tanpa memperhatikan xx(k) = E {x txtTk}
adaptasi atau kemungkinan respons refleks yang ditimbulkan oleh
gangguan eksternal, atau kebutuhan apa pun untuk peralatan
∑k
=E {(Akxt k+ A j−1 Gwt j)xT t k} (4)
pengukuran presisi tinggi yang mahal. Identifikasi kuantitatif yang
j =1
andal dari dinamika dan kontrol keseimbangan manusia, seperti yang
disajikan dalam makalah ini, akan memungkinkan diagnosis dan =AkE {xt kxT t k} =AkRxx(0)
pengobatan individu dengan gangguan keseimbangan, dan
di mana xx(0)dapat diperoleh sebagai
pengembangan teknologi bantu dan/atau rehabilitatif yang aman dan
efektif.
xx(0) =P=E {xtxT t}

Metode =E {(Kapakuntuk1+Gwuntuk1) (Kapakuntuk1+Gwuntuk1)T }

Mengidentifikasi sistem umum dari matriks autokorelasi =E {Kapakuntuk1xT untuk1AT+Gwuntuk1wT untuk1GT}
Pertimbangkan sistem dinamis waktu-invarian linier
=ARxx(0)AT+GT wG
stokastik dimensi hingga waktu diskrit
=APAT+GT wG
xt +1=Kapakt+Gwt (5)
z=Hx t + vt, (1)
t Dari (2) dan (4), dengan mudah mengikuti bahwa

∈ RSebuahx,z∈ RSebuahzadalah keluaran keadaan dan terukur

di mana
zz(k) =HAkPHT,∀k>0 (6)
vektor, masing-masing, pada waktut. Kami berasumsi bahwa kebisingan
proses,w∈ RSebuahw, dan kebisingan pengukuran,v∈ RSebuahv, berwarna putih Jika-1ada, seseorang dapat menurunkan matriksAdari matriks
dan tidak berkorelasi: autokorelasi sebagai

E {wt} =0, E {wtwTs} = wδts =H1Rzz(k +1)Rzz(k)1H, (7)

E {vt} =0, E {vtvTs} = vδts Perhatikan bahwa (7) berlaku untuk semua>0.

E {wtvTs} =0 ∀t, s Sekarang kita beralih ke masalah estimasi. Menggunakan

ic properti dari
ergod∑ t, zz(k)dapat diperkirakan sebagai ≥
Tujuannya adalah untuk memperkirakan x×Sebuahxmatriks sistem. 1
0,di manaSEBUAHadalah panjang
SEBUAH

Nk t = k +1ztzTt kuntuk
Kami pertama menghitung matriks auto-korelasi dari out- seri waktu. Selama prosesnya ergodik, telah ditunjukkan bahwazz
dengan baikdengan lag bukan nol>0sebagai (k)memberikan perkiraan asimtotik tidak bias, normal, dan
konsisten [21]. Estimasi dapat ditingkatkan dengan meningkatkan
zz(k)
durasi percobaan (N) atau menggabungkan beberapa data
=E {ztzTt k} percobaan dari setiap peserta. Dalam praktiknya, durasi uji coba
=E {(Hxt+vt) (Hxt k+vt k)T} =E {Hx tidak dapat diperpanjang secara sewenang-wenang karena
dinamika peserta dapat bervariasi dari waktu ke waktu karena
txT t kHT+HxtvT t k+vtxT t kHT+vtvT t k} kelelahan. Menyatakan sebagai jumlah total percobaan per
=HE {xtxTt k}HT=SDMxx(k)HT peserta dan(saya) zz(k)sebagai estimasi autokorelasi
(2) matriks untuksaya-Uji coba, kita dapat mendefinisikan ulangzz(k)sebagai

di manazz(0)dapat diperoleh sebagai

1 ∑
SebuahT

ˆ zz(k) = zz(k)
R(saya)
zz(0) SebuahT
saya =1

=E {ztzTt}
1 1 ∑Sebuah
SEBUAH
T ∑
z(saya)z(Itu
=E {(Hxt+vt) (Hxt+vt)T} = tt k.
SebuahTN - k
saya =1t = k +1
=E {HxtxTtHT+HxtvT t+vtxT tHT+vtvT t}
di mana (saya)adalah keluaran terukur darisaya-percobaan. Dari (7),
=HE {xtxTt}HT+ E {vtvT t} =SDMxx(0)HT+ v
(3) kita memperoleh ekspresi untuk estimasi sebagai

Sebuah ekspresi untuk xx(k)untuk sistem dinamis (1) bisa ˆ CR=H1Rzz(k +1)Rzz(k)-H,∀k>0,
1
(8)
dengan mudah didapat. Memperhatikan ituE {xtwT s} =0untuk≤ S,
di mana subskrip CR adalah singkatan dari korelasi.
Di dalam praktek, sejak
zz(k) SDMxx(k)HT HAkRxx(0)HT, untuk sistem yang stabil
bersamaA<1,terlalu besar nilaikakan menyebabkan zz(k)ke
Leedkk. J NeuroEngineering Rehabil (2021) 18:54
memiliki jumlah kondisi yang besar, yang dapat memperbesar
kesalahan numerik dan menurunkan kualitas perkiraan. Untuk
mengurangi penurunan kinerja ini, dengan mencatat bahwa hubungan
H1Rzz(k) =H1Rzz(k +1)berlaku untuk semua>0, (8) dapat
ditingkatkan
ˆ CR (m)=H[R- zz
1
(2),. . . ,Rzz(m +1)]
× [Rzz(1),. . . ,Rzz(m)]+H
untuk sebuah hiperparameterM, di mana+menunjukkan
operator pseudoinverse. Kami akan membahas secara singkat
sifat-sifat metode estimasi dalamHasilBagian.
Mengidentifikasi keuntungan pengontrol
Untuk melamar (9) untuk mengidentifikasi kontrol postural manusia,
pertimbangkan sistem yang dapat dikontrol
xt +1=Kapakt+but+Gwt, zt
= (10)
Hxt+vt
di mana∈ RSebuahAndaadalah input kontrol dan adalah pembobotan masukan
matriks. Jika manusia penyeimbang dimodelkan sebagai satu
set segmen kaku yang digabungkan secara kinematis, dengan
pilihan koordinat umum yang tepat, struktur dan
dapat ditentukan dari persamaan gerak menggunakan
metode standar. Misalnya, jika sudut sambungan relatif dan
kecepatan sudut dipilih sebagai vektor keadaan dan torsi
sambungan sebagai vektor masukan, matriks sistem
dan matriks input dibatasi oleh struktur dinamis. Secara
khusus, jika sudut bersama terdiri dari elemen pertama
dari, harus memiliki0]sebagai puncaknyax/ 2baris. Baris
yang sesuai dari memiliki blok kesatuan aasaya]pertamax/
2kolom. Paruh kedua dari matriks ditentukan oleh aturan
konversi waktu kontinu ke diskrit dan frekuensi
pengambilan sampel, karena baris pertama dari matriks
yang sesuai dalam waktu kontinu terdiri dari a0]blok dan
blok kesatuansaya]; lautLampiran 4: Konversi Diskrit ke
Kontinu. Dimensi dan arti yang tepat dari sisa dan
tergantung pada konfigurasi sistem, vektor keadaan, dan
input kontrol. Misalnya, memodelkan manusia sebagai
pendulum terbalik planar dengan dua sendi (pergelangan
kaki dan pinggul), orang dapat menganggap pendulum
dikendalikan baik oleh aktuator torsi sendi (: torsi sendi)
atau aktuator otot (: kekuatan otot), tergantung pada
tujuannya dari model. Sementara asumsi ini mungkin
membatasi, mereka secara biomekanik masuk akal dan
menetapkan struktur dan.
Selanjutnya, misalkan sistem dilengkapi dengan pengontrol
umpan balik yang menstabilkan sistem tentang titik
operasinya =0,
kamut=Cxt+Kamut+et
Andat= -kyt+
t di manasebuah,g,hadalah parameter sistem skalar yang tidak
Halaman 4 dari 16
di manakamu∈ RSebuahkamu,e∈ RSebuahe,∈ RSebuahη adalah sinyal sensorik yang
diumpankan kembali ke pengontrol penstabil, kebisingan sensorik, dan kebisingan
motor, masing-masing. adalahAnda×Sebuahkamumendapatkan matriks. Tanpa
kehilangan keumuman dan untuk kesederhanaan, kita dapat mengasumsikan
=0(Perpanjangan metode ke bukan nol akan mudah, tetapi
dibiarkan untuk pekerjaan di masa mendatang.). Yang tertutup-
(9) sistem loop dilengkapi dengan pengontrol (10) - (11) adalah
dikurangi menjadi
xt +1=Aclxt+Gclapat
zt =Hx+v (12)
tt
di mana cl=A-BKC, cl= [G, -BK,B], dan
apa= [wT,eT,T].Kami berasumsi bahwa sumber kebisinganw,e, dan
berwarna putih, tidak berkorelasi satu sama lain, dan dengan
matriks kovariansw,�e,�η, masing-masing. Secara asimtotik
estimasi yang tidak bias dan konsisten clBisa didapatkan
menggunakan prosedur (9).
Seseorang dapat memperkirakan lebih lanjut matriks gainx=KC
dari pengontrol umpan balik status (11) dengan memecahkan
masalah regresi linier berikut,
ˆ x=B+(A-A ˆ cl) (13)
Perhatikan bahwa untukAnda<nx, ini adalah masalah yang terlalu
ditentukan dan solusi uniknya dapat diperoleh. Perhatikan juga
bahwa penguatan pengontrol dapat diperkirakan dalam domain
waktu kontinu menggunakan konversi model waktu diskrit ke
kontinu yang tepat, seperti yang dijelaskan dalamLampiran 4:
Konversi Diskrit ke Kontinu.
Metode ini membutuhkansebuah prioritaspengetahuan tentang dan
tetapi itu ditentukan oleh fisika mekanik dari model yang
diasumsikan untuk menggambarkan data keseimbangan
manusia eksperimental. Perhatikan secara khusus bahwa jika
sudut bersama dan kecepatan sudut dipilih sebagai vektor
keadaanxdan torsi sambungan (dengan impedansi mekanis
nol) sebagai vektor input, konstruksi dan untuk sistem loop
terbuka (tidak terkontrol) hanya membutuhkan pengetahuan
tentang kinematika dan mekanika gravito-inersia. Sifat
geometris dan inersia segmen tungkai cukup baik diukur
dalam literatur, misalnya lihat [22]. Dengan cara ini, metode
yang disajikan di sini 'mengisi' data yang hilang tentang
impedansi mekanis.
Hasil
Simulasi numerik: sistem dinamis skalar
Model
Untuk mendapatkan wawasan, pertimbangkan sistem dinamis stabil sederhana,
xt +1=kapakt+ gwt
zt =terima kasih + v ,
t t
(14)
(11)
diketahui. Proses noise yang tidak diketahui diambil dari mean-nol
Leedkk. J NeuroEngineering Rehabil (2021) 18:54 Halaman 5 dari 15

distribusi Gaussian, t∼ A(0,2 w),vt∼ A(0,2 v). 1

Kami berasumsisebuah | <1,yaitu, sistem stabil. Ini dapat dengan =0 =1

0,5 = 1/2 =2
mudah diperoleh dari (2) - (5) itu

Rxx(0) =P =2P + g2 2 w=1 g2σw2 0

1−sebuah2

Rxx(k) = akP,∀k≥ 0 R - 0. 5

zz(0) =h2P +2 v=1 g2h2σ2w+2 v

1−sebuah2
-1
Rzz(1) =ah2P -1 - 0. 5 0 0,5 1
Rzz(k +1) =aRzz(k),∀k≥ 1
1

Pengaturan simulasi 0,5

Untuk sistem sederhana ini, kami membandingkan metode

0
baru (9), ˆCR (m)dengan berbedaM-nilai (=1dan =10),dengan
metode kuadrat terkecil biasa (OLS),OLS. Metode kuadrat - 0. 5

terkecil biasa dirinci dalamLampiran 1: Kuadrat terkecil

-1
biasa; perhatikan bahwa perkiraan yang dihasilkan oleh -1 - 0. 5 0 0,5 1
OLS setara dengan persamaan Yule-Walker, yang banyak
digunakan [15,20]. Dalam contoh numerik berikut, kami 1

mensimulasikan sistem dinamis (14) dengan =g =1untuk

0,5
parameter sistem yang berbeda(-1, 1)dengan resolusi
terbatas 0,1. PerkiraanCR (m)danOLSdihitung dari lima 0
percobaan yang berbeda (T=5)dan setiap percobaan terdiri
- 0. 5
dari deret waktu dengan panjangN =3000.Ini sesuai
dengan simulasi 30 detik dengan laju pengambilan sampel -1
-1 - 0. 5 0 0,5 1
100Hz, tipikal untuk studi perilaku manusia. Kekuatan
kebisinganw,vjuga bervariasi sehingga kekuatan relatifr=v/ ARA. 1Perbandingan metode estimasi dengan proses yang berbeda dan
wadalah 0, 1/2, 1, dan 2. Akhirnya, untuk memahami sifat kekuatan kebisingan pengukuran. Setiap estimasi diperoleh dari 5 percobaan
statistik dari metode estimasi, kami mengulangi prosedur yang berbeda. Setiap percobaan terdiri dari deret waktu dengan panjang N =
3000. Rata-rata dan standar deviasi dari kesalahan estimasi (-Sebuah)untuk
di atas 100 kali dan memperoleh mean dan standar deviasi
setiap plot diperoleh dari 100 iterasi dari seluruh proses
dari kesalahan estimasi,(·)-sebuah.Semua simulasi dan
komputasi dilakukan di MATLAB 2018b (Mathworks, MA).

Hasil simulasi Rzz(2) Rzz(2)

ˆCR (1)= ≈ (16)
Angka1membandingkan kinerja metode estimasi Rzz(1) Rzz(1)
yang berbeda. Estimasi kuadrat terkecil biasaOLS
menunjukkan varians kecil tetapi bias tidak nol. Kesalahan rata- di mana

rata dari perkiraan adalah nol pada =0,tapi bias pada umumnya |
Rzz(1) ah2P sebuah
sebuah| cukup besar dan mungkin tidak dapat diterima. Di = =
Rzz( 0) h2P +2 v σv2 (17)
samping ituCR (m)tidak bias ketika parameter sistem Sebuahtidak 1 + (1 -sebuah2)
h2g2σ2 w
nol dan besar. Namun, ketikasebuah |∼ 0,kinerjanya menurun.
Secara umum, varians dan kesalahan rata-rata dari semua metode
berkurang sebagai kekuatan kebisingan relatif Rzz(2) sebuah h P
= (18)
2 2

=sebuah
rmeningkat, yaitu dengan pengukuran yang lebih akurat dan Rzz(1) ah2P
gangguan internal yang lebih besar.
Jelas bahwa bahkan jika autokorelasi diperkirakan sempurna,
Untuk memahami perbedaan antaraOLSdanCR (1), akan lebih
misalnya, R̂zz(k) = Rzz(k),OLSmemiliki bias yang bergantung pada
mudah untuk menurunkan ekspresi analitik. Metode kuadrat
kedua parameter sistemsebuah,g,hdan yang tidak diketahui
terkecil biasa diberikan sebagai
kekuatan kebisingan2w,2 v,ketikaCR (1)memberikan gambaran yang tidak bias
Rzz(1) Rzz(1) memperkirakan tanpa memerlukan informasi tentang
ˆOLS= ≈ (15) kekuatan kebisingan. Secara khusus, bias dalamOLSmeningkat
Rzz(0) Rzz(0)
sebagai kebisingan relatifv/wmeningkat. Di samping ituCR (1)
danCR (1)diberikan sebagai tidak terdefinisi dengan baik untuksebuah |∼ 0karena ini
Leedkk. J NeuroEngineering Rehabil (2021) 18:54
penyebut berisisebuah. Properti ini terwakili dengan baik pada
Gambar.1. KetikaOLSmemiliki varians yang lebih kecil untuk semua
sebuah nilai, kesalahan karena bias cukup besar untuk bukan nol
sebuah. ˆCR (1)memiliki varians yang relatif besar secara umum tetapi
memberikan perkiraan yang cukup akurat kecualiSebuahmendekati 0.
Jika benarSebuahmendekati 0,CR (1)cukup tidak tepat.
Kelemahan ini bisa diatasi jika kita menggunakanCR (10).
Perkiraan ini untuk besar benarSebuahseakurat dan menunjukkan
sedikit bias sepertiCR (1). Lebih penting lagi, sungguh luar biasa
bahwaCR (10)secara substansial meningkatkan akurasi dan varians
bahkan ketikasebuah |∼ 0.Sedangkan variansnya masih lebih
besar dariOLS, akurasi nilai rata-ratanya sebanding.
Kami juga menguji efek hyper-parameterM, jeda waktu
maksimum dalam autokorelasi untuk memperkirakan , danT,
jumlah total percobaan, pada kesalahan estimasi dan
menyajikan hasilnya pada Gambar.2. Nilai mutlak kesalahan
pendugaan, âCR (m)-sebuah |dihitung, kemudian rata-rata dan
varians dari kesalahan absolut dihitung dari 100 iterasi. Seperti
yang ditunjukkan pada Gambar.2, secara umum kedua hyper-
parameter secara monoton meningkatkan keandalan estimasi
dengan mengurangi kesalahan rata-rata dan variansnya.
Seperti yang diharapkan, meningkatkan jumlah percobaan
memiliki lebih banyak efek daripada— M. Hal ini karena
meningkatMberarti lebih banyak R̂zz(k) direkrut untuk ,
sementara meningkatkan jumlah percobaan membantu untuk
memperkirakan lebih baikRzz(k)dan akibatnya mengurangi
kesalahan yang menyebar dalam memperkirakan . Oleh
karena itu selalu disarankan untuk menggunakan sebesarT
sebanyak mungkin, yakni mengumpulkan data sebanyak-
banyaknya dari setiap peserta.
sebuah b
a=0
a = 0,1
a = 0,2
a = 0,5
100 100
Berarti
0 5 10 0 5
Perbedaan
100 100
0 5 10 0 5
ARA. 2Efek hyper-parameterM, jeda waktu maksimum dari fungsi
autokorelasi yang digunakan untuk memperkirakan , danT,jumlah
percobaan, padaCR (m)-sebuah |.Kekuatan kebisingan diperbaiki sebagai
w=v=1.AT=5telah diperbaiki danMbervariasi.B=5telah
diperbaiki danTbervariasi
Halaman 6 dari 15
Peningkatan kinerja dengan meningkatnyaM dengan cepat
mencapai dataran tinggi, dan dengan demikian nilai yang cukup
besar dariM, misalnya =10dapat dipilih untuk ditingkatkan
estimasi. Seperti yang dapat dilihat pada Gambar.1dan2, varians ketika
sebuah |∼ 0masih cukup besar. Oleh karena itu, pertama-tama orang dapat
menghitungOLSuntuk memperkirakansebuah, kemudian hitungCR (m)
Ketika sebuahOLS|lebih besar dari ambang batas, misalnya 0,1. Untuk sistem
dimensi yang lebih tinggi, seseorang dapat menggunakan norma-norma
zz(k)danzz(1)untuk menentukan nilaiM.
Simulasi numerik: model keseimbangan
Model pendulum terbalik ganda
Berdiri diam manusia sering dimodelkan sebagai pendulum
terbalik dengan satu [23], dobel [10], atau lebih dari dua sendi [24
]. Untuk menetapkan bagaimana kinerja metode baru untuk kasus
multi-sendi, kami mengadopsi model pendulum terbalik ganda
dari manusia yang berdiri dengan tenang. Parameter model
lumped termasuk massa, posisi pusat massa dari joint, panjang,
momen inersia tentang pusat massa setiap link, dan percepatan
gravitasi tercantum dalam Tabel1. Mereka dihitung berdasarkan
distribusi antropomorfik laki-laki [22], dengan berat dan tinggi 73
kg dan 1,73 m. Kami berasumsi bahwa kaki tidak bergerak saat
berdiri dan menganggap pergelangan kaki sebagai sendi peniti;
massa dan panjang di bawah pergelangan kaki diabaikan dalam
model pendulum terbalik ganda. Angka3menggambarkan sudut
sendi dan torsi untuk pergelangan kaki (1,1) dan pinggul (2,2).
Seperti dalam (11), diasumsikan bahwa setiap torsi sambungan
adalah jumlah dari kontrol
10
10
ARA. 3Model pendulum terbalik ganda dengan sudut (saya) dan torsi (saya)
menandatangani konvensi dan nilai parameter untuk massa (saya), panjang (
akusaya), Pusat massa (saya), dan momen inersia terhadap pusat massa (Jsaya).
Arah gravitasi (g) juga didefinisikan
Leedkk. J NeuroEngineering Rehabil (2021) 18:54 Halaman 7 dari 16

Tabel 1parameter model pendulum terbalik ganda Meja 2Rentang kekuatan kebisingan diuji

Simbol Arti parameter (satuan) Nilai Simbol Arti parameter Jangkauan

1 Massa tautan 1 (kg) Panjang tautan 25.89 e Kekuatan kebisingan sensorik [1 02, 3 02]
1 1 (m) Pusat massa tautan 1 (m) 0.857 η Kekuatan kebisingan motor 1 02
1 Momen inersia tautan 1 (kgm2) 0,582 v Pengukuran kekuatan kebisingan [1 03, 5 03]
J1 Massa tautan 2 (kg) 1.350

2 42.20

2 Panjang link 2 (m) Pusat 0,841

Linierisasi model
2 massa link 2 (m) 0,328
Sementara kami menggunakan persamaan gerak nonlinier penuh untuk
J2 Momen inersia atau link 2 (kgm2) 2.547
mensimulasikan keseimbangan manusia, ketika distabilkan oleh LQR dan
g Percepatan gravitasi (m / s2) 9.81 terganggu oleh kebisingan internal kecil, gerakan resultan
dari pendulum terbalik ganda halus, konsisten dengan
pengamatan eksperimental berdiri tenang [6,27]. Untuk
torsi input dan kesalahan aktuasi, saya= kamusaya+saya. Negara
gerakan kecil, sistem nonlinier dapat didekati dengan baik
vektor = [q1,q2, q1, qT2]dan vektor masukan = [Anda1,Anda2]T
sebagai sistem linier (10), seperti yang dijelaskan dalam
didefinisikan sesuai. Lampiran 3: Linearisasi pendulum terbalik ganda. Dari
model linier,cldiperoleh.
Pengontrol stabilisasi
Kami menggunakan regulator kuadrat linier cakrawala tak terbatas
(LQR) untuk menstabilkan pendulum terbalik ganda. LQR adalah Pengaturan simulasi

pengontrol umpan balik keadaan di mana gainxditentukan sedemikian Kami menggunakan metode baru untuk memperkirakan matriks
rupa sehingga biaya kuadrat diminimalkan: sistem loop tertutupcldan matriks penguatan pengontrolx. Karena

∫∞ model dikembangkan dalam waktu kontinu, pertama-tama kami

memperkirakan parameter model waktu diskrit menggunakan (9),
x=argminKx [xT(t)Qx(t) +AndaT(t)Ru(t)]dt,
0 kemudian mengubahnya menjadi parameter model waktu kontinu
dengan mengikuti metode yang dijelaskan dalamLampiran 4:
di mana = -Kxx[25]. Dua set parameter dari Konversi Diskrit ke Kontinu. Ukuran kesalahan antara matriks yang
LQR diuji: benar dan yang diperkirakan dihitung seperti di bawah ini:

• Kasus 1:
[ ] A= (�Acl-Acl�ˆ2) /�Acl�2 (19)
5 0
=saya4, R= .
0 1/5
K= (�Kx-Kx�2) /�Kx�2 (20)
• Kasus 2:
[ ] Perhatikan bahwa dari pilihan vektor keadaanx, dua baris
0,3 0 pertama daricldibatasi untuk0,saya]. Oleh karena itu, kami
=saya4, R=106 .
0 10/3 menggantikan dua baris pertama dari cldengan0,saya]untuk mendapatkan

gain pengontrol menggunakan (13) dan menghitung kesalahan.

Parameter yang digunakan dalam Kasus 1 adalah yang dilaporkan mewakili
keseimbangan manusia dengan baik dan mirip dengan 'strategi pinggul' [10,
26]. Kasus 2 dimaksudkan untuk menguji jenis pengontrol yang berbeda
yang mendorong lebih banyak penggunaan 'pergelangan kaki', mirip
dengan 'strategi pergelangan kaki', tetapi meminimalkan upaya
pengendalian.
Akhirnya, pengontrol torsi terganggu oleh internal
kebisingan sensorik dan kebisingan motorik dengan
η =2
η saya2seperti yang
=Anda+ = -Kx(x+e) + .
Mirip denganSistem Dinamis Skalarmisalnya, kesalahan yang
diperoleh dari metode baru dan dari metode kuadrat terkecil biasa
dibandingkan untuk berbagai kombinasi kekuatan kebisingan.
Perhatikan bahwa kebisingan sensorik dan motorik pada dasarnya
setara dalam pengaturan ini, misalnya,
t= -KCxt-Ket+t= -KCxt+t. Jadi, dalam simulasi berikut
kami memperbaikiη dan bervariasie. yang diuji
e=2 esaya4dan
parameter diringkas dalam Tabel2.
ˆ cldihitung dari lima percobaan yang berbeda (
=5).
Dalam setiap percobaan, integrator Euler semi-implisit digunakan
untuk mensimulasikan dinamika maju model selama 90 detik
dengan langkah waktu 0,01 detik (laju pengambilan sampel 100Hz,
N =9000). Akhirnya, untuk memahami sifat statistik dari setiap
metode estimasi, kami mengulangi prosedur di atas
Leedkk. J NeuroEngineering Rehabil (2021) 18:54 Halaman 8 dari 15

10 kali dan diperoleh mean dan standar deviasi dari
A, (·)danK, (·). Semua simulasi dan komputasi dilakukan
di MATLAB 2018b (Mathworks, MA).
Hasil
Angka4dan5menyajikan kesalahan rata-rata estimasi
matriks sistemAdan gain pengontrolKdiperoleh
dari cl, OLSdan cl, CRuntuk berbagai kombinasi kebisingan
kekuatan dan untuk dua pengontrol yang berbeda. Secara
umum, peningkatan pengukuran kebisingan menurunkan
estimasi kinerja. Misalnya, dalam Kasus 1, ketikae=0,01dan
η =0,01,berartiA,OLSadalah 40,5% denganv=0,001 tapi
86,9% denganv=0,005.Peningkatan kebisingan sensorik
meningkatkan perkiraan metode kuadrat terkecil biasa,
namun kinerjanya tetap jauh lebih buruk daripada yang
diperoleh dari metode baru. Kesenjangan kinerja antara
metode kuadrat terkecil biasa dan metode baru bahkan
lebih besar ketika memperkirakan keuntungan pengontrol.
Misalnya, kesalahan rata-rata estimasiKdari metode
kuadrat terkecil biasa mencapai sekitar 150%.
Dalam rentang parameter yang diuji, kesalahan estimasi
dari metode baru sedikit dipengaruhi oleh tingkat kebisingan
yang berbeda. Rerata dan standar deviasi dari kesalahan
estimasi untuk semua kondisi adalah sekitar 10% dan 9%
untukAdan 11% dan 10% untukK,masing-masing.
Kesenjangan kinerja antara metode kuadrat terkecil
biasa dan metode baru bahkan lebih besar dalam Kasus 2,
seperti yang ditunjukkan pada Gambar.5. Misalnya,
kesalahan rata-rata estimasiKdari metode kuadrat terkecil
biasa mencapai lebih dari 400% (perhatikan skala bilah
warna), sedangkan mean dan standar deviasi kesalahan
estimasi dari metode baru untuk semua kondisi sekitar
10% dan 7% untukAdan 9% dan 6% untukK,masing-masing.
Diskusi
Ringkasan pekerjaan
Dalam karya ini, kami menyajikan metode identifikasi sistem
parametrik yang tidak bias yang memungkinkan memperkirakan
dinamika kontrol postural manusia menggunakan lintasan
sambungan yang direkam tanpa gangguan eksternal. Ketika

Kasus 1
Kesalahan Estimasi Rata-rata, e Kesalahan Estimasi Rata-rata, e
A K
10-2 OLS 10-2 OLS
100 150
1 1
80
1.5 1.5
100
kesalahan (%)

kesalahan (%)
60
2 2
40
50
2.5 2.5
20

3 3
0 0
1 2 3 4 5 1 2 3 4 5
10-3 10-3

10-2 CR 10-2 CR
100 150
1 1
80
1.5 1.5
100
kesalahan (%)

kesalahan (%)

60
2 2
40
50
2.5 2.5
20

3 3
0 0
1 2 3 4 5 1 2 3 4 5
10-3 10-3
ARA. 4Rata-rata kesalahan estimasi dari matriks sistemA(%, kiri) dan perolehan kontrol K(%, kanan) dari 10 iterasi untuk kombinasi noise yang berbeda.
Kesalahan metode kuadrat terkecil biasa (OLS, atas) dan metode baru (CR, bawah) ditampilkan. Untuk kedua kasus, kebisingan motor diperbaiki sebagai
η =0,01.Model pendulum terbalik ganda disimulasikan dengan parameter pengontrol Kasus 1
Leedkk. J NeuroEngineering Rehabil (2021) 18:54 Halaman 9 dari 15

Kasus 2
Kesalahan Estimasi Rata-rata, e Kesalahan Estimasi Rata-rata, e
A K
10-2 OLS 10-2 OLS
100 400
1 1
80
1.5 1.5 300

kesalahan (%)

kesalahan (%)
60
2 2 200
40
2.5 2.5 100
20

3 3
0 0
1 2 3 4 5 1 2 3 4 5
10-3 10-3

10-2 CR 10-2 CR
100 400
1 1
80
1.5 1.5 300
kesalahan (%)

kesalahan (%)
60
2 2 200
40
2.5 2.5 100
20

3 3
0 0
1 2 3 4 5 1 2 3 4 5
10-3 10-3
ARA. 5Rata-rata kesalahan estimasi dari matriks sistem A(%, kiri) dan perolehan kontrol K(%, kanan) dari 10 iterasi untuk kombinasi noise yang berbeda.
Kesalahan metode kuadrat terkecil biasa (OLS, atas) dan metode baru (CR, bawah) ditampilkan. Untuk kedua kasus, kebisingan motor diperbaiki sebagai
η =0,01.Model pendulum terbalik ganda disimulasikan dengan parameter pengontrol Kasus 2.

dunia fisik berada dalam domain waktu-kontinu, metode, gain pengontrol yang diidentifikasi dengan metode
sistem pengukuran digital kami memberikan sinyal baru jauh lebih akurat, menghasilkan kesalahan 10% atau
kepada kami dalam domain waktu-diskrit. Oleh kurang. Contoh simulasi numerik menunjukkan bahwa
karena itu, kami menyelidiki metode untuk metode baru dapat digunakan untuk mengidentifikasi
mengidentifikasi model waktu-diskrit. Dengan dinamika postural manusia dari data eksperimen. Mengingat
model tubuh manusia multi-sendi yang masuk akal model biomekanik masuk akal dari mekanika gravito-inersia
secara biomekanik, matriks penguatan dari yang relevan, impedansi multi-sendi bersih, baik karena
pengontrol umpan balik keadaan juga dapat mekanik intrinsik atau kontrol umpan balik, juga dapat
diperkirakan. Kami pertama-tama memeriksa sifat- diidentifikasi.
sifat metode baru menggunakan sistem dinamis
skalar sederhana. Sementara metode kuadrat Peringatan pemasangan model parametrik
terkecil biasa menunjukkan bias karena kebisingan Seperti teknik identifikasi sistem parametrik lainnya, metode baru
yang tidak diketahui dalam sistem, metode baru ini sangat bergantung pada model yang menentukan struktur
tidak menunjukkan bias bahkan tanpa informasi dan. Perlu juga dicatat bahwaxdiidentifikasi dari metode ini adalah
tentang kekuatan kebisingan sistem. Varians matriks gain dari pengontrol umpan balik keadaan penuh linier.
metode baru secara substansial dikurangi dengan Akibatnya, beberapa trade-off harus dipertimbangkan ketika
menggunakan beberapa percobaan untuk mengembangkan model dan menginterpretasikan hasil. Seperti
meningkatkan perkiraan autokorelasi dengan jeda yang disajikan dalam penelitian ini, seseorang dapat memodelkan
waktu yang tidak nol.28]. Secara khusus, manusia sebagai pendulum terbalik ganda dengan posisi sendi
dibandingkan dengan kuadrat terkecil biasa dan kecepatan sebagai keadaan dan kecepatannya.
Leedkk. J NeuroEngineering Rehabil (2021) 18:54
torsi bersama sebagai input kontrolnya. Dengan model ini,
keuntunganxharus ditafsirkan sebagai impedansi nyata
yang terlihat pada pergelangan kaki dan pinggul, yaitu
kekakuan dan redaman pada setiap sendi serta kopling di
antara keduanya. Tergantung pada urutan model dan arti
fisik dari keadaan dan vektor input, arti yang tepat darix
akan bervariasi. Oleh karena itu, vektor keadaan dan orde
model harus ditentukan dengan cermat, berdasarkan tujuan
pemodelan. Selain itu, metode ini tidak menarik kesimpulan
apa pun tentang proses saraf yang mendasarinya tetapi hanya
produknya; itu hanya mengidentifikasi kontribusi bersih dari
semua komponen kontrol seperti impedansi mekanik intrinsik
dan kontrol umpan balik saraf.
Penundaan waktu yang signifikan karena tingkat transmisi
sinyal saraf yang terbatas merupakan faktor penting lain yang
membuat kontrol motorik manusia menjadi sulit. Namun,
pekerjaan saat ini tidak memasukkan aspek kontrol postural
manusia ini. Untuk mengidentifikasi waktu tunda dalam sistem,
diperlukan metode yang lebih canggih. Dalam literatur baru-baru
ini, pembatasan transmisi saraf sering dimodelkan sebagai
penundaan waktu murni dalam kontrol umpan balik keadaan.4,6,
29]. Ini pada dasarnya akan meningkatkan urutan (atau lag
maksimum) model (12). Mengabaikan kebisingan pengukuran,
model itu setara dengan model auto-regresif yang dipelajari
secara luas dengan orde lebih besar dari satu, dan ada sejumlah
makalah yang membahas model semacam itu dengan skalar [30]
dan variabel status multidimensi [20]. Baik urutan model yang
tidak diketahui (setara dengan waktu tunda yang tidak diketahui)
dan parameter model dapat diperkirakan, seperti yang disajikan
secara singkat padaLampiran 2: Persamaan Yule-Walker untuk
model autoregresif multi-variabel. Menambah metode saat ini
dengan fitur seperti itu dibiarkan untuk pekerjaan di masa depan.
Asumsi penting
Metode baru membutuhkan sejumlah asumsi
pemodelan termasuk 1) dinamika stokastik dari
penyeimbangan manusia adalah linier dan waktu-
invarian (stasioner), 2) jumlah pengukuran independen
sama dengan urutan sistem (karenanya-1ada), dan 3)
proses dan suara pengukuran berwarna putih dan
tidak berkorelasi satu sama lain.
Proses linier dan stasioner
Sistem mekanis dengan pengontrol apa pun (nonlinier,
diskontinu, atau orde lebih tinggi) harus menghasilkan
setidaknya perilaku orde rendah yang dimodelkan di sini.
Mekanika muskuloskeletal bertindak untuk menghaluskan
diskontinuitas. Nonlinier yang tersisa akan dapat dibedakan
atau menyerupai kebisingan, dan gerakan kecil akan
membenarkan representasi linier. Memang telah banyak
dilaporkan bahwa keseimbangan manusia yang tidak
terganggu hanya menunjukkan gerakan halus [13,27].
Halaman 10 dari 15
Stasioneritas keseimbangan manusia masih bisa diperdebatkan [5,
31, 32]; karena kelelahan atau perubahan dalam strategi kontrol
(misalnya, transisi antara 'strategi pergelangan kaki' dan 'strategi
pinggul' [28]) selama penyeimbangan, sistem mungkin menunjukkan
dinamika yang berubah-ubah terhadap waktu. Stasioneritas harus
ditetapkan sebelum menerapkan metode baru untuk mengidentifikasi
kontrol postural manusia.
Keberadaan H
Apakah-1ada atau tidak tergantung modelnya. Jika seseorang
mengembangkan model keseimbangan manusia tingkat sendi,
posisi sudut sendi dan kecepatan dapat diukur dengan akurasi
yang cukup tinggi dengan teknologi yang tersedia, misalnya,
sistem penangkapan gerak (MOCAP), unit pengukuran inersia
(IMU), atau goniometer. Secara umum, menjadi lebih sulit untuk
mendapatkan pengukuran status penuh karena fitur kontrol
postural yang lebih kompleks disertakan dalam model (misalnya,
dinamika otot atau waktu tunda saraf). Di samping itu, [17-19]
telah menunjukkan bahwa urutan sistem dan parameter yang
sesuai dapat diidentifikasi dari pengukuran parsial untuk sistem
masukan tunggal. Penyelidikan lebih lanjut dan penerapan
metode tersebut untuk analisis kontrol postural manusia yang
tersisa untuk pekerjaan masa depan.
Kebisingan putih dan tidak berkorelasi satu sama lain
Metode baru sangat bergantung pada asumsi bahwa semua
proses kebisingan di (10) berwarna putih dan tidak berkorelasi
satu sama lain. Namun, beberapa penelitian telah menunjukkan
bahwa kebisingan biologis paling baik dijelaskan oleh kebisingan
'merah muda' atau kebisingan Brown.33]. Selain itu, model linier
menggabungkan semua suku orde tinggi dan nonlinier dari sistem
manusia nyata ke dalam kebisingan proses, yang mungkin tidak
putih. Namun, perlu dicatat bahwa tujuan identifikasi sistem
adalah untuk membuat parameter model yang dapat memberikan
penjelasan pengamatan yang layak secara mekanis dan memandu
eksperimen untuk menguji hipotesis. Dalam pengertian itu, model
apa pun salah, dan white noise mungkin salah, tetapi ini adalah
pendekatan yang nyaman dan berguna.
Kekuatan metode baru dibandingkan dengan metode
kuadrat terkecil biasa
Kami menggunakan sistem dinamis stokastik skalar untuk
menganalisis properti dari metode baru. Dalam Gambar.1, itu
menunjukkan bahwa varians dan bias dari metode baru sensitif
terhadap ukuran parameter sistem yang sebenarnya. Performa
metode menurun ketikaSebuahmendekati 0 (dalam model 1D).
Dalam model multi-sendi, itu akan sesuai dengan kasus ketikaAcl
kanmendekati 0. Namun, kasus seperti itu cukup jarang terjadi
dalam sistem biologis. Khususnya,Acl� =0 menyiratkan bahwa
pengontrol saraf menolak gangguan apa pun dalam satu interval
pengambilan sampel.
Itu juga menunjukkan bahwa kualitas perkiraan sensitif
terhadap ukuran kebisingan pengukuran, atau lebih tepatnya,
Leedkk. J NeuroEngineering Rehabil (2021) 18:54
ukuran kebisingan pengukuran relatif terhadap kebisingan proses
(kebisingan biologis internal),r. Baik metode kuadrat terkecil biasa
maupun metode baru berkinerja lebih baik saat noise pengukuran
menurun. Kapanr=0,metode kuadrat terkecil biasa memberikan
perkiraan yang sangat akurat dari parameter sistemSebuahseperti
yang ditunjukkan pada Gambar.1 dan itu mengungguli metode
baru. Namun, sebagair
menjadi lebih besar, kesalahan dalam metode kuadrat
terkecil biasa meningkat dengan cepat. Sebaliknya,
metode baru menunjukkan kinerja yang konsisten di
berbagairnilai-nilai. Selain itu, merekrut beberapa matriks
korelasi otomatis dengan jeda waktu yang berbeda (=10)
secara substansial meningkatkan ketepatan metode baru
dan memberikan perkiraan yang akurat untuk nilaisebuah
�0.Peningkatan dapat dengan mudah diperluas ke kasus
multi-dimensi karena tidak memerlukan operasi yang sulit.
Perbedaan kinerja antara metode baru dan metode
kuadrat terkecil biasa konvensional bahkan lebih jelas
dalam contoh pendulum terbalik ganda seperti yang
ditunjukkan pada Gambar.4dan5.
dan
Selanjutnya, dengan parameter yang diketahui berdasarkan
model gravito-inersia, matriks gain pengontrol dapat
diperkirakan. Kesalahan rata-rata estimasi gain pengontrol
yang diperoleh dari metode baru jauh lebih kecil daripada
kesalahan dari metode kuadrat terkecil biasa (Gbr.4dan5),
terutama ketika kebisingan pengukuran besar. Kepekaan
terhadap kebisingan pengukuran merupakan pertimbangan
praktis yang penting. Telah dilaporkan bahwa variabilitas
sudut sendi selama berdiri diam berada di urutan 0,1 derajat [
6,27]. Kesalahan pengukuran IMU canggih, 0,2 - 0,3 derajat, [
34] sebanding dengan dan mungkin lebih besar dari gerakan
bergoyang selama berdiri diam. Makalah ini menunjukkan
bahwa ketika kebisingan pengukuran sebanding dengan
kebisingan proses, metode kuadrat terkecil biasa dapat secara
substansial bias, sedangkan metode kami tidak bias untuk
kebisingan yang lebih besar.
Implikasi praktisnya cukup mencolok. Sementara kebisingan
pengukuran dapat dikurangi lebih lanjut dengan menyiapkan
MOCAP presisi tinggi di lab, sistem pengukuran presisi tinggi
seperti itu biasanya mahal dan membutuhkan ruang yang
besar. Jika dokter ingin mendiagnosis pasien dari jarak jauh
dalam pengaturan di rumah, mereka mungkin tidak memiliki
akses ke sistem pengukuran yang akurat (misalnya, MOCAP
atau IMU presisi tinggi). Dalam hal ini, metode kami akan
menjadi alternatif yang efektif untuk metode kuadrat terkecil
biasa konvensional karena tidak memerlukan sensor presisi
tinggi.
Aplikasi yang lebih luas
Metode yang diusulkan dalam makalah ini berlaku untuk
setiap sistem stokastik linier, waktu diskrit, sehingga
relevan dengan berbagai studi sistem manusia. Misalnya,
metode baru tampaknya dapat diterapkan pada penelitian
Halaman 11 dari 15
gerakan berirama, bidang penting lain dalam kontrol
motorik manusia [35,36]. Misalnya, adalah mungkin untuk
mengukur tingkat stabilitas berjalan [15] atau gerakan
lengan berirama [37]. Relevansi kerangka yang diusulkan
untuk gerakan berirama dirinci dalam Lampiran 5:
Penilaian stabilitas gerakan berirama. Dalam sebuah studi
baru-baru ini, Ahn dan Hogan [15] telah menunjukkan
bagaimana mendapatkan penilaian akurat dari stabilitas
gaya berjalan dengan mengoreksi bias karena durasi
pendek dari rangkaian waktu eksperimental. Namun,
metode itu terbatas pada model berjalan manusia skalar
dan tidak mudah diperluas ke model multi-sendi yang
khas dari sistem manusia. Selain itu, kesalahan signifikan
dalam sistem pengukuran gerakan manusia tidak
diperhitungkan. Menggabungkan kekuatan metode baru
dengan hasil Ahn dan Hogan [15] dapat meningkatkan
penilaian stabilitas berjalan manusia yang mutakhir [38].
Teknik yang sama juga dapat meningkatkan penilaian
stabilitas eksperimental robot berkaki.
Bidang aplikasi lain yang menarik adalah pembelajaran motorik [16,
39]. Dalam studi pembelajaran motorik, bagaimana manusia
mempelajari tugas dari mengamati kesalahan dalam setiap percobaan
sering dimodelkan sebagai sistem waktu diskrit linier dengan beberapa
mekanisme umpan balik seperti pada (10). Model pembelajaran
motorik manusia yang khas mengasumsikan kebisingan pengukuran
dan kebisingan proses adalah sama (v=wdi dalam (1)). Karena asumsi
ini, estimasi kuadrat terkecil memerlukan koreksi tambahan seperti
yang ditunjukkan pada [16] sementara metode baru kami dapat
dengan mudah diterapkan. Penelitian terkini [16,39] telah memeriksa
model dinamis skalar yang mengasumsikan bahwa kesalahan tugas
dapat diwakili oleh variabel skalar. Sebuah metode untuk sistem
multidimensi, seperti yang disajikan dalam studi saat ini, akan
memungkinkan studi tentang bagaimana manusia mempelajari tugas-
tugas kompleks di mana kesalahan tidak dapat hanya diwakili oleh satu
angka.
Kesimpulan
Studi ini menyajikan metode identifikasi sistem yang ketat secara
matematis untuk mengidentifikasi dinamika keseimbangan yang
tidak terganggu. Dengan model tubuh manusia multi-sendi yang
masuk akal secara biomekanik, perolehan pengontrol umpan balik
keadaan juga dapat diperkirakan tanpa informasi apa pun tentang
kekuatan kebisingan sistem. Contoh numerik dengan model
pendulum terbalik ganda dari manusia yang berdiri diam
memvalidasi metode tersebut.
Metode untuk menilai kontrol motorik manusia memiliki kepentingan
praktis yang signifikan. Mereka memungkinkan diagnosis kuantitatif pasien
individu dan pengembangan rencana perawatan yang disesuaikan. Dengan
populasi yang menua, mobilitas manusia yang dibantu teknologi adalah
kebutuhan yang terus meningkat. Metode yang disajikan di sini
memungkinkan penilaian yang lebih baik terhadap mobilitas berbantuan
teknologi, yang pada akhirnya dapat mengarah
Leedkk. J NeuroEngineering Rehabil (2021) 18:54 Halaman 12 dari 15

untuk pengembangan teknologi bantu dan / atau rehabilitatif zz(k) =A1Rzz(k -1) +A2Rzz(k -2) +· · ·
yang disesuaikan. + ApRzz(k - p),∀k>0

Mengganti =1, 2,· · ·,ppersamaan di atas dengan

lampiran zz(k)T=Rzz(-k),seseorang dapat memperoleh himpunan persamaan
yang disebut sebagai persamaan Yule-Walker [20,30]:
Lampiran 1: Kuadrat terkecil biasa
Untuk deret waktu diskrit rata-rata-nol {t}SEBUAH 1diperoleh
Rzz(1) =A1Rzz(0) +A2RT zz(1) +· · ·
dari sistem (1),
+ ApRTzz(P -1)
t +1=Hxt +1+vt +1
Rzz(2) =A1Rzz(1) +A2Rzz(0) +· · ·
=H(Kapakt+Gwt) +vt +1
+ ApRTzz(P -2)
=HAHA1(zt-vt) +HGwt+vt +1
=HAHA1zt-HAHA1vt+HGwt+vt +1, ...

zz(p) =A1Rzz(P -1) +A2Rzz(P -2) +· · ·

seseorang dapat membentuk sistem yang terlalu ditentukan
+ ApRzz(0)
- -zT zT - -
2 1
- - - yang juga dapat ditulis sebagai
-zT-3- -zT 2 - � �
-. - = - . - (HAHA-1)T
- .. - - . . -�� �� � Rzz(1),Rzz(2),· · ·,Rzz(p)
zT � �� �
zT r
�� �
� �SEBUAH
SEBUAH��1�
� �
T W = A1,A2,· · ·,Ap ×
� �� �
atau singkatnya - -
Rzz(0) Rzz(1) · · · Rzz(P -1)
=W - RzTz(1) Rzz(0) · · · Rzz(P -2) - -
-
- -
yang dapat diselesaikan dengan mudah menggunakan estimator kuadrat - ... -
terkecil biasa
Rzz
T (P -1)Rzz(P -2)· · · Rzz(0)
� �� �
ˆ OLS= (WTW)1WTT R

= (z1zT1+· · · +ztidak1zT tidak1)1 atau singkatnya

× (z1zT2+· · · +ztidak1zT SEBUAH)

= R̃
=Rzz(0)1Rzz(1) = (
Perhatikan bahwa ini adalah sistem yang disusun dengan baik dengan
HAOLSH1)T jumlah persamaan yang sama dengan yang tidak diketahui. Matriks
berperingkat penuh dan simetris, sehingga invertibilitas terjamin. Oleh
Menata ulang, estimasi kuadrat terkecil biasa diperoleh
karena itu koefisien atau parameter sistem dapat diperkirakan dengan
sebagai:

ˆ OLS=H R̂z-z1(1)Rzz(0) -1
H (21)
=r̃R̃1
yang setara dengan (8) dengan =0.
Ada berbagai cara untuk menentukan urutan sistemp.
Misalnya, urutan yang benarpdapat ditentukan dengan
Lampiran 2: Persamaan Yule Walker untuk model
meminimalkan kriteria informasi Akaike (AIC). Pembaca
autoregresif multi-variabel
dirujuk ke [20] untuk lebih jelasnya. Perhatikan bahwa
Jika diasumsikan deret waktu diskrit rata-rata nol {t}SEBUAH 1adalah
untuk model dengan pesananp =1,estimasi parameter
proses autoregresif, metode untuk memperkirakan urutan
resultan dari sama dengan nilai terkecil biasa
yang sesuaipdari modelnya
metode kuadrat, yaitu, 1=Rzz(1)Rzz(0)1
t=A1zuntuk1+A2zuntuk2· · · +Apzt p+e(t)

dan koefisien yang sesuai Dengan jdapat didirikan. Lampiran 3: Linearisasi pendulum terbalik ganda
mengalikan T
t kke setiap sisi persamaan, mengambil Persamaan gerak model bandul terbalik ganda
harapan, dan mencatat bahwaE {e(t)z(t - k)T} =0, seseorang dapat adalah
memperoleh
Leedkk. J NeuroEngineering Rehabil (2021) 18:54 Halaman 13 dari 15

[ ] [ ]
(q)R
Q+C(q,P q)P
Q+G(q) = =Anda+ , (22) d=
Sayadtsaya
+
0dt2saya
Ac
0 aku 0dtsaya
di mana (q)∈ R2×2adalah matriks (q,Pq)∈ R2×1
inersia, adalah suku Coriolis dan (q)∈ R2×1adalah di manadtadalah interval waktu sampel. Jika kita berasumsi bahwa
sentrifugal, torsi gravitasi, dan = [τ1,2]T∈ R2×1adalah baris teratas dari Cadalah0,saya],

vektor torsi bersama, yang merupakan jumlah dari input kontrol [ ] [ ]

dan kebisingan motorik. Koordinat umum adalah = [q1,q d=
saya 0
+
dtSayadt2saya
Ac
0 aku 0dtsaya
2]T∈ R2×1, di mana1adalah sudut link tubuh bagian
bawah (link 1) diukur dari posisi tegak lurus, dan2adalah
oleh karena itu konversi waktu-diskrit ke waktu-kontinu
sudut relatif link tubuh bagian atas (link 2) diukur dari
diperoleh sebagai
posisi link tubuh bagian bawah. Sudut masing-masing
[ ]( [ ])
mewakili pergelangan kaki bidang sagital dan gerakan 1saya -
C= Ad -
dtsaya saya 0

sendi pinggul. dt0 saya 0 aku

Mendefinisikan variabel keadaan sebagai = [qT,qT]T, (22) bisa

ditulis ulang sebagai

[ ]
q Lampiran 5: Penilaian stabilitas gerakan berirama
= .
- M(q)1(C(q,q)q+G(q)) + Stabilitas orbital dari siklus batas dalam ruang keadaan
memiliki korespondensi satu-satu dengan stabilitas
Persamaan gerak nonlinier dapat dilinierkan
peta balik diskrit, atau peta Poincaré. Nilai eigen dari
terhadap titik setimbang model atau postur
peta Poincaré yang dilinierkan disebut karakteristik
keseimbangan tegak (∗ =0,∗ =0, dan =0) sebagai berikut
atau pengali Floquet [40,41].
=Acx+BcAnda+Bcη Peta Poincare→P (x)menghubungkan keadaan sistem
setelah satu siklus (t +1) dan keadaan saat ini (xt):
di mana CdanCadalah keadaan linier dan matriks input, masing- t +1=P (xt). Oleh karena itu, lintasan siklus batas
masing. BerlanggananCsingkatan dari continuous-time. Evaluasi sesuai dengan titik tetap (∗) dari peta,x∗ =P (x∗), dan
ekspansi Taylor di sekitar titik tetap menghasilkan persamaan stabilitas orbital (lokal) dari siklus batas setara
yang sangat sederhana berikut, yang diberikan dalam bentuk dengan stabilitas titik tetap yang sesuai pada peta
balok oleh: pada bagian Poincaré. Untuk mengevaluasi efek dari
[ ] gangguan kecil padax∗, peta Poincaré dapat
0 saya
C= dilinearisasikan:
- M1∂ ∂qG 0
x=x∗, =∗
[ ] ∂P
0 t +1-x=
∗
| ∗)(xt-x∗)
∂x(x=x
BC= M1
x=x, =
menunjukkan p=∂P ∂x|(x=x∗)dan asumsix∗ =0tanpa
Dengan matriks sistem loop pengontrol = -Kxx, tertutup- hilangnya generalitas, juga dengan asumsi proses putih dan
umpan balik keadaan diperoleh sebagai
kebisingan pengukuran, kami memperoleh ekspresi berikut,
cl=A-BKx.
xt +1=Apxt+Gwt
zt=Hxt+vt

yang (9) dapat dengan mudah diterapkan untuk p. Itu

Lampiran 4: Diskrit ke konversi berkelanjutan
mendapatkan pengali Floquet maksimum adalah nilai pdengan
Metode yang dijelaskan dalam makalah ini didasarkan pada
eigen dari modulus terbesar.
model sistem waktu diskrit, tetapi terkadang model waktu
kontinu lebih sesuai. Dalam kasus seperti itu, parameter
sistem waktu diskrit yang diperoleh dengan menggunakan Singkatan
metode baru harus dikonversi dengan benar ke aproksimasi COM: Pusat massa; COP: Pusat tekanan; OLS: Kuadrat terkecil biasa; LQR:
Regulator kuadrat linier; MOCAP: Sistem penangkapan gerak; IMU: Satuan
waktu kontinu.
pengukuran inersia.
Dalam contoh simulasi Numerik: model keseimbangan,
kami menggunakan integrator Euler semi-implisit untuk ucapan terima kasih
Penulis ingin mengucapkan terima kasih kepada Prof. Dagmar Sternad dan Dr. Marta Russo di
mengintegrasikan dinamika maju. Oleh karena itu Universitas Northeastern untuk diskusi yang sangat berharga.
konversi dari parameter sistem waktu kontinuCke rekan
waktu-diskritnyadmenjadi
Leedkk. J NeuroEngineering Rehabil (2021) 18:54
Kontribusi penulis
JL dan KZ mengembangkan metode identifikasi sistem. JL dan KZ melakukan
simulasi dan analisis data. JL menyusun naskah dan menghasilkan angka. JL, KZ,
dan NH diedit. Semua penulis membaca dan menyetujui naskah akhir.
Pendanaan
Penelitian ini didukung sebagian oleh Pusat Penelitian dan Pendidikan
Teknik Mesin di MIT dan SUSTech. JL didukung sebagian oleh Beasiswa
Samsung. KZ didukung sebagian oleh pendanaan dari University of British
Columbia.
Ketersediaan data dan bahan Tak
dapat diterapkan.
Deklarasi
Persetujuan etika dan persetujuan untuk berpartisipasi Tak
dapat diterapkan.
Persetujuan untuk publikasi Tak
dapat diterapkan.
Kepentingan yang bersaing
Para penulis menyatakan bahwa mereka tidak memiliki kepentingan yang bersaing.
Detail penulis
1Departemen Teknik Mesin, Massachusetts Institute of Technology,
Cambridge, MA 02139, AS.2Departemen Teknik Mesin dan Energi,
Universitas Sains dan Teknologi Selatan, Shenzhen, Guangdong
518055, Cina.3Departemen Teknik Mesin, Universitas British Columbia,
Vancouver, BC V6T 1Z4, Kanada.4Departemen Ilmu Otak dan Kognitif,
Institut Teknologi Massachusetts, Cambridge, MA 02139, AS.
Diterima: 17 September 2020 Diterima: 3 Maret 2021
Referensi
1. Horak FB, Macpherson JM. Orientasi postural dan keseimbangan. Kompr
Fisiol. 2010; 255–92.
2. Engelhart D, Boonstra TA, Aarts RG, Schouten AC, van der Kooij H. Perbandingan
teknik identifikasi sistem loop tertutup untuk mengukur kontrol keseimbangan
manusia multi-sendi. Ann Rev Kontrol. 2016; 41: 58–70.
3. Kiemel T, Zhang Y, Jeka JJ. Identifikasi umpan balik saraf untuk sikap tegak pada
manusia: stabilisasi daripada minimalisasi goyangan. J Neurosci. 2011; 31 (42):
15144–53.
4. van der Kooij H, van Asseldonk E, van der Helm FC. Perbandingan metode yang
berbeda untuk mengidentifikasi dan mengukur kontrol keseimbangan. J
Neurosci Metode. 2005; 145 (1–2): 175–203.
5. Blenkinsop GM, Pain MT, Hiley MJ. Strategi kontrol keseimbangan selama
keseimbangan terganggu dan tidak terganggu dalam berdiri dan handstand.
Royal Soc Open Sci. 2017; 4 (7): 161018.
6. Goodworth AD, Peterka RJ. Mengidentifikasi mekanisme kontrol kuda-kuda:
pendekatan model-model keluaran tunggal stimulus ganda. J Neurosci Metode.
2018; 296: 44–56.
7. Park S, Horak FB, Kuo AD. Tanggapan umpan balik postural skala dengan
kendala biomekanik dalam kedudukan manusia. Exp Brain Res. 2004; 154
(4): 417–27.
8. Chiovetto E, Huber ME, Sternad D, Giese MA. Organisasi momentum
sudut dimensi rendah saat berjalan di atas balok sempit. Rep. 2018; 8
(1): 1–14.
9. Huber ME, Chiovetto E, Giese M, Sternad D. Sol yang kaku meningkatkan keseimbangan dalam berjalan
dengan balok, tetapi perbaikan tidak bertahan dengan kaki telanjang. ilmu pengetahuan
Reputasi. 2020; 10 (1): 1–17.
10. Lee J, Huber ME, Stemad D, Hogan N. Pengontrol robot yang kompatibel dengan
perilaku penyeimbangan sinar manusia. Dalam: Konferensi Internasional IEEE / RSJ
2018 tentang Robot dan Sistem Cerdas (IROS). IEEE; 2018; P. 3335–3341.
Halaman 14 dari 15
11. Sawers A, Ting LH. Beam walking dapat mendeteksi perbedaan dalam kemampuan
keseimbangan berjalan di berbagai kemampuan sensorimotor. Postur gaya
berjalan. 2015; 41 (2): 619–23.
12. Boehm WL, Nichols KM, Gruben KG. Kontribusi yang bergantung pada frekuensi
dari gaya kaki bidang sagital untuk berdiri tegak manusia. J. Biomekanik. 2019;
83: 305–9.
13. Moon J, Pathak P, Kim S, Roh Sg, Roh C, Shim Y, dkk. Sepatu dengan sol aktif
mengurangi penurunan keseimbangan setelah kelelahan. Rep. 2020; 10 (1):
1–11.
14. Collins JJ, De Luca CJ. Kontrol loop terbuka dan loop tertutup dari postur:
analisis jalan acak dari lintasan pusat tekanan. Exp Brain Res. 1993; 95
(2): 308–18.
15. Ahn J, Hogan N. Peningkatan penilaian stabilitas orbital gerak berirama
dengan kebisingan. PLoS SATU. 2015; 10: 3.
16. Ahn J, Zhang Z, Sternad D. Kebisingan menginduksi estimasi bias dari
keuntungan koreksi. PLoS SATU. 2016; 11 (7): e0158466.
17. Mehra R. Identifikasi on-line sistem dinamis linier dengan aplikasi untuk
penyaringan Kalman. Kontrol Otom Trans IEEE. 1971; 16 (1): 12–21.
18. Tse E, Weinert H. Penentuan struktur dan identifikasi parameter untuk
sistem linier stokastik multivariabel. Kontrol Otom Trans IEEE. 1975; 20
(5): 603–13.
19. Yang HS, Nam HD. Pada identifikasi sistem linier stokastik
multivariabel. Kor Inst Electr Eng. 1982; 31 (5): 51–7.
20. Anderson CW, Stolz EA, Shamsunder S. Model autoregresif multivariat
untuk klasifikasi sinyal elektroensefalografik spontan selama tugas
mental. IEEE Trans Biomed Eng. 1998; 45 (3): 277–86.
21. Parzen E, dkk. Sebuah pendekatan untuk analisis deret waktu. Ann Matematika Stat.
1961; 32 (4): 951–89.
22. Penyesuaian Leva P. untuk parameter inersia segmen Zatsiorsky-
Seluyanov. J. Biomekanik. 1996; 29 (9): 1223–30.
Loram ID, Lakie M. Pengukuran langsung kekakuan pergelangan kaki manusia
selama berdiri tenang: kekakuan mekanis intrinsik tidak cukup untuk
stabilitas. J Fisiol. 2002; 545 (3): 1041–53.
24. Kuo AD. Model kontrol optimal untuk menganalisis keseimbangan postural
manusia. IEEE Trans Biomed Eng. 1995; 42 (1): 87-101.
25. Sontag ED. Teori kontrol matematis: sistem dimensi hingga
deterministik. penuh. 6. New York: Pegas; 2013.
26. Lee J, Huber ME, Chiovetto E, Giese M, Stemad D, Hogan N. Model keseimbangan
yang diilhami manusia untuk menjelaskan mekanika interaksi kaki-balok. Dalam:
Konferensi Internasional 2019 tentang Robotika dan Otomasi (ICRA). IEEE; 2019. hal.
1969–1974.
27. Yamamoto A, Sasagawa S, Oba N, Nakazawa K. Efek perilaku gerakan sendi lutut pada
pusat massa tubuh selama manusia berdiri dengan tenang. Postur gaya berjalan.
2015; 41 (1): 291–4.
28. Horak FB, Nashner LM. Pemrograman sentral gerakan postural: adaptasi
terhadap konfigurasi permukaan penyangga yang diubah. J. Neurofisiol.
1986; 55 (6): 1369–81.
29. Asai Y, Tasaka Y, Nomura K, Nomura T, Casadio M, Morasso P. Model kontrol postural dalam
posisi diam: kompensasi yang kuat dari ketidakstabilan yang disebabkan oleh penundaan
menggunakan aktivasi kontrol umpan balik yang terputus-putus. PLoS SATU. 2009; 4 (7):
e6169.
30. Yule GU. Tentang metode penyelidikan periodisitas dalam deret terganggu, dengan
referensi khusus pada bilangan bintik matahari Wolfer. Phil Trans Royal
Soc London A. 1927; 226 (636–646): 267–98.
31. Newell K, Slobounov S, Slobounova B, Molenaar P. Nonstasioneritas
jangka pendek dan pengembangan kontrol postural. Postur gaya
berjalan. 1997; 6 (1): 56–62.
32. Schumann T, Redfern MS, Furman JM, El-Jaroudi A, Chaparro LF. Analisis frekuensi
waktu dari goyangan postural. J. Biomekanik. 1995; 28 (5): 603–7.
33. Van Der Kooij H, Peterka RJ. Perilaku stimulus-respons non-linier dari
sistem kontrol sikap manusia diprediksi dengan optimalisasi sistem
dengan kebisingan sensorik dan motorik. J Comput Neurosci. 2011; 30
(3): 759–78.
34. Spesifikasi MTi 100-series, XSENS ;.https://www.xsens.com/products/
mti-100-series.
35. Hogan N, Sternad D. Primitif dinamis dari perilaku motorik. Biol Cybern. 2012;
106 (11-12): 727-39.
36. Hogan N, Sternad D. Primitif dinamis dalam kontrol penggerak. Neurosci
Komputer Depan. 2013; 7:71.
37. Zhang Z, Sternad D. Keutamaan ritme: bagaimana tindakan diskrit bergabung
menjadi pola ritme yang stabil. J. Neurofisiol. 2019; 121 (2): 574–87.
Leedkk. J NeuroEngineering Rehabil (2021) 18:54
38. Bruijn S, Meijer O, Beek P, Van Dieën J. Menilai stabilitas penggerak
manusia: tinjauan tindakan saat ini. Antarmuka J Royal Soc. 2013; 10 (83):
20120999.
39. Hasson CJ, Zhang Z, Abe MO, Sternad D. Kebisingan neuromotor dapat ditempa dengan
memperkuat kesalahan yang dirasakan. PLoS Comput Biol. 2016; 12 (8): e1005044.
40. Westervelt ER, Grizzle JW, Chevallereau C, Choi JH, Morris B. Kontrol
umpan balik dari penggerak robot bipedal dinamis. Boca Raton: CRC
Press; 2007.
Halaman 15 dari 16
41. Strogatz SH. Dinamika nonlinier dan kekacauan dengan manual solusi
siswa: Dengan aplikasi pada fisika, biologi, kimia, dan teknik. Boca
Raton: CRC Press; 2018.
Catatan Penerbit
Springer Nature tetap netral sehubungan dengan klaim yurisdiksi dalam peta
yang diterbitkan dan afiliasi institusional.
Siap mengirimkan penelitian Anda? Pilih BMC dan dapatkan keuntungan dari:
• pengiriman online yang cepat dan nyaman
• tinjauan sejawat menyeluruh oleh peneliti berpengalaman di bidang Anda
• publikasi cepat tentang penerimaan
• dukungan untuk data penelitian, termasuk tipe data yang besar dan kompleks
• Akses Terbuka emas yang mendorong kolaborasi yang lebih luas dan peningkatan kutipan
• visibilitas maksimum untuk penelitian Anda: lebih dari 100 juta tampilan situs web per tahun
Di BMC, penelitian selalu berlangsung.
Belajarlah lagibiomedcentral.com/submissions