Abstract Locomotion results from the interactions of highly nonlinear neural and biomechanical dynamics. Accordingly, understanding gait dynamics across behavioral conditions and individuals based on detailed modeling of the underlying neuromechanical system has proven difficult. Here, we develop a data-driven and generative modeling approach that recapitulates the dynamical features of gait behaviors to enable more holistic and interpretable characterizations and comparisons of gait dynamics. Specifically, gait dynamics of multiple individuals are predicted by a dynamical model that defines a common, low-dimensional, latent space to compare group and individual differences. We find that highly individualized dynamics – i.e., gait signatures – for healthy older adults and stroke survivors during treadmill walking are conserved across gait speed. Gait signatures further reveal individual differences in gait dynamics, even in individuals with similar functional deficits. Moreover, components of gait signatures can be biomechanically interpreted and manipulated to reveal their relationships to observed spatiotemporal joint coordination patterns. Lastly, the gait dynamics model can predict the time evolution of joint coordination based on an initial static posture. Our gait signatures framework thus provides a generalizable, holistic method for characterizing and predicting cyclic, dynamical motor behavior that may generalize across species, pathologies, and gait perturbations. Author Summary In this manuscript, we introduce a novel, machine learning-based framework for quantifying, characterizing, and modifying the underlying neuromechanical dynamics that drive unique gait patterns. Standard methods for evaluating movement typically focus on extracting discrete gait variables ignoring the complex inter-limb and inter-joint spatiotemporal dependencies that occur during gait. Popular physiologically realistic modeling approaches encode these spatiotemporal dependencies but are too complex to characterize individual differences in the factors driving unique gait patterns or disorders. To circumvent these modeling complications, we develop a phenomenological model of gait that enables more holistic and interpretable characterizations of gait, encoding these complex spatiotemporal dependencies between humans’ joint angles arising from joint neural and biomechanical constraints. Our coined ‘gait signature’ framework provides a path towards understanding the neuromechanics of locomotion. This framework has potential utility for clinical researchers prescribing individualized therapies for pathologies or biomechanists interested in animal locomotion or other periodic movements assessed across different pathologies, neural perturbations, and or conditions.

Abstract Ankle exoskeletons alter whole-body walking mechanics, energetics, and stability by altering center-of-mass (CoM) motion. Controlling the dynamics governing CoM motion is, therefore, critical for maintaining efficient and stable gait. However, how CoM dynamics change with ankle exoskeletons is unknown, and how to optimally model individual-specific CoM dynamics, especially in individuals with neurological injuries, remains a challenge. Here, we evaluated individual-specific changes in CoM dynamics in unimpaired adults and one individual with post-stroke hemiparesis while walking in shoes-only and with zero-stiffness and high-stiffness passive ankle exoskeletons. To identify optimal sets of physically interpretable mechanisms describing CoM dynamics, termed template signatures , we leveraged hybrid sparse identification of nonlinear dynamics (Hybrid-SINDy), an equation-free data-driven method for inferring sparse hybrid dynamics from a library of candidate functional forms. In unimpaired adults, Hybrid-SINDy automatically identified spring-loaded inverted pendulum-like template signatures, which did not change with exoskeletons (p>0.16), except for small changes in leg resting length (p<0.001). Conversely, post-stroke paretic-leg rotary stiffness mechanisms increased by 37-50% with zero-stiffness exoskeletons. While unimpaired CoM dynamics appear robust to passive ankle exoskeletons, how neurological injuries alter exoskeleton impacts on CoM dynamics merits further investigation. Our findings support Hybrid-SINDy’s potential to discover mechanisms describing individual-specific CoM dynamics with assistive devices.

Abstract Understanding individuals’ distinct movement patterns is crucial for health, rehabilitation, and sports. Recently, we developed a machine learning-based framework to show that “gait signatures” describing the neuromechanical dynamics governing able-bodied and post-stroke gait kinematics remain individual-specific across speeds. However, we only evaluated gait signatures within a limited speed range and number of participants, using only sagittal plane (i.e., 2D) joint angles. Here we characterized changes in gait signatures across a wide range of speeds, from very slow (0.3 m/s) to exceptionally fast (above the walk-to-run transition speed) in 17 able-bodied young adults. We further assessed whether 3D kinematic and/or kinetic (ground reaction forces, joint moments, and powers) data would improve the discrimination of gait signatures. Our study showed that gait signatures remained individual-specific across walking speeds: Notably, 3D kinematic signatures achieved exceptional accuracy (99.8%, confidence interval (CI): 99.1-100%) in classifying individuals, surpassing both 2D kinematics and 3D kinetics. Moreover, participants exhibited consistent, predictable linear changes in their gait signatures across the entire speed range. These changes were associated with participants’ preferred walking speeds, balance ability, cadence, and step length. These findings support gait signatures as a tool to characterize individual differences in gait and predict speed-induced changes in gait dynamics.

II A bstract Despite recent innovations in exoskeleton design and control, predicting subject-specific impacts of exoskeletons on gait remains challenging. We evaluated the ability of three classes of subject-specific phase-varying models to predict kinematic and myoelectric responses to ankle exoskeletons during walking, without requiring prior knowledge of specific user characteristics. Each model – phase-varying (PV), linear phase-varying (LPV), and nonlinear phase-varying (NPV) – leveraged Floquet Theory to predict deviations from a nominal gait cycle due to exoskeleton torque, though the models differed in complexity and expected prediction accuracy. For twelve unimpaired adults walking with bilateral passive ankle exoskeletons, we predicted kinematics and muscle activity in response to three exoskeleton torque conditions. The LPV model’s predictions were more accurate than the PV model when predicting less than 12.5% of a stride in the future and explained 49–70% of the variance in hip, knee, and ankle kinematic responses to torque. The LPV model also predicted kinematic responses with similar accuracy to the more-complex NPV model. Myoelectric responses were challenging to predict with all models, explaining at most 10% of the variance in responses. This work highlights the potential of data-driven phase-varying models to predict complex subject-specific responses to ankle exoskeletons and inform device design and control.

Abstract Background Personalized dance-based movement therapies may improve cognitive and motor function in individuals with mild cognitive impairment (MCI), a precursor to Alzheimer’s disease. While age- and MCI-related deficits reduce individuals’ abilities to perform dance-like rhythmic movement sequences (RMS)—spatial and temporal modifications to movement—it remains unclear how individuals’ relationships to dance and music affect their ability to perform RMS. Objective Characterize associations between RMS performance and music or dance relationships, as well as the ability to perceive rhythm and meter (rhythmic proficiency) in adults with and without MCI. Methods We used wearable inertial sensors to evaluate the ability of 12 young adults (YA; age=23.9±4.2 yrs; 9F), 26 older adults without MCI (OA; age=68.1±8.5 yrs; 16F), and 18 adults with MCI (MCI; age=70.8±6.2 yrs; 10F) to accurately perform spatial, temporal, and spatiotemporal RMS. To quantify self-reported music and dance relationships and rhythmic proficiency, we developed Music (MRQ) and Dance Relationship Questionnaires (DRQ), and a rhythm assessment (RA), respectively. We correlated MRQ, DRQ, and RA scores against RMS performance for each group separately. Results The OA and YA groups exhibited better MRQ and RA scores than the MCI group (p<0.006). Better MRQ and RA scores were associated with better temporal RMS performance for only the YA and OA groups (r 2 =0.18-0.41; p<0.045). DRQ scores were not associated with RMS performance in any group. Conclusions Cognitive deficits in adults with MCI likely limit the extent to which music relationships or rhythmic proficiency improve the ability to perform temporal aspects of movements performed during dance-based therapies.

ABSTRACT We currently lack a theoretical framework capable of characterizing heterogeneous responses to exoskeleton interventions. Predicting an individual’s response to an exoskeleton and understanding what data are needed to characterize responses has been a persistent challenge. In this study, we leverage a neural network-based discrepancy modeling framework to quantify complex changes in gait in response to passive ankle exoskeletons in nondisabled adults. Discrepancy modeling aims to resolve dynamical inconsistencies between model predictions and real-world measurements. Neural networks identified models of (i) Nominal gait, (ii) Exoskeleton ( Exo ) gait, and (iii) the Discrepancy ( i.e. , response) between them. If an Augmented (Nominal+Discrepancy) model captured exoskeleton responses, its predictions should account for comparable amounts of variance in Exo gait data as the Exo model. Discrepancy modeling successfully quantified individuals’ exoskeleton responses without requiring knowledge about physiological structure or motor control: a model of Nominal gait augmented with a Discrepancy model of response accounted for significantly more variance in Exo gait (median R 2 for kinematics (0.928 – 0.963) and electromyography (0.665 – 0.788), ( p < 0.042)) than the Nominal model (median R 2 for kinematics (0.863 – 0.939) and electromyography (0.516 – 0.664)). However, additional measurement modalities and/or improved resolution are needed to characterize Exo gait, as the discrepancy may not comprehensively capture response due to unexplained variance in Exo gait (median R 2 for kinematics (0.954 – 0.977) and electromyography (0.724 – 0.815)). These techniques can be used to accelerate the discovery of individual-specific mechanisms driving exoskeleton responses, thus enabling personalized rehabilitation.

Understanding individuals' distinct movement patterns is crucial for health, rehabilitation, and sports. Recently, we developed a machine learning-based framework to show that "gait signatures" describing the neuromechanical dynamics governing able-bodied and post-stroke gait kinematics remain individual-specific across speeds. However, we only evaluated gait signatures within a limited speed range and number of participants, using only sagittal plane (i.e., 2D) joint angles. Here we characterized changes in gait signatures across a wide range of speeds, from very slow (0.3 m/s) to exceptionally fast (above the walk-to-run transition speed) in 17 able-bodied young adults. We further assessed whether 3D kinematic and/or kinetic (ground reaction forces, joint moments, and powers) data would improve the discrimination of gait signatures. Our study showed that gait signatures remained individual-specific across walking speeds: Notably, 3D kinematic signatures achieved exceptional accuracy (99.8%, confidence interval (CI) 99.1–100%) in classifying individuals, surpassing both 2D kinematics and 3D kinetics. Moreover, participants exhibited consistent, predictable linear changes in their gait signatures across the entire speed range. These changes were associated with participants' preferred walking speeds, balance ability, cadence, and step length. These findings support gait signatures as a tool to characterize individual differences in gait and predict speed-induced changes in gait dynamics.

Abstract Introduction Dance-based therapies are an emerging form of movement therapy aiming to improve motor and cognitive function in older adults with mild cognitive impairments (MCIs). Despite promising effects of dance-based therapies on function, it remains unclear how age-related declines in motor and cognitive function affect movement capacity and influence which movements and rhythms maximize dance therapy efficacy. Here, we evaluated the effects of age and MCI on the ability to accurately modulate spatial ( i . e ., joint kinematics), temporal ( i . e ., step timing), and spatiotemporal features of gait to achieve spatial and temporal targets during walking. Methods We developed novel rhythmic movement sequences - nine spatial, nine temporal, and four spatiotemporal - that deviated from typical spatial and temporal features of walking. Healthy young adults (HYA), healthy older adults (HOA), and adults with MCI were trained on each gait modification before performing the modification overground, with kinematic data recorded using wearable sensors. Results HOA performed spatial (p = 0.010) and spatiotemporal (p = 0.048) gait modifications less accurately than HYA. Individuals with MCI performed spatiotemporal gait modifications less accurately than HOA (p = 0.017). Spatial modifications to the swing phase of gait (p = 0.006, Cohen’s d = -1.3), and four- and six-step Duple rhythms during temporal modifications (p < 0.030, Cohen’s d > 0.9) elicited the largest differences in gait performance in HYA vs. HOA and HOA vs. MCI, respectively. Discussion These findings suggest that age-related declines in strength and balance reduce the ability to accurately modulate spatial gait features, while declines in working memory in individuals with MCI may reduce the ability to perform longer temporal gait modification sequences. Differences in rhythmic movement sequence performance highlight motor and cognitive factors potentially underlying deficits in gait modulation capacity, which may guide therapy personalization and provide more sensitive indices to track intervention efficacy.