Ankle moment plays an important role in human gait analysis, patients' rehabilitation process monitoring, and the human-machine interaction control of exoskeleton robots. However, current ankle moment estimation methods mainly rely on inverse dynamics (ID) based on optical motion capture system (OMC) and force plate. These methods rely on fixed instruments in the laboratory, which are difficult to be applied to the control of exoskeleton robots. To solve this problem, this paper developed a new distributed plantar pressure system and proposed an ankle plantar flexion moment estimation method using the plantar pressure system. We integrated eight pressure sensors in each insole to collect the pressure data of the key area of the foot and then used the plantar pressure data to train four neural networks to obtain the ankle moment. The performance of the models was evaluated using normalized root mean square error (NRMSE) and cross-correlation coefficient (ρ). During experiments, eight subjects were recruited for the overground walking tests, and OMC and force plate were used as the gold standard. The results indicate that the Genetic algorithm - Gated recurrent unit estimation algorithm (GA-GRU) was the best estimation model which achieved the highest accuracy in generalized ankle moment estimation (NRMSE = 7.23%, ρ = 0.85) compared with the other models. The designed novel distributed plantar pressure system and the proposed method could serve as a joint moment estimation approach in wearable robot control and human motion state monitoring.

Wearable continuous gait phase estimation is essential for walking assistance, clinical rehabilitation, and clinical assessment; however, most algorithms have only been validated for straight-line and constant-speed walking, and it is unclear how performance will change in real-life locomotion scenarios. A generalized paradigm is needed to comprehensively assess and recommend wearable continuous gait phase estimation strategies for the diverse array of walking situations. We thus propose a comprehensive evaluation indicator system for eight typical gait activities in daily life including slow walking, standard walking, running, walking with turns, stair descent, stair ascent, stop-and-go, and uneven terrain walking. The indicator system was used to evaluate four commonly used continuous gait phase estimation strategies: adaptive oscillators, phase oscillator, neural network, and time-based estimation. Eleven healthy participants were enrolled in the evaluation. All estimation strategies performed well for constant-speed walking but performance varied for other activities. Time-based estimation was most accurate for slow walking (0.094±0.011 rad root mean square error, 1.50±0.18% of one gait cycle), running (0.167±0.028 rad, 2.66±0.44%) and walking with turns (0.124±0.047 rad, 2.00±0.75%). Adaptive oscillators were most accurate for standard walking (0.115±0.037 rad, 1.83±0.59%). Phase oscillator was most accurate for stair climbing (0.280±0.063 rad, 4.46±1.00%) and uneven terrain (0.204±0.069 rad, 4.30±1.10%). Neural network was most accurate for stop-and-go (0.27±0.114 rad, 4.30±1.81%). These results can potentially provide guidance for determining suitable gait phase estimation strategies in realistic locomotion scenarios, and in comparing and optimizing the current proposed strategies.

The continuous prediction of the desired gait trajectory of the paretic leg is a key task for the lower limb rehabilitation robot to assist the coordinated motion of the healthy and paretic legs of stroke patients, which has important research significance. In this paper, we propose a continuous prediction method for the desired gait trajectory of the paretic leg based on the sEMG signal of the healthy leg. In this method, an ISSA-CNN-SVR cascade network prediction model is designed. Based on this model, the mapping relationship between the sEMG signal of the healthy leg and the hip and knee joint angle of the paretic leg is established. The model input is the 8-channel sEMG signal of the healthy leg in the current instantaneous moment, and the output is the desired gait trajectory (hip and knee joint angle trajectories) of the paretic leg in the instantaneous moment after 100 ms. We recruited eight healthy participants for the validation experiments. Results indicate that the proposed method can continuously and smoothly predict the hip and knee joint angle trajectories of the paretic leg for the instantaneous moment after 100 ms based on the sEMG signal of the healthy leg and the ISSA-CNN-SVR model. The average RMSE of the predicted hip and knee joint angle trajectories of the paretic leg are 4.643° and 6.845°, with average R 2 being 0.855 and 0.857, respectively, demonstrating a high level of fitting. Therefore, this study is of great significance to improve the gait coordination of the healthy and paretic legs of robot-assisted stroke patients in the process of rehabilitation training.