功能性电刺激（FES）可以使瘫痪者的肌肉恢复运动。然而，刺激许多肌肉以恢复整个四肢的实际功能的控制尚未解决。当前的神经刺激工程仍然依赖于20世纪的控制方法，并且相应地仅显示了适度的结果，这些结果需要每天进行修补才能完全起作用。在这里，我们介绍先进的深度强化学习（RL）技术，该技术是为瘫痪的腿进行实时自适应神经刺激以进行FES骑行而开发的。我们方法的核心是将个性化神经机械组件集成到我们的强化学习框架中，该框架使我们能够高效地训练模型，而无需与患者进行长时间的训练，也无需开箱即用。我们的神经力学成分包括合并的肌肉和/或肌腱功能的肌肉骨骼模型和肌肉疲劳的多状态模型，以使神经刺激对截瘫患者的骑自行车者的瞬时肌肉能力做出响应。我们的RL方法在准确性和性能方面优于PID和模糊逻辑控制器。至关重要的是，我们的系统学会了刺激骑车人的腿，使其从开始时的速度提高到稳定状态下随着肌肉疲劳而保持的高节奏。我们的RL神经刺激系统的一部分已在FES领域的cybathlon 2020仿生奥运会上成功部署，我们的截瘫自行车手在9个参赛团队中赢得了银牌。使神经刺激对截瘫患者的骑车人的瞬时肌肉能力有反应。我们的RL方法在准确性和性能方面优于PID和模糊逻辑控制器。至关重要的是，我们的系统学会了刺激骑车人的腿，使其从开始时的速度提高到稳定状态下随着肌肉疲劳而保持的高节奏。我们的RL神经刺激系统的一部分已在FES领域的cybathlon 2020仿生奥运会上成功部署，我们的截瘫自行车手在9个参赛团队中赢得了银牌。使神经刺激对截瘫患者的骑车人的瞬时肌肉能力有反应。我们的RL方法在准确性和性能方面优于PID和模糊逻辑控制器。至关重要的是，我们的系统学会了刺激骑车人的腿，使其从开始时的速度提高到稳定状态下随着肌肉疲劳而保持的高节奏。我们的RL神经刺激系统的一部分已在FES领域的cybathlon 2020仿生奥运会上成功部署，我们的截瘫自行车手在9个参赛团队中赢得了银牌。从开始时的加速腿部运动到稳定状态的高节奏，因为肌肉疲劳。我们的RL神经刺激系统的一部分已在FES领域的cybathlon 2020仿生奥运会上成功部署，我们的截瘫自行车手在9个参赛团队中赢得了银牌。从开始时的加速腿部运动到稳定状态的高节奏，因为肌肉疲劳。我们的RL神经刺激系统的一部分已在FES领域的cybathlon 2020仿生奥运会上成功部署，我们的截瘫自行车手在9个参赛团队中赢得了银牌。



"点击查看英文标题和摘要"