面向最优助行器设计的数据驱动推荐框架

统计建模与机器学习领域的快速发展显著增强了数据驱动的设计与优化能力。本文聚焦于利用这些设计算法来优化医疗助行器——其为下肢步态康复与生理治疗的重要组成部分。为获得助行器的理想特性，我们训练了一个预测性机器学习模型以识别性能目标间的权衡，从而能够使用高效的优化算法。为此，我们采用了一种利用堆叠集成方法的自动机器学习（AutoML）模型，其被证明优于传统 ML 模型。然而，训练预测模型需要大量数据以保证精度。由于公开可用的助行器设计有限，本文提出了一个包含超过 5,000 个参数化助行器设计及其性能值的数据集，用于评估质量、结构完整性与稳定性。这些性能值包括给定载荷工况下的位移向量、应力系数、质量及其他物理属性。我们还引入了一种系统计算助行器稳定性指数的新方法。我们使用面向设计的多目标反事实（MCD）——一种新颖的基于遗传的优化算法——来探索多样的 16 维设计空间，并基于众多目标搜索高性能设计。本文给出了潜在助行器设计，其在提升结构稳定性与完整性的同时实现了高达 30% 的质量减轻。本工作向辅助移动设备的改进开发迈出了一步。