The Design Optimization Platform: A Predictive Simulation-based and User-centered Design Framework for Assistive Wearable Devices

Assistive wearable devices have the potential to substantially improve quality of life by supporting or augmenting human movement. Despite significant research advancements, their real-world adoption is limited by suboptimal design. Personalization that addresses individual user needs and preferences, is crucial for acceptance, making a systematic and user-centered design approach the primary challenge in this field.

Current design methods include Human-in-the-Loop Optimization (HILO), which struggles to optimize physical hardware, and biomechanical modeling. However, modeling has its own shortcomings. Tracking simulations assume invariant kinematics, while predictive simulations lack a streamlined optimization framework. This often leads to computationally expensive brute-force searches. Furthermore, integrating the user's perspective usually relies on explicit feedback, which can be inconsistent, highlighting the need for implicit measures of user preference.

To overcome these limitations, this thesis develops and validates a novel Design Optimization Platform. This platform offers a systematic approach to assistive device design using a two-level optimization structure. An inner loop runs predictive simulations of human-device interaction (in SCONE), while an outer loop (in Python) employs Bayesian optimization to systematically navigate the design space and identify optimal device configurations.

The platform's capabilities are first demonstrated by optimizing a damper-actuated knee exoskeleton. This case study illustrates the platform's ability to navigate a non-convex design space with mixed parameters, yielding a significant predicted reduction in knee joint load during different gait scenarios. While validating the platform's core functionality, these simulation-based findings underscore the need for experimental validation.

To address user-centered design, this thesis investigates using a passive Brain-Computer Interface (BCI) to implicitly measure user perspective. By recording cortical activity from participants using a knee exoskeleton with varying impedance, the study finds that perceived task difficulty is reflected in measurable changes in brain activity. A passive BCI classifier using these cortical features distinguishes between conditions with promising accuracy, offering a viable new direction for integrating user preference into the design process.

Finally, the platform is rigorously evaluated for experimental validation, using data from a passive biarticular thigh exosuit (BATEX). The predictive simulations reliably capture key aspects of human-device interaction, including kinematics, muscle activations, and metabolic cost trends. Building on this, the platform successfully identifies personalized optimal spring stiffness for individual participants. This study proves the platform's utility as a validated tool for personalized design, reinforcing the core argument for a systematic, user-centered design approach.

In conclusion, this thesis advances assistive device design by presenting a holistic framework. The Design Optimization Platform provides a robust method that moves beyond the state-of-the-art, while the passive BCI investigation lays the foundation for user-centered design. Integrating passive BCI insights into the platform's objective function promises an efficient, iterative process that converges on highly effective and accepted personalized devices.

Tragbare unterstützende Geräte haben das Potenzial, die Lebensqualität erheblich zu verbessern, indem sie die menschliche Bewegung unterstützen oder ergänzen. Trotz bedeutender Fortschritte in der Forschung wird ihre Akzeptanz in der realen Welt durch suboptimales Design eingeschränkt. Eine Personalisierung, die auf die individuellen Bedürfnisse und Vorlieben des Nutzers eingeht, ist für die Akzeptanz entscheidend und macht einen systematischen und nutzerzentrierten Designansatz zur größten Herausforderung in diesem Bereich.

Zu den aktuellen Designmethoden gehören die Human-in-the-Loop-Optimierung (HILO), die Schwierigkeiten mit der Optimierung physischer Hardware zeigt, und die biomechanische Modellierung. Die Modellierung hat jedoch ihre eigenen Schwächen. Tracking-Simulationen gehen von einer unveränderlichen Kinematik aus, während prädiktive Simulationen ein rationalisierter Optimierungsrahmen fehlt. Dies führt oft zu rechenintensiven Brute-Force-Suchen. Darüber hinaus beruht die Integration der Benutzerperspektive in der Regel auf explizitem Feedback, das inkonsistent sein kann, was den Bedarf an impliziten Messungen der Benutzerpräferenzen deutlich macht.

Um diese Einschränkungen zu überwinden, entwickelt und validiert diese Arbeit eine neuartige Design Optimization Platform. Diese Plattform bietet einen systematischen Ansatz für das Design von Assistenzsystemen unter Verwendung einer zweistufigen Optimierungsstruktur. Eine innere Schleife führt prädiktive Simulationen der Mensch-Gerät-Interaktion durch (in SCONE), während eine äußere Schleife (in Python) Bayes'sche Optimierung einsetzt, um systematisch dem Designraum zu navigieren und optimale Gerätekonfigurationen zu identifizieren.

Die Fähigkeiten der Plattform werden zunächst anhand der Optimierung des Dämpfers für ein Knie-Exoskelett demonstriert. Diese Fallstudie veranschaulicht die Fähigkeit der Plattform, in einem nicht-konvexen Designraum mit gemischten Parametern zu navigieren, was zu einer signifikanten Reduzierung der prognostizierten Kniegelenksbelastung während verschiedener Gangszenarien führt. Diese simulationsbasierten Ergebnisse bestätigen zwar die Kernfunktionalität der Plattform, unterstreichen jedoch die Notwendigkeit einer experimentellen Validierung.

In dieser Arbeit wird die Verwendung eines passiven Brain-Computer Interface (BCI) zur impliziten Messung der Nutzerperspektive untersucht, um ein nutzerzentriertes Design zu ermöglichen. Durch die Aufzeichnung der kortikalen Aktivität von Teilnehmern, die ein Knie-Exoskelett mit unterschiedlicher Widerstand benutzen, zeigt die Studie, dass sich die wahrgenommene Schwierigkeit der Aufgabe in messbaren Veränderungen der Gehirnaktivität widerspiegelt. Ein passiver BCI-Klassifikator, der diese kortikalen Merkmale nutzt, unterscheidet mit vielversprechender Genauigkeit zwischen den verschiedenen Bedingungen und bietet eine neue Möglichkeit, die Benutzerpräferenzen in den Designprozess zu integrieren.

Schließlich wird die Plattform zur experimentellen Validierung anhand der Daten eines passiven biartikulären Oberschenkel-Exosuits (BATEX) kritisch bewertet. Die prädiktiven Simulationen erfassen zuverlässig Schlüsselaspekte der Interaktion zwischen Mensch und Gerät, einschließlich Kinematik, Muskelaktivierung und metabolische Kostentrends. Darauf aufbauend gelingt es der Plattform, die optimale Federsteifigkeit für einzelne Teilnehmer zu ermitteln. Diese Studie bestätigt den Nutzen der Plattform als validiertes Werkzeug für personalisiertes Design und stärkt das Kernargument für einen systematischen, nutzerzentrierten Designansatz.

Zusammenfassend leistet die Arbeit einen wichtigen Beitrag zur Entwicklung von Hilfsmitteln durch die Vorstellung eines ganzheitlichen Rahmens. Die Design Optimization Platform bietet eine robuste Methode, die über den Stand der Technik hinausgeht, während die passive BCI-Untersuchung die Grundlage für nutzerzentriertes Design legt. Die Integration passiver BCI-Erkenntnisse in die Zielfunktion der Plattform verspricht einen effizienten, iterativen Prozess, der zu hocheffektiven und akzeptierten personalisierten Geräten führt.