A biomechanical model for encoding joint dynamics: applications to transfemoral prosthesis control
Notice bibliographique
Résumé
This paper presents and tests a framework for encoding joint dynamics into energy states using kinematic and kinetic knee joint sensor data and demonstrates how to use this information to predict the future energy state (torque and velocity requirements) of the joint without a priori knowledge of the activity sequence. The intended application is for enhancing micro-controlled prosthetics by making use of the embedded sensory potential of artificial limbs and classical mechanical principles of a prosthetic joint to report instantaneous energy state and most probable next energy state. When applied to the knee during preferred and fast speed walking in 8 human subjects (66 preferred-speed trials and 50 fast-speed trials), it was found that joint energy states could be consistently sequenced (75% consensus) according to mechanical energy transference conditions and subsequences appeared to reflect the stability and energy dissipation requirements of the knee during gait. When simple constraints were applied to the energy transfer input conditions (their signs), simulations indicated that it was possible to predict the future energy state with an accuracy of >80% when 2% cycle in advance (∼20 ms) of the switch and >60% for 4% (∼40 ms) in advance. This study justifies future research to explore whether this encoding algorithm can be used to identify submodes of other human activity that are relevant to TFP control, such as chair and stair activities and their transitions from walking, as well as unexpected perturbations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».