External Sensors for Detecting the Activation and Deactivation Times of the Major Muscles Used in Walking
Notice bibliographique
Résumé
Functional electrical stimulation (FES) can improve walking in individuals with mobility impairments. We evaluated accelerometers, force sensitive resistors, segment angles, and segment angular velocities to identify which sensor best determines the activation and deactivation times of the main muscles used during walking. This sensor(s) can be used in the future in conjunction with FES systems to improve walking. Able-bodied subjects walked at various speeds. Threshold levels were set for each sensor that minimized the difference between the times of activating and deactivating the electromyogram (EMG) of six muscles and the times of sensor threshold crossings as a percent of the step cycle. Mobility-impaired subjects walked at their preferred speed with and without FES to correct foot drop. Thresholds were set for these subjects so that sensor signals would cross at times that matched those of able-bodied subjects. Segment angles were generally the most effective sensor signals. Using segment angles of the thigh, shank, and foot, activation and deactivation times of the six muscles could be determined to within 6% of the step cycle. The shank segment angle produced the lowest overall error and was among the top three sensors for 10 of the 12 events (activation and deactivation of six muscle groups). A segment angle sensor was implemented using a complementary filter (accelerometer/gyroscope combination). Using this sensor improved rule-based timing of FES in subjects with foot drop as compared to accelerometers alone.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| 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) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».