Dynamic biomechanical model for assessing and monitoring robot-assisted upper-limb therapy
Notice bibliographique
Résumé
This article describes the design, validation, and application of a dynamic biomechanical model that assesses and monitors trajectory, position, orientation, force, and torque generated by upper-limb (UL) movement during robot-assisted therapy. The model consists of two links that represent the upper arm and forearm, with 5 degrees of freedom (DOF) for the shoulder and elbow joints. The model is a useful tool for enhancing the functionality of poststroke robot-assisted UL therapy. The individualized inertial segment parameters were based on anthropometric measurements. The model performed inverse dynamic analysis of UL movements to calculate reaction forces and moments acting about the 3-DOF shoulder and 2-DOF elbow joints. Real-time fused biofeedback of a 6-DOF force sensor and three-dimensional (3-D) pose sensors supported the model validation and application. The force sensor was mounted between the robot manipulator and the subject's wrist, while the 3-D pose sensors were fixed at specific positions on the subject's UL segments. The model input and output parameters were stored in the subject's database, which is part of the rehabilitation information system. We assigned 20 nondisabled subjects three different therapy exercises to test and validate the biomechanical model. We found that when the biomechanical model is taught an exercise, it can accurately predict a subject's actual UL joint angles and torques and confirm that the exercise is isolating the desired movement.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».