Robot assisted rehabilitation for elbow and forearm movements
Notice bibliographique
Résumé
The movements of the shoulder, elbow, and wrist play a vital role in the performance of essential daily activities. We therefore have developed a 2DOF exoskeleton robot ( ExoRob ) to rehabilitate the elbow and forearm movements of physically disabled individuals with impaired upper-limb function. The proposed ExoRob is supposed to be worn on the lateral side of forearm in order to provide naturalistic range movements of elbow (flexion/extension) and forearm (pronation/supination) motions. This paper focuses on the modelling, design (electrical and mechanical components), development, and control of the proposed ExoRob . The kinematic model of ExoRob has been developed based on modified Denavit-Hartenberg notations. Non-linear modified computed torque control technique is employed to control the proposed ExoRob , where trajectories (i.e., pre-programmed trajectories recommended by therapist/clinician) tracking corresponding to typical rehabilitation (passive) exercises has been carried out to evaluate the performances of the developed ExoRob and controller. Furthermore, experiments were carried out with the master exoskeleton arm [ mExoArm , an upper-limb prototype 7DOF (lower scaled) exoskeleton arm] where subjects (robot users) or experimenter operate the mExoArm (like a joystick) to manoeuvre the proposed ExoRob to provide passive rehabilitation. Experimental results show that the controller is able to manoeuvre the ExoRob efficiently to track the desired trajectories. Such movements are widely used in rehabilitation and have been performed efficiently with the developed ExoRob and the controller.
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 ».