Real-Time Estimation of Intrinsic and Reflex Stiffness
Notice bibliographique
Résumé
Joint stiffness defines the dynamic relationship between the position of the joint and the torque acting about it. Joint stiffness is composed of two components: intrinsic and reflex stiffness. Separating the two stiffness components is difficult because they appear and change together. A number of approaches have been used to distinguish the components, but all these are inherently off-line. We have developed a novel algorithm that estimates the two components of ankle stiffness in real time. Cross-correlations between torque and position, velocity, and acceleration are used to estimate intrinsic stiffness. The reflex torque is then estimated by subtracting the estimated intrinsic components and the reflex stiffness estimated by computing the impulse response function (IRF) between the estimated reflex torque and the half-wave rectified velocity. A novel position perturbation, consisting of pseudo-random pulses of different lengths, is used to eliminate covariance between intrinsic and reflex stiffness estimates. Simulation results showed that the algorithm estimates intrinsic and reflex stiffness very accurately and responds to changes in stiffness in less than 15 s. Validation with experimental data showed that the real-time estimates were in close agreement with the estimates generated by an established off-line intrinsic and reflex stiffness identification algorithm.
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 ».