Prosthetic Control Using Multiple Degrees of Freedom of the Shoulder as Inputs and ANNS
Notice bibliographique
Résumé
The use of myoelectric signals (MES) for prosthetic control has been in continuous development at the Institute of Biomedical Engineering (IBME) for many years. Although this control scheme has shown to be successful for upper extremity prostheses, it offers no real feedback mechanism which can provide some level of cognitive awareness of the prostheses’ overall performance. D. C. Simpson (1974) developed a control principle which reduces the conscious mental effort demanded while relaying useful feedback information to the user. The principle, which is known as extended physiological proprioception (EPP), uses the position of intact joints as an input signal for prosthetic control. The shoulder joint motions are of particular interest as input signals since they are the foundation upon which most arm motions are initially based and the prosthesis acts as an extension of the residual limb of an amputee. We proposed to use three degrees of freedom of the shoulder (using fibre optic sensors) as possible control inputs for the artificial neural network control system of an above-elbow prosthesis. The goal was to develop artificial neural networks capable of mapping the trajectory of the prosthesis joints for a number of primitive motions found in activities of daily living. With the shoulder joint information available, the control inputs contain much more information and would improve the range of motion accepted by the controller. This should also increase the accuracy of the predicted prosthesis joint positions. Preliminary results indicate that a time delay neural network is a robust architecture for this application.
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 ».