Unbiased Estimation of Human Joint Intrinsic Mechanical Properties During Movement
Notice bibliographique
Résumé
The overall mechanical properties of a joint are generated by a combination intrinsic (mechanical) and reflex (neural) mechanisms. Nevertheless, many methods for estimating joint mechanical properties have used a linear dynamic model whose parameters are commonly related to the joint inertial and visco-elastic properties. Such mechanical models cannot account for torques due to reflex mechanisms and consequently fitting them to data containing reflex torques can give biased results. This paper addresses this issue in two ways. First, using simulation studies, it demonstrates that fitting linear dynamic models in the presence of reflex torques will indeed provide biased estimates of intrinsic joint properties; the bias is significant for small reflex torques and increases proportionally with reflex torque magnitude. Second, it develops and validates a novel approach to accurately estimate the time-varying, intrinsic mechanical properties of a joint in the presence of reflex torques. The approach involves applying small position perturbations to the joint trajectory and then applying novel mathematical models and system identification techniques to analytically separate the measured total joint torque into its intrinsic and reflex components. The method first estimates a non-parametric, reflex electromyography-torque model, and uses it to predict the reflex torques which is subtracted from the total torque. Then, it estimates a non-parametric, linear, and time-varying model of the intrinsic mechanical properties from the residuals. Simulation results demonstrate that the new approach accurately tracks time-varying joint intrinsic mechanical properties during movement independently of the reflex torque magnitude. The new algorithm will be a useful tool in the study of motor control, as it supports the unbiased estimation of joint intrinsic mechanical properties during movement in the presence of reflex torques.
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 | 0,006 |
| 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 | 0,001 |
| 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 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 ».