Towards the Development of a Learning-Based Intention Classification Framework for Pushrim-Activated Power-Assisted Wheelchairs
Notice bibliographique
Résumé
There has been a growth in the design and use of power assist devices for manual wheelchairs (MWCs) to alleviate the physical load of MWC use. A pushrim-activated power-assisted wheel (PAPAW) is an example of a power assist device that replaces the conventional wheel of a MWC. Although the use of PAPAWs provides some benefits to MWC users, it can also cause difficulties in maneuvering the wheelchair. In this research, we examined the characteristics of wheelchair propulsion when using manual and powered wheels. We used the left and right wheels' angular velocity to calculate the linear and angular velocity of the wheelchair. Results of this analysis revealed that the powered wheel's controller is not optimally designed to reflect the intentions of a wheelchair user. To address some of the challenges with coordinating the pushes on PAPAWs, we proposed the design of a user-intention detection framework. We used the kinematic data of MWC experiments and tested six supervised learning algorithms to classify one of four movements: "not moving", "moving straight forward", "turning left", and "turning right". We found that all the classification algorithms determined the type of movement with high accuracy and low computation time. The proposed intention detection framework can be used in the design of learning-based controllers for PAPAWs that take into account the individualized characteristics of wheelchair users. Such a system may improve the experience of PAPAW users.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».