Modeling and Emulating a Physiotherapist's Role in Robot‐Assisted Rehabilitation
Notice bibliographique
Résumé
In home‐based rehabilitation, one possible approach is haptic teleoperation in which a hospital‐based therapist is haptically linked and tele‐presented to a home‐based patient to effectively simulate traditional in‐hospital therapies over a distance. In this context, this article proposes a learn‐and‐replay (LAR) paradigm that consists of two phases: a therapist‐in‐loop (interactive) phase where the therapist interacts through the haptic teleoperation loop with the patient to perform the cooperative therapy task, and a therapist‐out‐of‐loop (standalone) phase where the therapist's task is played by the patient‐side robot in future repetitions. During the interactive phase, the therapist demonstrates impedance during cooperating with the patient. During the standalone phase, the patient‐side robot is automatically controlled to mimic the therapist's demonstrated impedance which is learned in the interactive phase. The direct force reflection (DFR) architecture is utilized as the control method for the bilateral telerehabilitation system. Case studies involving 1‐degree‐of‐freedom and 2‐degree‐of‐freedom cooperative manipulation tasks are tested for proof of concept. The results show that the impedance of the therapist's arm can be replicated by the patient‐side robot for both tasks and proposed LAR telerehabilitation paradigm that assists the therapist in the rehabilitation procedure to take care of other tasks or attend to other patients.
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 | 0,000 | 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 | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».