Nine Degree-of-Freedom Kinematic Modeling of the Upper-Limb Complex for Constrained Workspace Evaluation
Notice bibliographique
Résumé
The design of rehabilitation devices for patients experiencing musculoskeletal disorders (MSDs) requires a great deal of attention. This article aims to develop a comprehensive model of the upper-limb complex to guide the design of robotic rehabilitation devices that prioritize patient safety, while targeting effective rehabilitative treatment. A 9 degree-of-freedom kinematic model of the upper-limb complex is derived to assess the workspace of a constrained arm as an evaluation method of such devices. Through a novel differential inverse kinematic method accounting for constraints on all joints1820, the model determines the workspaces in which a patient is able to perform rehabilitative tasks and those regions where the patient needs assistance due to joint range limitations resulting from an MSD. Constraints are imposed on each joint by mapping the joint angles to saturation functions, whose joint-space derivative near the physical limitation angles approaches zero. The model Jacobian is reevaluated based on the nonlinearly mapped joint angles, providing a means of compensating for redundancy while guaranteeing feasible inverse kinematic solutions. The method is validated in three scenarios with different constraints on the elbow and palm orientations. By measuring the lengths of arm segments and the range of motion for each joint, the total workspace of a patient experiencing an upper-limb MSD can be compared to a preinjured state. This method determines the locations in which a rehabilitation device must provide assistance to facilitate movement within reachable space that is limited by any joint restrictions resulting from MSDs.
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 | 0,002 |
| 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 ».