Review of Control Methods for Upper Limb Telerehabilitation With Robotic Exoskeletons
Notice bibliographique
Résumé
Given the escalating unmet demand for physical rehabilitation due to the growing global aging population and the effects of the coronavirus COVID-19 including increased incidents of stroke, hospital bed shortages, and clinics closures, robotic telerehabilitation is an emerging, timely, and crucial technology. Rehabilitating the upper limbs of affected patients is of upmost importance for restoring physical function and lighten the societal burden due to disabilities. So far, the majority of the research in robotic telerehabilitation for upper limbs has been performed with end-effector-type assistive robots; however, the use of robotic exoskeletons has significant and distinctive benefits. Although there are surveys written about control methods for upper limb robotic exoskeletons and other surveys written about bilateral teleoperation control methods, there are no surveys written specifically about telerehabilitation control methods for upper limbs using robotic exoskeletons. As a result, this article reviews the state-of-the-art control strategies including various advanced linear and nonlinear control approaches for upper limb rehabilitation robotic exoskeletons, bilateral teleoperation, and several state-of-the-art telerehabilitation applications with upper limb robotic exoskeletons. The benefits, drawbacks, challenges, and future directions of existing methodologies are extensively discussed. This article offers a comprehensive overview and insight for new researchers in the area of telerehabilitation robotic exoskeletons.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».