Impact of the choice of upper limb prosthesis mechanism on kinematics and dynamic quality
Notice bibliographique
Résumé
Upper limb prostheses can greatly improve the condition of amputees. However, prosthetic mechanisms have different topologies and there is no consensus on the choice of an appropriate mechanism. This paper evaluates the impact of prosthetic mechanism topology on the prosthesis’ performance during daily tasks. The proposed multibody model is compared to four open-loop and one closed-loop existing mechanisms according to: (1) consumed energy, (2) global and local movement reconstruction errors during inverse kinematics, (3) movement smoothness, which reflects the dynamic appearance of the prosthesis, also called ‘dynamic cosmesis’. Flexion–extension (FE) and pronation–supination (PS) tasks were studied in 15 healthy subjects. All parameters identified at least one group difference (p < 0.0001) in both tasks. Most closed-loop mechanisms (50% in FE and 100 % in PS) including the proposed model were among the most energy-efficient mechanisms. Out of all models, the proposed model was the most energy efficient in FE (2.07 ± 0.69 KJ) and in PS (0.25 ± 0.16 KJ). This model also reproduced the studied movements with the lowest errors (1.39 ± 0.2 mm in FE and 1.38 ± 0.25 mm in PS), especially at the forearm level. The results show that the wrist plays a major role in motion smoothness and that two series mechanisms have exhibited a poor dynamic cosmesis because of their higher jerk cost ((1.73 ± 0.30) × 1010) in FE and (9.29 ± 17) × 1013 in PS tasks)). Finally, the mechanism topology affects the performance of upper limb prostheses and represents a novel aspect in the prostheses design which can be applied to exoskeleton design.
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 | 0,000 |
| 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 ».