Comparing the risk of low-back injury using model-based optimization: Improved technique versus exoskeleton assistance
Notice bibliographique
Résumé
Although wearable robotic systems are designed to reduce the risk of low-back injury, it is unclear how effective assistance is, compared to improvements in lifting technique. We use a two-factor block study design to simulate how effective exoskeleton assistance and technical improvements are at reducing the risk of low-back injury when compared to a typical adult lifting a box. The effects of assistance are examined by simulating two different models: a model of just the human participant, and a model of the human participant wearing the SPEXOR exoskeleton. The effects of lifting technique are investigated by formulating two different types of optimal control problems: a least-squares problem which tracks the human participant's lifting technique, and a minimization problem where the model is free to use a different movement. Different lifting techniques are considered using three different cost functions related to risk factors for low-back injury: cumulative low-back load (CLBL), peak low-back load (PLBL), and a combination of both CLBL and PLBL (HYB). The results of our simulations indicate that an exoskeleton alone can make modest reductions in both CLBL and PLBL. In contrast, technical improvements alone are effective at reducing CLBL, but not PLBL. The largest reductions in both CLBL and PLBL occur when both an exoskeleton and technical improvements are used. While all three of the lifting technique cost functions reduce both CLBL and PLBL, the HYB cost function offers the most balanced reduction in both CLBL and PLBL.
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 ».