Myoelectric Control of Robotic Leg Prostheses and Exoskeletons: A Review
Notice bibliographique
Résumé
Abstract Myoelectric signals from the human motor control system can improve the real-time control and neural-machine interface of robotic leg prostheses and exoskeletons for different locomotor activities (e.g., walking, sitting down, stair ascent, and non-rhythmic movements). Here we review the latest advances in myoelectric control designs and propose future directions for research and innovation. We review the different wearable sensor technologies, actuators, signal processing, and pattern recognition algorithms used for myoelectric locomotor control and intent recognition, with an emphasis on the hierarchical architectures of volitional control systems. Common mechanisms within the control architecture include 1) open-loop proportional control with fixed gains, 2) active-reactive control, 3) joint mechanical impedance control, 4) manual-tuning torque control, 5) adaptive control with varying gains, and 6) closed-loop servo actuator control. Based on our review, we recommend that future research consider using musculoskeletal modeling and machine learning algorithms to map myoelectric signals from surface electromyography (EMG) to actuator joint torques, thereby improving the automation and efficiency of next-generation EMG controllers and neural interfaces for robotic leg prostheses and exoskeletons. We also propose an example model-based adaptive impedance EMG controller including muscle and multibody system dynamics. Ongoing advances in the engineering design of myoelectric control systems have implications for both locomotor assistance and rehabilitation.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».