Genetic Algorithms Based Approach for Designing Spring Brake Orthosis – Part I: Spring Parameters
Notice bibliographique
Résumé
Spring brake orthosis (SBO) concentrates purely on the knee to generate the swing phase of the paraplegic gait with the required hip flexion occurring passively as a consequence of the ipsilateral knee flexion, generated by releasing the torsion spring mounted at the knee joint. Electrical stimulation then drives the knee back to full extension, as well as restores the spring potential energy. In this paper, genetic algorithm (GA) and its variant multi-objective GA (MOGA) is used to perform the search operation for the ‘best’ spring parameters for the SBO spring mounted on an average sized subject simulated in the sagittal plane. Conventional torsion spring is tested against constant torque type spring in terms of swing duration as, based on first principles, it is hypothesized that constant torque spring would be able to produce slower SBO swing phase as might be preferred in assisted paraplegic gait. In line with the hypothesis, it is found that it is not possible to delay the occurrence of the flexion peak of the SBO swing phase further than its occurrence in the natural gait. The use of conventional torsion spring causes the swing knee flexion peak to appear rather faster than that of the natural gait, resulting in a potentially faster swing phase and hence gait cycle. The constant torque type spring on the other hand is able to stretch duration of the swing phase to some extent, rendering it the preferable spring type in SBO.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».