Evaluation of a machine-learning-driven active–passive upper-limb exoskeleton robot: Experimental human-in-the-loop study
Notice bibliographique
Résumé
Evaluating exoskeleton actuation methods and designing an effective controller for these exoskeletons are both challenging and time-consuming tasks. This is largely due to the complicated human-robot interactions, the selection of sensors and actuators, electrical/command connection issues, and communication delays. In this research, a test framework for evaluating a new active-passive shoulder exoskeleton was developed, and a surface electromyography (sEMG)-based human-robot cooperative control method was created to execute the wearer's movement intentions. The hierarchical control used sEMG-based intention estimation, mid-level strength regulation, and low-level actuator control. It was then applied to shoulder joint elevation experiments to verify the exoskeleton controller's effectiveness. The active-passive assistance was compared with fully passive and fully active exoskeleton control using the following criteria: (1) post-test survey, (2) load tolerance duration, and (3) computed human torque, power, and metabolic energy expenditure using sEMG signals and inverse dynamic simulation. The experimental outcomes showed that active-passive exoskeletons required less muscular activation torque (50%) from the user and reduced fatigue duration indicators by a factor of 3, compared to fully passive ones.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».