Development of a Cadaveric Shoulder Motion Simulator with Open-Loop Iterative Learning for Dynamic, Multiplanar Motion: A Preliminary Study
Notice bibliographique
Résumé
Ex vivo shoulder motion simulators are commonly used to study shoulder biomechanics but are often limited to performing simple planar motions at quasi-static speeds using control architectures that do not allow muscles to be deactivated. The purpose of this study was to develop an open-loop tendon excursion controller with iterative learning and independent muscle control to simulate complex multiplanar motion at functional speeds and allow for muscle deactivation. The simulator performed abduction/adduction, faceted circumduction, and abduction/adduction (subscapularis deactivation) using a cadaveric shoulder with an implanted reverse total shoulder prosthesis. Kinematic tracking accuracy and repeatability were assessed using maximum absolute error (MAE), root mean square error (RMSE), and average standard deviation (ASD). During abduction/adduction and faceted circumduction, the RMSE did not exceed 0.3, 0.7, and 0.8 degrees for elevation, plane of elevation, and axial rotation, respectively. During abduction/adduction, the ASD did not exceed 0.2 degrees. Abduction/adduction (subscapularis deactivation) resulted in a loss of internal rotation, which could not be restored at low elevation angles. This study presents a novel control architecture, which can accurately simulate complex glenohumeral motion. This simulator will be used as a testing platform to examine the effect of shoulder pathology, treatment, and rehabilitation on joint biomechanics during functional shoulder movements.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».