MétaCan
Menu
Retour à la cohorte
Enregistrement W4400174352 · doi:10.1101/2024.06.27.599434

Comparison of musculoskeletal robot biomechanical properties to human participants using motion study

2024· preprint· en· W4400174352 sur OpenAlexaff
Iain L. Sander, Julie Stebbins, Andrew Carr, Pierre‐Alexis Mouthuy

Notice bibliographique

RevuebioRxiv (Cold Spring Harbor Laboratory) · 2024
Typepreprint
Langueen
DomaineEngineering
ThématiqueProsthetics and Rehabilitation Robotics
Établissements canadiensQueen's University
Organismes subventionnairesEngineering and Physical Sciences Research Council
Mots-clésKinematicsHumanoid robotReplicateMotion (physics)Computer scienceBiomechanicsRelevance (law)SimulationPhysical medicine and rehabilitationRobotHuman–computer interactionArtificial intelligenceMedicineMathematicsPhysicsAnatomy

Résumé

récupéré en direct d'OpenAlex

Abstract Advanced robotic systems that replicate musculoskeletal structure and function have significant potential for a wide range of applications. Although they are proposed to be better platforms for biomedical applications, little is known about how well current musculoskeletal humanoid systems mimic the motion and force profiles of humans. This is particularly relevant to the field of tendon tissue engineering, where engineered grafts require advanced bioreactor systems that accurately replicate the kinetic and kinematic profiles experienced by the humans in vivo . A motion study was conducted comparing the kinetic and kinematic profiles produced by a musculoskeletal humanoid robot shoulder to a group of human participants completing abduction/adduction tasks. Results from the study indicate that the humanoid arm can be programed to either replicate the kinematic profile or the kinetic profile of human participants during task completion, but not both simultaneously. This study supports the use of humanoid robots for applications such as tissue engineering and highlights suggestions to further enhance the physiologic relevance of musculoskeletal humanoid robotic platforms.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,181
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,054
Tête enseignante GPT0,308
Écart entre enseignants0,253 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuebioRxiv (Cold Spring Harbor Laboratory)Même sujetProsthetics and Rehabilitation RoboticsTravaux en français237 207