Towards Wearable Electromyography for Personalized Musculoskeletal Trunk Models using an Inverse Synergy-based Approach
Notice bibliographique
Résumé
Abstract Electromyography (EMG)-driven musculoskeletal models (EMS) of the trunk are used for estimating lumbosacral joint moments and compressive loads during lifting tasks. These models provide personalized estimates of the parameters using information from many sensors. However, to advance technology from labs to workplaces, there is a need for sensor reduction to improve wearability and applicability. Therefore we introduce an EMG sensor reduction approach based on inverse synergy extrapolation, to reconstruct unmeasured EMG signals for different box-lifting techniques. 12 participants performed an array of tasks (squat, stoop, unilateral twist and bilateral twist) with different weights (0 kg, 7.5 kg and 15 kg). We found that two synergies were sufficient to explain the different lifting tasks (median variance accounted for of 0.91). Building upon this, we used two sensors at optimal subject-specific muscle locations to reconstruct the EMG of four unmeasured channels. Evaluation of the reconstructed and reference EMG showed median coefficients of determination ( R 2 ) between 0.70 and 0.86, with median root mean squared errors (RMSE) ranging from 0.02 to 0.04 relative to maximal voluntary contraction. This indicates that our proposed method shows promise for sensor reduction for driving a trunk EMS for ambulatory biomechanical risk assessment in occupational settings and exoskeleton control.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».