CEINMS-RT: an open-source framework for the continuous neuro-mechanical model-based control of wearable robots
Notice bibliographique
Résumé
Human movement emerges from the interplay between nervous, muscular, and skeletal systems, interacting with the environment. Understanding these processes is crucial for developing wearable robotic technologies to restore movement following neuro-muscular injuries. Movement neuro-mechanics is often studied via computer models of the composite neuromusculoskeletal system, which use static, dynamic optimization or reinforcement learning to estimate muscle activation and resulting mechanical forces from kinematic and kinetic data. However, such approaches often fail at capturing the variability in multi-muscle neural recruitment and force generation across movements, anatomies, and conditions (i.e., ageing or injury). Electromyography (EMG)-driven musculoskeletal modeling uses measured EMGs and joint angles for simulating muscle-tendon level mechanics with no assumptions on how muscles are recruited by the central nervous system. EMG-driven models enabled task-agnostic, myoelectric model-based controllers for bionic limbs and exoskeletons. However, real-time neuromechanical models still remain largely proprietary, hindering their widespread use, progress and standardization. Here, we introduce CEINMS-RT, a freely available, open-source, neuromechanical modeling framework for the real-time myoelectric model-based control of wearable robots, including exoskeletons, exosuits, haptic devices, and bionic limbs. CEINMS-RT explicitly models person-specific movement neuro-mechanics and estimates EMG-dependent variables including muscle activation, muscletendon force, and resulting joint dynamics. This represents an open-source alternative to end-to-end neural regressors, which do not estimate intermediate biomechanicasl variables that would be critical for roboust wearable robot control (e.g., joint stiffness, damping or underlying muscle-tendon impedance). Here, we introduce the CEINMS-RT framework and provide application results in the context of wearable robotic 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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,006 |
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 ».