MyoBack: A Musculoskeletal Model of the Human Back with Integrated Exoskeleton
Notice bibliographique
Résumé
Abstract Given the challenges of real-life experimentation, musculoskeletal simulation models could become essential in biomedical research. This is especially critical for the human back, a key structure involved in daily movements, where modeling and simulation could streamline design and support the development of treatments and robotic rehabilitation techniques, such as exoskeletons. However, musculoskeletal simulation engines are computationally demanding and lack contact dynamics, restricting current models’ use in studying prolonged behaviors or optimizing system design while maintaining physiological accuracy. To overcome this limitation, this work proposes MyoBack, a human back model part of the MyoSuite framework relying on the physics engine MuJoCo. This model is derived from a physiologically accurate model built in the state-of-the-art musculoskeletal simulation software OpenSim and replicates the latter’s kinematic properties accurately, with some discrepancies regarding muscle dynamics stemming from engine differences. The MyoBack model was also validated empirically by integrating a passive back exoskeleton in simulation and comparing forces exerted on the back with values from experimental trials. Over different tasks, the model reproduced measured force progressions well, resulting in RMSE = 11% for a stoop and RMSE = 16% for a squat motion pattern relative to peak forces. The MyoBack model can be accessed here: https://github.com/rohwalia/MyoBack
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».