EMG-based body–machine interface for targeted trunk muscle activation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Deficits in trunk control, commonly observed in individuals with neurological conditions, can significantly impair balance, posture, and functional movements. Body-machine interfaces (BoMIs) are promising tools for trunk rehabilitation, as they can provide real-time feedback on user movements and muscle activity, allowing for continuous monitoring and guidance during motor control training. However, research on BoMIs for trunk rehabilitation is limited, and current methods often lack precision in addressing trunk muscle deficits. This work introduces a BoMI that combines trunk electromyography (EMG) and motion data to selectively modulate trunk muscle activity during motor control tasks. The system utilizes machine learning to generate personalized trunk motion trajectories based on predefined EMG profiles. Each trajectory is displayed on a screen as a moving target, which users must follow by controlling the BoMI with their trunk movements. We hypothesize that by visually guiding users to track these generated trajectories, the BoMI could evoke the EMG patterns implicitly encoded within them. Tested with neurotypical individuals, the BoMI effectively elicited the desired trunk EMG profiles, achieving a mean similarity index of 0.82 ± 0.13, a correlation coefficient of 0.95 ± 0.03, and minimal timing mismatches. These results support the feasibility of using an EMG-based BoMI for precise trunk muscle training, which could potentially assist therapists in more efficiently monitoring and adjusting patients’ muscle engagement during interventions. Future work will focus on developing a control framework to dynamically adapt task difficulty to users’ needs, expanding the approach to include additional trunk muscles, and evaluating its translation to individuals with trunk muscle impairments.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| 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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 découle