Estimating Thorax and Shoulder Motion Using Magnetic-Free Quaternion-Based Functional Sensor-To-Segment Calibration
Notice bibliographique
Résumé
Wearable rehabilitation robots rely on accurate sensing of body motion. While 9-axis inertial sensors are commonly used to measure motion, signal interpretation can be challenging for upper-limb rehabilitation due to complex and unpredictable joint movements. Other studies have addressed these inaccuracies by attaching three sensor units and using magnetometer data. However, these sensors are often used near actuators that produce ferromagnetic disturbances. Therefore, the objective of this work is to develop a methodology for estimating thorax and shoulder motion using only the orientation data from two sensors, estimated by the internal fusion of accelerometer and gyroscope data. The proposed methodology involves a functional sensor-to-segment calibration that includes performing Principal Component Analysis on the data obtained during specific functional movements to identify the primary axes of rotation. The calibration aligns the sensor coordinate system with the anatomical reference frame of the body segment. Furthermore, the methodology estimates the rotation between the global coordinate systems of the sensor units. Through an experimental evaluation and a comparison with a reference sensor system, the tracking error was $4.07^{\circ}-5.14^{\circ}$ for shoulder orientation and $1.28^{\circ}-3.88^{\circ}$ for thorax orientation. The results provide a solution for tracking thorax and shoulder motion, without using the magnetometer, supporting the development of upper-limb rehabilitation robots.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».