Comparative Analysis of Temporal Difference Learning Methods to Learn General Value Functions of Lower-Limb Signals
Notice bibliographique
Résumé
Millions of people in the United States suffer from paralysis, resulting in significant deficits in motor function. Restricted mobility due to these deficits and the lack of adaptive rehabilitative solutions make traversing complex and challenging terrains unsafe. Exoskeletons offer a promising solution, but their effectiveness could be greatly enhanced by incorporating reinforcement learning algorithms for real-time adaptation to changing environments and the user's unique gait biomechanics. This study explored different temporal difference learning methods for predicting signals recorded from sensors on the lower-limbs, including muscle activation from electromyography, underfoot pressure, and joint angles from goniometers. Specifically, the performance of the temporal difference learning methods TD $(\lambda)$, TOTD, and SwiftTD to quickly and accurately predict these signals was examined. From initial findings, SwiftTD generally converged faster, while TOTD typically achieved lower convergence errors. These outcomes varied depending on the specific signal that was being predicted, highlighting the need for careful consideration of algorithm choice depending on the signal, accuracy, and speed. The results, therefore, support the informed selection of specific algorithms for providing predictive knowledge to adaptive, machine learning-controlled assistive rehabilitative technologies. These findings will enable the selection of appropriate predictive algorithms, leading to the development of better exoskeletons and other assistive devices to enhance the mobility and quality of life of individuals with motor paralysis.
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 | 0,008 | 0,021 |
| 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».