Brain-Controlled Robot Enables the Paraplegic Implement Autonomous Multimode Walk Training
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
Implementation of the autonomous walk training plays an important role for patients with lower limb paralysis, which however is still an open question presently due to the extreme difficulty of accurately recognizing the patients’ motor intentions in a natural way. In this study, a brain-controlled robot system, mainly consisting of a noninvasive brain–computer interface (BCI) and an elaborately designed lower limb rehabilitation robot, was developed to enable the paralyzed patients to implement the autonomous multimode walk training. First, an enhanced motor imagery based BCI paradigm was designed to improve the subjects’ imagination abilities to generate more separable electroencephalogram (EEG) data. Then, a concept of reaction time was introduced to select the valid EEG samples, and a rhythm combination, consisting of the most complete related sensorimotor rhythms to date, was designed to fully consider their influence. The reaction time, the rhythm combination, and the key parameters of the EEG decoder were collaboratively optimized to realize accurate and robust recognition of the subjects’ motor intentions. Moreover, a human–computer mutual learning based coevolution strategy was proposed, by which the subject and the decoder can be regulated to suit each other to obtain the satisfactory online performance. Finally, the proposed methods were deployed on the brain-controlled robot system, by which multimode walk training can be implemented autonomously. 18 subjects including 9 paraplegic patients were recruited in the experiments, and all of them successfully implemented the autonomous walk training after only about 25 minutes in total for EEG data recording and model training.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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