Clinical trials of GPE-based muscle support algorithm for robotic hip exoskeleton: a pilot study
Notice bibliographique
Résumé
With the advent of an aging society, the lack of physical activity has become a major concern, leading to various age-related diseases. To prevent such issues, research on wearable robots aimed at improving gait has been actively pursued. Among them, exoskeleton robots, a widely used approach, require an accurate understanding of the user's gait cycle for effective control. Various studies have explored gait cycle detection and prediction methods depending on the type of gait robot platform and the use of sensors. However, a major challenge in gait cycle prediction algorithms remains the issue of nonlinear predictive trajectories. In the study, a robotic hip exoskeleton (RHE) was utilized to implement an enhanced gait phase estimation (GPE) algorithm integrated with a muscle support system. Participants were divided into two groups (Group A and Group B) based on their initial gait performance, and the effectiveness of gait rehabilitation training was evaluated. The results showed that in the 10-meter walk test (10MWT), walking time decreased by approximately 5% in Group A and 27% in Group B. In the 6-minute walk test (6MinWT), walking distance increased by approximately 1% in Group A and 14% in Group B. Group B, which had lower initial gait performance, showed a greater gait performance improvement rate compared to Group A, which had higher initial gait performance. Through the gait performance results of the two groups, the applicability of the GPE based muscle support algorithm was confirmed.
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 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 | 0,013 | 0,002 |
| 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».