Biomechanical effects of soft and rigid passive back occupational exoskeletons during load-carrying and static trunk bending tasks in the aeronautics industry
Notice bibliographique
Résumé
Abstract The manufacturing industry, notably the aeronautics sector, involves tasks presenting risks of low back pain. One of the preventive strategies could be the use of passive back exoskeletons, which have demonstrated benefits during activities involving trunk bending. This study aims to evaluate the effects of four passive back exoskeletons on trunk neuromuscular activity, kinematics, and perceived discomfort during polishing tasks simulated in a laboratory setting. Nineteen participants performed four tasks (two static bending tasks and two load-carrying tasks) without and with two soft (CORFOR and BionicBack) and two rigid (BackX and Laevo FLEX) exoskeletons. The results showed varying effects depending on the tested exoskeleton model, beyond the distinction between rigid and soft designs. Reductions in lumbar erector spinae (LES) neuromuscular activity were observed with Laevo FLEX and CORFOR during static tasks compared to the condition without exoskeleton (8–18%; p < .05). However, reductions in LES muscle activity were not significant during load carrying. Biceps femoris neuromuscular activity was significantly lower in the four tasks when using the Laevo FLEX, with reductions ranging from 8 to 17% ( p < .01). The two rigid exoskeletons decreased perceived back discomfort across all tasks ( p < .05). Finally, the BionicBack exoskeleton significantly altered participants’ kinematics across all four tasks, reducing both trunk range of motion and average flexion (p < .05). The Laevo FLEX exoskeleton was the only one to significantly reduce both neuromuscular activity and perceived back discomfort, while causing no adverse effects, appearing advantageous when polishing in the aeronautical industry.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 | 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 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 ».