A Bionic Foot Controlled by a Synergy-Driven Neuromechanical Model Enables Walking at Various Speeds in Socket-Suspended and Bone-Anchored Prosthesis Users
Notice bibliographique
Résumé
Human locomotion adapts to different conditions, resulting in changes in gait parameters like speed, stride time, and length. Bionic limbs strive to mimic natural walking patterns, with speed adaptation being a key feature. Research shows that myoelectric bionic legs allow individuals with agonist-antagonist myoneural interface (AMI) amputations to control speed-adaptive walking. However, those with non-AMI amputations show difficulty generating consistent electromyography (EMG) signals. Therefore, we aim to create a human-machine interface that provides speed-adaptive biomimetic behavior without relying on EMGs. Steady-state locomotion can be modeled as the sequential recruitment of muscle groups during the gait cycle. To replicate this motor control, we created a control framework for a bionic foot using a neuromechanical model driven by synthetic muscle activations, replacing EMG recordings. We tested the controller on two individuals with transtibial amputations-one with a socket-suspended prosthesis and the other with a bone-anchored prosthesis. Muscle activation peaks fell within target ranges, leading to peak plantar-flexion torques at 49% of the gait cycle. The averaged model torques aligned with those from inverse dynamics on the intact side (RMSE $=$ 0.52 $ ~\pm ~$ 0.3 (Nm/Kg), r $=$ 0.52 $~\pm ~$ 0.4). The results show that the control system effectively modulates joint torques in timing and amplitude for two subjects across three walking speeds (0.55 to 1.1 m/s). Designed for steady-state walking, it can modulate torque during speed transitions. This first investigation aims to prove the feasibility of a personalized biomimetic control framework for bionic limbs without relying on EMGs, supporting walking at various speeds.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».