Design and Sensor Based Evaluation of Custom-Fit Coupling Interfaces for Lower Limb Exoskeletons: A Pilot Study
Notice bibliographique
Résumé
The coupling interface on wearable lower limb exoskeletons influence physical human-robot interactions (pHRI) that occur during assistance in gait and posture tasks. Despite their increasing popularity, risks to the user (i.e., skin, musculoskeletal injuries) from undesirable interactions at the interface are present. Current research examining coupling interactions, focuses on characterizing simple pressure measures (i.e., mean) independent of interface features. Consequently, design guidelines of ideal coupling interface interactions do not yet exist due to a lack of common framework and metrics tied to interface features for analysis. Other wearable devices (e.g. prostheses), use custom fit interfaces as a baseline for interface design. In this study we compare custom made single-user and generic multi-user interfaces using established and novel pressure-related measures. 5 minute overground gait trials were conducted with pressure sensors placed at the hip and thigh interfaces. Pilot study results showed increased supporting contact area at the measured surfaces and a reduction in relative movement during use of custom-fit interfaces. Average and peak pressure varied between sites, with custom thigh interfaces exhibiting notable improved performance. Pressure measures reported highlight the benefit of custom interfaces, and the value of additional pressure analysis metrics in differentiating interface designs and evaluating relative performance. We propose that custom fit interfaces can provide a common baseline for evaluating coupling interface pHRI, supported by novel methods of pressure analysis to tie pHRI improvements to specific interface design characteristics.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».