CEINMS-RT: An Open-Source Framework for the Continuous Neuro-Mechanical Model-Based Control of Wearable Robots
Notice bibliographique
Résumé
Human movement emerges from the interplay between nervous, muscular, and skeletal systems, interacting with the environment. Understanding these neuro-mechanical processes is crucial for developing volitional, neural control of wearable robots aimed at restoring mobility after neuromuscular injury. Movement neuro-mechanics is often studied via computer models of the neuromusculoskeletal system, which use static, dynamic optimization or reinforcement learning to estimate muscle activation patterns and resulting motor function. However, such approaches often fail at capturing the variability in multi-muscle recruitment and force generation across movements, anatomies, and conditions i.e., ageing or injury. Electromyography (EMG)-driven musculoskeletal modeling, or neuro-mechanical modeling, uses measured EMGs and joint angles for simulating musculotendon force and joint moment generation dynamics, with no assumptions on how muscles are neurally recruited. EMG-driven models have enabled task-agnostic, myoelectric, model-based controllers for devices ranging from bionic arms and legs to trunk, arm and leg exoskeletons. However, real-time myoelectric model-based controllers still remain largely proprietary, hindering their widespread use, progress and standardization. Here, we introduce CEINMS-RT, an open-source, EMG-driven modeling framework for real-time, myoelectric model-based control. Because CEINMS-RT computation time is well below the muscle electromechanical delay (< 3.1ms on a Raspberry Pi 2), it can estimate EMG-dependent joint moments in advance, an essential requirement for volitional robotic control, while maintaining accuracy comparable to offline models. This provides an open-source, mechanistic alternative to neural networks that directly map EMGs into joint moment or kinematic profiles, without modeling intermediate neuro-mechanical variables that are critical for understanding movement and human-robot interaction (e.g., musculotendon kinematics and impedance).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 0,007 |
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 source (Gemma direct ou Codex distillé), 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 ».