Bibliographic record
Abstract
La lésion médullaire conduit à une perte partielle ou complète de l’activité musculaire et des fonctions sensorielles en dessous du niveau lésionnel, cette atteinte de la moelle épinière entraîne une réduction drastique de la stabilité posturale en position assise et par conséquent un risque de chute élevé (Boswell-Ruys et al., 2010 ; Nelson et al., 2010).Les conséquences de la lésion médullaire sont importantes et d’ordre sensori-motrices, cardio-vasculaires, respiratoires et digestives. L’impact de la lésion sur le système stabilisateur vertébral conduit à de nouvelles stratégies de stabilisation, en cas de perturbation, qui sont différentes des stratégies mise en œuvre par les sujets asymptomatiques. Ces stratégies qui viennent compenser l’absence d'un contrôle sous-lésionnel sont basées essentiellement sur les mouvements des membres supérieurs.La compréhension de ces stratégies ainsi que la quantification des efforts articulaires qui en résultent sont nécessaires afin d’évaluer l’impact de la lésion et proposer des nouvelles techniques facilitant le maintien de la stabilité. L’un des enjeux est de savoir « retourner » vers les variables qui génèrent ces efforts, les couples articulaires, données qui ne sont pas mesurées et ne sont pas mesurables. Une manière de le faire, alternative à la « classique » dynamique inverse, a été exploitée dans les travaux précédents (Blandeau, 2018). Elle consiste, à partir d’un modèle biomécanique, à utiliser des techniques d’observation pour reconstruire ces entrées inconnues. Le formalisme utilisé est un formalisme dit de Takagi-Sugeno qui permet de décrire de façon polytopique des systèmes non linéaires. La description utilisée est de type descripteur, car elle se prête bien aux modèles mécaniques en diminuant la complexité des conditions obtenues (Estrada-Manzo, 2015).Une campagne d’essais réalisée au CRIR de Montréal (Blandeau, 2018) a permis de recueillir de nombreuses données sur la posture assise des personnes lésées médullaires. Seule une partie de ces essais a pu être exploitée car le modèle « Seated-3-segments » (S3S) utilisé ne permettait pas de décrire toutes les situations rencontrées, par exemple une dissymétrie dans les mouvements des bras.Il y a plusieurs challenges :Enrichir les modèles existants, notamment le modèle S3S (Blandeau, 2018) sachant qu’une résolution « directe » avec un observateur issu de ce type de modèle est déjà proche des limitations des solveurs actuels.Arriver à des solutions qui sont pertinentes (a minima qui utilisent les modèles biomécaniques sans simplification), compatibles avec les possibilités des solveurs et suffisamment génériques pour ne pas demander de refaire une étude complète si on ajoute des degrés de liberté supplémentaires.Dans l’esprit de ces challenges, des propositions d’observateurs non linéaires mis en cascade sont faites. Pour montrer le bien-fondé de l’approche, les résultats sont d’abord comparés à l’existant (S3S) avant d’être étendus à des modèles utilisant des degrés de liberté supplémentaires dont « Trunk-2-arms » (T2A) pour lesquels la méthodologie précédente ne peut apporter de solutions. T2A permet notamment d’exploiter des essais impliquant une dissymétrie dans les mouvements de membres supérieurs. Il reste dans les étapes suivantes à introduire les rotations, notamment au niveau des épaules pour se rapprocher des mouvements réels effectués par le sujet. La méthodologie utilisée semble parfaitement adaptée pour réaliser cette extension.Enfin, un mannequin équipé de tous les actionneurs et capteurs nécessaires permettant de reproduire les mouvements d’une personne en position assise sera utilisé avec cette fois-ci la possibilité de valider les couples articulaires reconstruits, en les comparant directement à ceux produits.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".