Traitement des signaux EMG et son application pour commander un exosquelette
Bibliographic record
Abstract
Le vieillissement de la population dans notre société moderne va entraîner de nouveaux besoins pour l’assistance aux personnes âgées et pour la réhabilitation. Les exosquelettes sont une piste de recherche prenant de plus en plus d’importance pour répondre à ces nouveaux challenges. Deux de ces challenges sont, la réalisation d’un contrôle naturel pour l’utilisateur et la sécurité. Cette maîtrise cherche à répondre à ces deux problématiques. Nous avons donc développé un outil de travail informatique utilisant les décharges électriques produites par les neurones moteurs pour contracter les muscles et un modèle des os et des muscles du bras. Cet outil utilise la librairie informatique ROS et OpenSim. Elle permet de connaître la force et le mouvement développés par le coude. De plus, un autre outil informatique a été développé pour optimiser le modèle des os et des muscles du bras pour le personnaliser à l’utilisateur pour un meilleur résultat. Une carte d’acquisition utilisant des électrodes de surface pouvant être reliées avec un ordinateur par USB et compatible avec ROS a été développée. Pour tester les algorithmes développés, un exosquelette pour le coude utilisant un actionneur compliant et contrôlé en force a été conçu. Pour compenser le poids de l’exosquelette et l’effet d’amortissement passif de l’actionneur, une compensation de gravité dynamique a été développée. Finalement, des expérimentations ont été menées sur l’efficacité de l’optimisation du modèle et sur l’exosquelette avec les différents algorithmes.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.002 |
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 source (direct Gemma or distilled Codex), 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".