Analyse des performances en propulsion d’utilisateurs de fauteuil roulant
Bibliographic record
Abstract
Près de 200 000 Canadiens utilisent un fauteuil roulant manuel (FRM), une activité exigeante pour les membres supérieurs et associée à un risque élevé de douleurs et de pathologies de l’épaule. L’entraînement à la propulsion constitue donc un enjeu majeur en réadaptation, mais il demeure peu structuré. Ce mémoire vise à évaluer l’impact d’un entraînement personnalisé, développé en temps réel par un algorithme d’apprentissage par renforcement, sur la biomécanique de la propulsion en FRM. L’étude a été menée sur un simulateur développé au Laboratoire d’Innovation Ouverte en Technologies de la Santé (LIO-ÉTS) et a impliqué 20 personnes en santé et non expérimentées. Six conditions d’entraînement ont été testées, combinant des rétroactions résistives ou assistives-résistives, dans trois objectifs : augmenter l’efficacité mécanique de propulsion (MEF), diminuer le coût physiologique ou combiner ces deux critères. Les résultats montrent que les entraînements résistifs ont permis d’augmenter la MEF moyenne de plus de 6% sur la cohorte, des deux côtés, aux dépens d’un coût physiologique augmentant de +25% à gauche et +17% à droite. Les entraînements assistifs-résistifs ont quant à eux réduit le coût physiologique moyen jusqu’à -34% par rapport à la condition initiale. Ces observations confirment partiellement l’efficacité du modèle de rétroaction personnalisée, capable d’adapter la difficulté de l’effort à chaque individu. En complément, une méthode d’identification inspirée du contrôle a permis d’identifier neuf paramètres intrinsèques et réflexifs caractérisant la dynamique du bras humain. L’intégration future de ces paramètres dans les algorithmes d’apprentissage ouvre la voie à des entraînements adaptatifs et sécuritaires en réadaptation robotisée.
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 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.004 | 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 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".