論文の概要: Targeted Muscle Effort Distribution with Exercise Robots: Trajectory and Resistance Effects

• arxiv url: http://arxiv.org/abs/2107.01280v1
• Date: Fri, 2 Jul 2021 21:07:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-23 18:25:01.207064
• Title: Targeted Muscle Effort Distribution with Exercise Robots: Trajectory and Resistance Effects
• Title（参考訳）: 運動ロボットを用いた目標筋力分布 : 軌道と抵抗効果
• Authors: Humberto De las Casas and Santino Bianco and Hanz Richter
• Abstract要約: 本研究の目的は,ロボット運動・リハビリテーション機械の軌道および抵抗条件に筋力分布を関連付けることである。 4自由度ロボットとそのインピーダンス制御システムは、高度なエクササイズプロトコルを作成するために使用される。
• 参考スコア（独自算出の注目度）: 1.2891210250935146
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The objective of this work is to relate muscle effort distributions to the trajectory and resistance settings of a robotic exercise and rehabilitation machine. Muscular effort distribution, representing the participation of each muscle in the training activity, was measured with electromyography sensors (EMG) and defined as the individual activation divided by the total muscle group activation. A four degrees-of-freedom robot and its impedance control system are used to create advanced exercise protocols whereby the user is asked to follow a path against the machine's neutral path and resistance. In this work, the robot establishes a zero-effort circular path, and the subject is asked to follow an elliptical trajectory. The control system produces a user-defined stiffness between the deviations from the neutral path and the torque applied by the subject. The trajectory and resistance settings used in the experiments were the orientation of the ellipse and a stiffness parameter. Multiple combinations of these parameters were used to measure their effects on the muscle effort distribution. An artificial neural network (ANN) used part of the data for training the model. Then, the accuracy of the model was evaluated using the rest of the data. The results show how the precision of the model is lost over time. These outcomes show the complexity of the muscle dynamics for long-term estimations suggesting the existence of time-varying dynamics possibly associated with fatigue.
• Abstract（参考訳）: 本研究の目的は,ロボット運動・リハビリテーション機械の筋力分布を軌道と抵抗設定に関連付けることである。 筋活動における各筋の関与を表す筋活動分布を筋電図センサ(EMG)を用いて測定し,筋集団の活性化によって個別の活性化が決定された。 4自由度ロボットとそのインピーダンス制御システムは、ユーザが機械の中立経路と抵抗に対して経路に従うように要求される高度な運動プロトコルを作成するために使用される。 この研究では、ロボットはゼロエフォート円形経路を確立し、被験者は楕円軌道に従うように要求される。 制御システムは、中性経路からのずれと被検者によるトルクとの間にユーザが定義した剛性を生成する。 実験で使用された軌道と抵抗の設定は楕円の向きと剛性パラメータであった。 これらのパラメータを複数組み合わせて筋力分布に及ぼす影響を測定した。 人工知能ニューラルネットワーク(ANN)は、モデルのトレーニングにデータの一部を使用した。 そして、残りのデータを用いてモデルの精度を評価した。 その結果,モデルの精度は時間とともに低下することがわかった。 これらの結果は、疲労に関連する可能性のある時間変化ダイナミクスの存在を示唆する長期推定のための筋力学の複雑さを示している。

関連論文リスト

• MS-MANO: Enabling Hand Pose Tracking with Biomechanical Constraints [50.61346764110482]
  筋骨格系と学習可能なパラメトリックハンドモデルMANOを統合し,MS-MANOを作成する。 このモデルは骨格系を駆動する筋肉と腱の力学をエミュレートし、結果として生じるトルク軌跡に生理学的に現実的な制約を与える。 また,マルチ層パーセプトロンネットワークによる初期推定ポーズを改良する,ループ式ポーズ改善フレームワークBioPRを提案する。
  論文  参考訳（メタデータ） (2024-04-16T02:18:18Z)
• The bionic neural network for external simulation of human locomotor system [2.6311880922890842]
  本稿では,筋骨格モデルに基づく物理インフォームド深層学習法を提案し,関節運動と筋力を予測する。 この方法は、被験者固有のMSK生理学的パラメータを効果的に同定することができ、訓練された物理インフォームドフォワード力学は、正確な動きと筋力予測をもたらす。
  論文  参考訳（メタデータ） (2023-09-11T23:02:56Z)
• From Motion to Muscle [0.0]
  筋活動は, 位置, 速度, 加速度などの運動特徴に基づいて人工的に生成できることを示す。 このモデルは、以前に訓練された運動に対して顕著な精度を達成し、これまで訓練されていない新しい運動に対して非常に高い精度を維持している。
  論文  参考訳（メタデータ） (2022-01-27T13:30:17Z)
• Learning Control Policies for Imitating Human Gaits [2.28438857884398]
  人間はウォーキング、ランニング、ジャンプといった運動を最も効率的な方法で行っており、このプロジェクトの動機の源となっている。 骨格と筋骨格の人間モデルは,矢状面の運動に対して考慮された。 モデルフリー強化学習アルゴリズムは、逆ダイナミクス制御動作の最適化に用いられた。
  論文  参考訳（メタデータ） (2021-05-15T16:33:24Z)
• Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
  本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。 私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。 提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
  論文  参考訳（メタデータ） (2021-04-29T00:11:32Z)
• TRiPOD: Human Trajectory and Pose Dynamics Forecasting in the Wild [77.59069361196404]
  TRiPODは、グラフの注目ネットワークに基づいて身体のダイナミクスを予測する新しい方法です。 実世界の課題を取り入れるために,各フレームで推定された身体関節が可視・視認可能かどうかを示す指標を学習する。 評価の結果,TRiPODは,各軌道に特化して設計され,予測タスクに特化している。
  論文  参考訳（メタデータ） (2021-04-08T20:01:00Z)
• And/or trade-off in artificial neurons: impact on adversarial robustness [91.3755431537592]
  ネットワークに十分な数のOR様ニューロンが存在すると、分類の脆さと敵の攻撃に対する脆弱性が増加する。 そこで我々は,AND様ニューロンを定義し,ネットワーク内での割合を増大させる対策を提案する。 MNISTデータセットによる実験結果から,本手法はさらなる探索の方向として有望であることが示唆された。
  論文  参考訳（メタデータ） (2021-02-15T08:19:05Z)
• Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
  この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。 コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。 その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
  論文  参考訳（メタデータ） (2021-01-26T16:01:02Z)
• Reinforcement Learning of Musculoskeletal Control from Functional Simulations [3.94716580540538]
  本研究は、深部強化学習(DRL)に基づく逆動力学制御器を用いて、人間の肩の生体力学的モデルによる筋活動の制御を訓練する。 その結果,無作為に発生する角軌道に追従する作業に対して,肩下降の単一軸運動制御を行うことができた。
  論文  参考訳（メタデータ） (2020-07-13T20:20:01Z)
• Motion Pyramid Networks for Accurate and Efficient Cardiac Motion Estimation [51.72616167073565]
  本研究では,心臓の運動推定を高精度かつ効率的に行うための,ディープラーニングに基づく新しいアプローチであるMotion Pyramid Networksを提案する。 我々は、複数の特徴表現から運動場のピラミッドを予測し、融合し、より洗練された運動場を生成する。 そこで我々は,新しい循環型教員教育戦略を用いて,推論をエンドツーエンドにし,トラッキング性能をさらに向上させる。
  論文  参考訳（メタデータ） (2020-06-28T21:03:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。