論文の概要: A Flow-Theoretic Multimodal Control Framework Fusing Mental and Physical Engagement for Upper-Limb Rehabilitation
- arxiv url: http://arxiv.org/abs/2610.21590v1
- Date: Thu, 15 Oct 2026 09:36:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 19:13:16.30759
- Title: A Flow-Theoretic Multimodal Control Framework Fusing Mental and Physical Engagement for Upper-Limb Rehabilitation
- Title（参考訳）: 上肢リハビリテーションのための精神的・身体的エンゲージメントを考慮したフロー理論多モード制御フレームワーク
- Abstract要約: 脳波に基づく心的エンゲージメントとsEMGに基づく身体的エンゲージメントを融合させ,フロー理論によるマルチモーダルAANフレームワークを提案する。
4クワッドラントのファジィ判定エンジンは、これらの2つの生理的指標を連続的な制御ポリシーに変換する。
- 参考スコア（独自算出の注目度）: 2.881429486711349
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While Assist-as-Needed (AAN) control aims to maximize user participation in robot-assisted training, existing methods relying solely on physical metrics cannot distinguish muscular inability from mental disengagement, leading to suboptimal interventions. To address this ambiguity, a Flow-theoretic multimodal AAN framework is proposed, fusing EEG-based mental engagement and sEMG-based physical engagement into an adaptive impedance control strategy. A four-quadrant fuzzy decision engine translates these dual physiological metrics into continuous control policies. This enables the upper-limb exoskeleton to inject feedforward assistance during intent-execution mismatch (e.g., motor output attenuation despite mental focus) and escalate guiding stiffness to penalize mental distraction. The framework was validated with healthy participants against a state-of-practice sEMG-only AAN baseline. Kinematically and mechanically, the proposed framework reduced robotic energy expenditure by 71.9\% while maintaining precise trajectory tracking, confirming it elicited greater voluntary human effort. Physiologically, the system increased the time spent in the neuroplasticity zone (Flow State Ratio) from 4.6% to 42.8%. These results validate that decoupling and jointly regulating mental and physical states enhances the selectivity of robotic assistance, mitigating user passivity and sustaining the engagement crucial for motor learning.
- Abstract（参考訳）: AAN(Assist-as-Needed)コントロールは、ロボット支援トレーニングにおけるユーザ参加を最大化することを目的としているが、物理的なメトリクスのみに依存する既存の手法では、筋力障害と精神障害を区別することができず、最適な介入につながる。
この曖昧性に対処するために,脳波に基づく心的エンゲージメントとsEMGに基づく身体的エンゲージメントを適応インピーダンス制御戦略に融合したフロー理論多モードAANフレームワークを提案する。
4クワッドラントのファジィ判定エンジンは、これらの2つの生理的指標を連続的な制御ポリシーに変換する。
これにより、上肢外骨格は、意図的実行ミスマッチ(例えば、精神的な焦点にもかかわらず、運動出力の減衰)中にフィードフォワード補助を注入し、精神的な気晴らしを鎮めるためのガイドの硬さを増大させることができる。
このフレームワークは、状態のsEMGのみのAANベースラインに対して、健康な参加者で検証された。
運動学的および機械的に、提案された枠組みは、正確な軌道追跡を維持しながら、ロボットのエネルギー支出を71.9 %削減し、より自発的な人間の努力を招いたことを確認した。
生理学的には、このシステムは神経可塑性ゾーン(フローステート比)に費やした時間を4.6%から42.8%に増やした。
これらの結果は、精神状態と身体状態の疎結合と協調制御が、ロボット支援の選択性を高め、ユーザの通過性を緩和し、運動学習に不可欠なエンゲージメントを維持することを検証する。
関連論文リスト
- MSK-Bench: Benchmarking Full-Body Musculoskeletal Motor Control Across Tasks, Control Paradigms, and Physiological Metrics [39.71088139993987]
我々は、22のフルボディモーター制御タスクを3つの段階に分けたベンチマークであるMSK-Benchを紹介した。
MSK-Benchは、報酬ベースRL、エージェント報酬チューニング、潜在アクションRL、模倣優先制御、模倣前よりも残留適応を含む5つの代表的な制御パラダイムを評価している。
論文 参考訳（メタデータ） (2026-09-22T17:52:19Z) - Reflex-Informed Neuromuscular Reinforcement Learning for Muscle-Driven Locomotion [14.483874273316728]
筋駆動運動のための反射インフォームド神経筋強化学習フレームワークを提案する。
実験により, 本フレームワークは生理的, もっともらしい移動を発生させることが示された。
論文 参考訳（メタデータ） (2026-09-10T15:47:26Z) - ProCA: Progressive Contrastive Alignment for Robust EEG Visual Decoding [47.35612571473169]
EEGビジュアルデコーディングは、非侵襲的な神経時系列信号から視覚的セマンティクスを回復することを目的としている。
既存の手法は固定された視覚的あるいはテキスト的アンカーに依存しており、その意味的関係は、試行錯誤、主題、学習段階によって異なる脳波表現と一致している可能性がある。
本稿では,適応型ニューラル・セマンティックアライメントのための統一的でモデルに依存しないフレームワークであるProgressive Contrastive Alignment(ProCA)を提案する。
論文 参考訳（メタデータ） (2026-09-04T12:48:25Z) - MyoChallenge 2025: A New Benchmark for Human Athletic Intelligence [57.70335388371609]
NeurIPS 2025のMyoChallengeは、スポーツにおけるモーターコントロールインテリジェンスに関する先駆的なベンチマークを確立した。
物理シミュレーションにおける高忠実度筋骨格モデルと機械学習駆動アルゴリズムの組み合わせ
チャレンジには70のチームが参加し、全世界で560以上の応募があった。
論文 参考訳（メタデータ） (2026-05-15T06:09:44Z) - Learn Weightlessness: Imitate Non-Self-Stabilizing Motions on Humanoid Robot [56.377161933570335]
人間は自然に非自己安定化(NSS)運動中に「無重力」状態を利用する。
この生物学的メカニズムに着想を得て,データセットのアノテーションに対する無重力自動ラベル方式を提案する。
我々の研究は、正確な軌道追跡と適応的な環境相互作用のギャップを埋め、接触リッチなヒューマノイド制御のための生物学的にインスパイアされたソリューションを提供する。
論文 参考訳（メタデータ） (2026-04-23T07:10:05Z) - A Physical Imitation Learning Pipeline for Energy-Efficient Quadruped Locomotion Assisted by Parallel Elastic Joint [1.5385430249576606]
本稿では、強化学習(RL)制御ポリシーを物理的に実装可能な身体応答に活用する物理模倣学習(PIL)を紹介する。
その結果,PEJへのコントロールポリシの一部をアウトソーシングすることで,全体のエネルギー消費を削減した。
論文 参考訳（メタデータ） (2026-04-01T08:13:54Z) - Characterizing the onset and offset of motor imagery during passive arm movements induced by an upper-body exoskeleton [2.940700063130023]
本研究の目的は、外骨格による受動腕の動きにおける運動画像の開始とオフセットを特徴付けることである。
10名の被験者が、ロボットに装着しながら、右腕の審美運動画像(MI)を実行するために募集され、同時にゴール指向の到達タスクの開始と終了を示すLEDが装着された。
提案手法は,外骨格装着によって誘発される騒音や受動腕の動きにかかわらず,被験者が高品質で信頼性の高い感覚運動リズムを生成できることを示した。
論文 参考訳（メタデータ） (2026-03-21T17:21:15Z) - Real-Time Decoding of Movement Onset and Offset for Brain-Controlled Rehabilitation Exoskeleton [2.6846496844461036]
上肢外骨格のオンライン二状態運動画像制御を実装し,ゴール指向の到達を可能にする。
グループ平均ヒット率は61.5%、オフセット64.5%であった。
そこで本研究では,クラスをサンプリングせずにドリフトを追跡する,クラスに依存しない固定型更新手法を提案する。
論文 参考訳（メタデータ） (2026-03-17T17:32:43Z) - Automated Fidelity Assessment for Strategy Training in Inpatient
Rehabilitation using Natural Language Processing [53.096237570992294]
戦略トレーニング (Strategy Training) とは、脳卒中後の認知障害患者に障害を減らすためのスキルを教える、リハビリテーションのアプローチである。
標準化された忠実度評価は治療原則の遵守度を測定するために用いられる。
本研究では,ルールベースNLPアルゴリズム,長短項メモリ(LSTM)モデル,および変換器(BERT)モデルからの双方向エンコーダ表現を開発した。
論文 参考訳（メタデータ） (2022-09-14T15:33:30Z) - Towards Understanding the Adversarial Vulnerability of Skeleton-based
Action Recognition [133.35968094967626]
骨格に基づく行動認識は、動的状況への強い適応性から注目を集めている。
ディープラーニング技術の助けを借りて、かなり進歩し、現在、良識のある環境で約90%の精度を達成している。
異なる対角的環境下での骨格に基づく行動認識の脆弱性に関する研究はいまだ研究されていない。
論文 参考訳（メタデータ） (2020-05-14T17:12:52Z)
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。