Autori:  (1) Mohammad Shushtari, Dipartimento di Ingegneria meccanica e meccatronica, Università di Waterloo (smshushtari@uwaterloo.ca);  (2) Julia Foellmer, Dipartimento di Meccanica e Ingegneria Oceanica, Università Tecnologica di Amburgo (julia.foellmer@tuhh.de);  (3) Sanjay Krishna Gouda, Dipartimento di Ingegneria meccanica e meccatronica, Università di Waterloo e Toronto Rehabilitation Institute (KITE), University Health Network (arash.arami@uwaterloo.ca).  Tabella dei link   Abstract e 1 Introduzione  2 Risultati   2.1 Dati elaborati iniziali per un partecipante rappresentativo   2.2 Analisi delle prestazioni complessive   2.3 Analisi del ritratto di interazione   2.4 Strategia di adattamento individuale  3 Discussion   3.1 Adattamento umano   3.2 Importanza dell'analisi IP   4 Conclusion  5 Metodi   5.1 Strategie di controllo feedforward   5.2 Configurazione sperimentale   5.3 Protocollo sperimentale   5.4 Analisi dei dati   Dichiarazioni   Appendice A Dati di esempio complementari   Appendice B Confronto con la camminata naturale   Riferimenti  2.1 Dati elaborati iniziali per un partecipante rappresentativo   2.2 Analisi delle prestazioni complessive  La Fig. 3A mostra la somma dell'assorbimento di ossigeno per i partecipanti per ciascuno dei blocchi TBC, HTC e AMTC durante la camminata a velocità ultra-lenta, lenta e moderata. TBC e AMTC hanno rispettivamente il tasso metabolico più alto e più basso a tutte le velocità di camminata. Il tasso metabolico risultante da AMTC è significativamente inferiore rispetto ad altri controllori, a camminata ultra-lenta e lenta, dove AMTC ha determinato una diminuzione del 22,9%±17,1 (Friedman: p <0,03, rango con segno di Wilcoxon: pT BC,AMT C <0,01) e del 28,7%±12,7 (Friedman: p <0,005, rango con segno di Wilcoxon: pT BC,AMT C <0,003) nell'assorbimento totale di ossigeno, rispettivamente. La coppia di interazione assoluta media totale è illustrata in modo simile per i partecipanti nella Fig. 3B. AMTC ha la coppia di interazione più bassa rispetto a TBC e HTC, indicando il minimo disaccordo tra l'assistenza dell'esoscheletro e il movimento desiderato dall'utente. Rispetto a TBC, AMTC mostra il 17,1±12,5%, 12±15% e 9,2±7,7% di riduzione nell'interazione totale uomo-esoscheletro rispettivamente nella camminata ultra-lenta, lenta e moderata. La differenza è statisticamente significativa nella camminata ultra-lenta (Friedman: p <0,04, Wilcoxon signed rank: pT BC,AMT C <0,01). Rispetto a HTC, AMTC mostra il 19,8±21,1%, 17,9±10,1% e 18,1±9,9% di riduzione nell'interazione totale uomo-esoscheletro. Queste differenze sono statisticamente significative nel caso di camminata lenta (Fridman: p <0,03, Wilcoxon signed rank: pHT C,AMT C <0,004) e moderata (Fridman: p <0,0008, Wilcoxon signed rank: pHT C,AMT C <0,004). La Fig. 3C mostra lo sforzo muscolare totale per le gambe destre dei partecipanti durante la camminata ultra lenta, lenta e moderata nei tre diversi controllori. La camminata naturale senza l'esoscheletro ha lo sforzo muscolare totale più basso rispetto ad altri casi in cui è coinvolto l'esoscheletro. Ciò è prevedibile poiché indossare l'esoscheletro aggiunge circa 17 kg di peso extra al corpo, con conseguente sforzo muscolare maggiore. Tra i tre controllori, TBC ha lo sforzo muscolare totale più alto a tutte le velocità. Lo sforzo muscolare totale di AMTC e HTC è simile in tutti i casi mentre AMTC è leggermente inferiore e superiore rispettivamente a velocità ultra lenta e moderata. Nessuna delle differenze identificate è statisticamente significativa.  2.3 Analisi del ritratto di interazione   2.4 Strategia di adattamento individuale   Questo articolo è   con licenza CC BY-NC-ND 4.0 DEED. disponibile su arxiv

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

EXOSELF.tech

Exoself fuses technology and soul, amplifying abilities, and redefining limits, where the self evolves beyond boundaries

exoself's blog

Questo audio è prodotto nella lingua originale della storia!

Quale tecnologia di esoscheletro è più adatta ai tuoi muscoli?

About Author

COMMENTI

CARTELLINI

QUESTO ARTICOLO È STATO PRESENTATO IN

Related Stories

Meet Dealscard, Winner of Startups of The Year 2024 in Ghaziabad/Deal Aggregator

Link-To-Earn Incentive Model: A Blueprint For Mass Adoption?

HackerNoon - A User Experience Analysis: Part 2

OpenAI Has Everything Under Control 😎

Meet Dealscard, Winner of Startups of The Year 2024 in Ghaziabad/Deal Aggregator

Link-To-Earn Incentive Model: A Blueprint For Mass Adoption?

HackerNoon - A User Experience Analysis: Part 2

OpenAI Has Everything Under Control 😎

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps