MARC

 008250123s2024        us                              c    eng  d
■001000017164170
■00520250211152839
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384425984
■035    ▼a(MiAaPQ)AAI31562197
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aAi,  Xupeng.
■24510▼aRobot-Assisted  Posture  Training  Using  Boundary-Based  Assist-as-Needed  Force  Fields
■260    ▼a[Sl]▼bColumbia  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a125  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Agrawal,  Sunil.
■5021  ▼aThesis  (Ph.D.)--Columbia  University,  2024.
■520    ▼aDynamic  postural  control  requires  regulating  body  alignment  to  achieve  postural  stability  and  orientation  during  functional  movements.  This  ability  may  be  impaired  in  people  with  neuromotor  disorders,  challenging  them  in  performing  daily  activities.  Conventional  training  strategies,  such  as  muscle  strengthening,  joint  locking,  and  proprioceptive  training,  are  known  to  improve  posture  control.  However,  providing  sufficiently  rich  intervention  and  maintaining  high  training  intensity  can  be  labor-intensive  and  expensive.  Therefore,  novel  technologies  are  being  explored  to  overcome  the  challenges.Robot-assisted  training  is  an  emerging  technology  in  posture  rehabilitation.  To  maximize  motor  improvement,  the  assist-as-needed  strategy  is  widely  used  in  robotic  platforms  to  provide  adaptive  assistance  based  on  patients'  functional  ability.  A  prevailing  paradigm  employing  the  assist-as-needed  strategy  is  the  boundary-based  assist-as-needed  (BAAN)  controller,  which  provides  assistive  forces  when  the  center  of  mass  moves  beyond  the  stability  boundary.  This  dissertation  investigates  the  mechanisms  underlying  the  efficacy  of  BAAN  force  fields  and  explores  novel  approaches  to  enhance  the  therapeutic  effectiveness  of  BAAN  robotic  posture  training  protocols. In  Chapter  1,  we  outline  the  research  background  and  introduce  the  main  content  of  the  following  chapters  in  this  dissertation.  We  also  describe  two  cable-driven  robotic  platforms  with  BAAN  controllers:  the  Robotic  Upright  Stand  Trainer  (RobUST)  for  standing  posture  training  and  the  Trunk  Support  Trainer  (TruST)  for  sitting  posture  training.  In  Chapter  2,  we  present  a  study  using  the  RobUST  platform  to  investigate  how  the  BAAN  force  field  impacts  muscle  synergy  in  the  lower  limbs  during  standing  posture  training.  This  pilot  study  provides  insights  into  understanding  the  neuromuscular  basis  of  the  BAAN  robotic  rehabilitation  strategy  and  helps  explain  its  effectiveness.  In  Chapter  3,  we  present  a  deep  learning-based  dynamic  boundary  design  for  the  BAAN  controller.  We  conducted  a  controlled  experiment  with  20  healthy  subjects  using  the  TruST  platform  to  test  the  dynamic  boundary's  effectiveness.  This  study  highlights  the  clinical  potential  of  the  dynamic  boundary  design  in  BAAN  robotic  training.Extended  reality  (XR)  technology,  including  Virtual  reality  (VR)  and  augmented  reality  (AR),  is  gaining  popularity  in  posture  rehabilitation.  XR  has  the  potential  to  be  combined  with  BAAN  robotic  training  protocols  to  maximize  postural  control  improvement.  In  Chapter  4,  we  conducted  a  randomized  control  experiment  with  sixty-three  healthy  subjects  to  compare  the  effectiveness  of  TruST  intervention  combined  with  VR  or  AR  against  TruST  training  alone.  This  study  provides  novel  insights  into  the  added  value  of  XR  to  BAAN  robot-assisted  training  and  the  differences  between  AR  and  VR  when  integrated  into  robotic  training  protocols.Motor  skills  acquired  through  BAAN  robot-assisted  training  necessitate  consistent  follow-up  practice  for  long-term  maintenance.  However,  due  to  portability  limitations,  BAAN  robot-assisted  training  faces  challenges  in  providing  follow-up  training  after  high-intensity  in-lab  robotic  interventions.  In  Chapter  5,  we  present  a  remote  XR  rehabilitation  system  with  markerless  motion  tracking  for  sitting  posture  training.  This  remote  XR  framework  holds  promise  as  an  adjunctive  training  approach  to  complement  existing  BAAN  robot-assisted  training  methods,  maximizing  motor  improvements.
■590    ▼aSchool  code:  0054.
■650  4▼aRobotics
■650  4▼aComputer  engineering
■650  4▼aInformation  technology
■653    ▼aExtended  reality
■653    ▼aMuscle  synergy
■653    ▼aRehabilitation  robotics
■653    ▼aRobot-assisted  posture  training
■653    ▼aMotor  improvements
■690    ▼a0771
■690    ▼a0489
■690    ▼a0464
■690    ▼a0800
■71020▼aColumbia  University▼bMechanical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0054
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164170▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books