MARC

 008260126s2025        us                              c    eng  d
■001000017358152
■00520260202103651
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798314875902
■035    ▼a(MiAaPQ)AAI32092706
■035    ▼a(MiAaPQ)umichrackham006102
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a610
■1001  ▼aCubillos,  Luis  Hernan  Cubillos.
■24510▼aUnderstanding  Motor  Control  for  Assistive  Technologies:  From  Biomechanics  to  Brain-Machine  Interfaces
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a201  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-11,  Section:  B.
■500    ▼aAdvisor:  Chestek,  Cynthia;Krishnan,  Chandramouli.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aMillions  of  people  in  the  world  suffer  from  disorders  that  affect  their  motor  control,  including  conditions  like  spinal  cord  injuries,  strokes,  and  neurodegenerative  diseases.  These  impairments  can  drastically  reduce  their  mobility  and  independence,  creating  a  need  for  advanced  assistive  technologies.  This  dissertation  addresses  these  challenges  by  exploring  how  humans  move  and  learn  new  motor  skills,  and  how  these  insights  may  inform  better  assistive  technologies,  especially  through  brain-machine  interfaces.  We  first  focus  on  the  biomechanics  of  the  ankle  joint,  studying  the  reliability  of  its  stiffness,  viscosity,  and  inertia  while  standing  and  walking.  The  results  show  that  stiffness  and  viscosity  can  be  reliably  estimated  and  may  be  valuable  as  a  clinical  metric  as  well  as  a  goal  for  biomimetic  prosthetic  control.    Then,  we  show  the  development  of  a  new  open-source  web  application  for  motor  learning  experiment  design  and  show  its  validation  for  replicating  previous  studies,  as  well  as  for  investigating  how  motor  learning  is  transferred  between  limbs.  Our  results  show  that  even  short  periods  of  rest  can  greatly  improve  motor  skill  learning  as  well  as  the  existence  of  interlimb  transfer  learning.  Finally,  we  apply  these  insights  in  the  context  of  brain-machine  interfaces,  assistive  devices  that  have  helped  restore  motor  and  speech  control  by  decoding  signals  from  the  brain.  We  first  evaluate  whether  using  latent  dimensions,  called  brain  and  muscle  synergies,  can  help  in  decoding  brain  and  muscle  data  by  aiding  in  compression,  denoising,  and  generalizing  to  other  task  contexts.  We  found  improvements  in  data  compression,  but  not  in  denoising  or  generalization.  Second,  we  evaluate  the  trade-offs  of  using  an  interpretable  algorithmic  approach  that  combined  a  principled  approach  with  deep-learning  for  decoding  finger  movements  from  brain  data.  We  found  that  explainability  may  not  need  to  be  sacrificed  for  good  performance,  and  that  an  interpretable  algorithm  can  provide  insights  into  motor  control  as  well  as  future  avenues  for  model  improvement.    Overall,  by  integrating  these  distinct  but  related  areas,  this  dissertation  contributes  to  a  comprehensive  understanding  of  human  motor  control  and  how  to  improve  it.  Together,  these  contributions  provide  a  foundation  for  assistive  technologies  that  can  restore  mobility,  enhance  independence,  and  improve  quality  of  life  for  individuals  living  with  motor  impairments.
■590    ▼aSchool  code:  0127.
■650  4▼aBiomedical  engineering
■650  4▼aRobotics
■650  4▼aNeurosciences
■650  4▼aBiomechanics
■653    ▼aBrain-machine  interfaces
■653    ▼aMachine  learning
■653    ▼aMotor  learning
■690    ▼a0541
■690    ▼a0771
■690    ▼a0800
■690    ▼a0317
■690    ▼a0648
■71020▼aUniversity  of  Michigan▼bRobotics.
■7730  ▼tDissertations  Abstracts  International▼g86-11B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358152▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books