MMG-based multisensor data fusion for prosthesis control
Notice bibliographique
Résumé
Advantages in the functionality and comfort of soft silicon sockets or roll-on sleeves over polyester laminate hard sockets for upper-limb prosthesis have been consistently reported. However, attachment and wire breakage issues prevent the use of electromyography (EMG) sensors with soft sockets in electrically powered prosthesis for below-elbow amputees. Mechanomyography (MMG) is the measurement of the mechanical vibrations elicited by contracting muscles. The use of MMG sensors embedded within the soft silicon socket solves current attachment issues with EMG sensors and facilitates distal recording preventing wire breakage. In order to implement a practical MMG-based detection system of muscle contractions for prosthesis control, three silicon-embedded microphone-accelerometer sensor pairs were used to record MMG signals and movement artifact around the distal end of the residual limb of a below-elbow amputee. A multisensor data fusion strategy for the generation of binary control signals based on the root-mean-square (RMS) values of the segmented signals acquired with each transducer was trained and used as a detector. A ninety five (95%) and eighty six percent (86%) accuracy were achieved in the detection of contraction signals from the wrist extensors and flexors respectively. The error in the discrimination of movement artifact was thirteen percent (13%).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».