On the use of peripheral autonomic signals for binary control of body–machine interfaces
Notice bibliographique
Résumé
In this work, the potential of using peripheral autonomic (PA) responses as control signals for body-machine interfaces that require no physical movement was investigated. Electrodermal activity, skin temperature, heart rate and respiration rate were collected from six participants and hidden Markov models (HMMs) were used to automatically detect when a subject was performing music imagery as opposed to being at rest. Experiments were performed under controlled silent conditions as well as in the presence of continuous and startle (e.g. door slamming) ambient noise. By developing subject-specific HMMs, music imagery was detected under silent conditions with the average sensitivity and specificity of 94.2% and 93.3%, respectively. In the presence of startle noise stimuli, the system sensitivity and specificity levels of 78.8% and 80.2% were attained, respectively. In environments corrupted by continuous ambient and startle noise, the system specificity further decreased to 75.9%. To improve the system robustness against environmental noise, a startle noise detection and compensation strategy were proposed. Once in place, performance levels were shown to be comparable to those observed in silence. The obtained results suggest that PA signals, combined with HMMs, can be useful tools for the development of body-machine interfaces that allow individuals with severe motor impairments to communicate and/or to interact with their environment.
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 | 0,001 |
| 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 ».