Control an exoskeleton for forearm rotation using FMG
Notice bibliographique
Résumé
In the field of robotic rehabilitation, surface electromyography (sEMG) has been proposed for controlling exoskeleton device for assisting different movements of the human joints, such as the shoulder, the elbow, the wrist and the fingers. However, few works have been proposed for using sEMG to control a forearm exoskeleton for assisting the movement of pronation and supination. The main difficulty for employing the sEMG control approach is the low signal to noise ratio of the pronator and supinator muscle group. To overcome this difficulty, we propose an alternative method utilizing force myography (FMG) instead of the sEMG for controlling a forearm pronation/supination exoskeleton. An easy setup strap with an array of force sensors was developed to capture the forearm FMG signal. The FMG signal was processed and classified using the state-of-art machine learning algorithm - Extreme Learning Machine (ELM) to predict the forearm position. The prediction results can be used to control a forearm pronation/supination exoskeleton. A bilateral experiment with two protocols was designed to demonstrate one of the potential applications of the proposed system, as well as to evaluate the system performance in terms of classification accuracy. One volunteer participated in the experiment. The result shows the system was able to predict the position of the forearm using the proposed method with 98.36% and 96.19% of accuracy.
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 ».