Enhanced Dynamic EMG-Force Estimation Through Calibration and PCI Modeling
Notice bibliographique
Résumé
To accurately estimate muscle forces using electromyogram (EMG) signals, precise EMG amplitude estimation, and a modeling scheme capable of coping with the nonlinearities and dynamics of the EMG-force relationship are needed. In this work, angle-based EMG amplitude calibration and parallel cascade identification (PCI) modeling are combined for EMG-based force estimation in dynamic contractions, including concentric and eccentric contractions of the biceps brachii and triceps brachii muscles. Angle-based calibration has been shown to improve surface EMG (SEMG) based force estimation during isometric contractions through minimization of the effects of joint angle related factors, and PCI modeling captures both the nonlinear and dynamic properties of the process. SEMG data recorded during constant force, constant velocity, and varying force, varying velocity flexion and extension trials are calibrated. The calibration values are obtained at specific elbow joint angles and interpolated to cover a continuous range of joint angles. The calibrated data are used in PCI models to estimate the force induced at the wrist. The experimental results show the effectiveness of the calibration scheme, combined with PCI modeling. For the constant force, constant velocity trials, minimum %RMSE of 8.3% is achieved for concentric contractions, 10.3% for eccentric contractions and 33.3% for fully dynamic contractions. Force estimation accuracy is superior in concentric contractions in comparison to eccentric contractions , which may be indicative of more nonlinearity in the eccentric SEMG-force relationship.
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 ».