Decoding a New Neural–Machine Interface for Control of Artificial Limbs
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
An analysis of the motor control information content made available with a neural-machine interface (NMI) in four subjects is presented in this study. We have developed a novel NMI-called targeted muscle reinnervation (TMR)-to improve the function of artificial arms for amputees. TMR involves transferring the residual amputated nerves to nonfunctional muscles in amputees. The reinnervated muscles act as biological amplifiers of motor commands in the amputated nerves and the surface electromyogram (EMG) can be used to enhance control of a robotic arm. Although initial clinical success with TMR has been promising, the number of degrees of freedom of the robotic arm that can be controlled has been limited by the number of reinnervated muscle sites. In this study we assess how much control information can be extracted from reinnervated muscles using high-density surface EMG electrode arrays to record surface EMG signals over the reinnervated muscles. We then applied pattern classification techniques to the surface EMG signals. High accuracy was achieved in the classification of 16 intended arm, hand, and finger/thumb movements. Preliminary analyses of the required number of EMG channels and computational demands demonstrate clinical feasibility of these methods. This study indicates that TMR combined with pattern-recognition techniques has the potential to further improve the function of prosthetic limbs. In addition, the results demonstrate that the central motor control system is capable of eliciting complex efferent commands for a missing limb, in the absence of peripheral feedback and without retraining of the pathways involved.
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.
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 découle