Real-Time Classification of Forearm Electromyographic Signals Corresponding to User-Selected Intentional Movements for Multifunction Prosthesis Control
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
Pattern recognition-based multifunction prosthesis control strategies have largely been demonstrated with subsets of typical able-bodied hand movements. These movements are often unnatural to the amputee, necessitating significant user training and do not maximally exploit the potential of residual muscle activity. This paper presents a real-time electromyography (EMG) classifier of user-selected intentional movements rather than an imposed subset of standard movements. EMG signals were recorded from the forearm extensor and flexor muscles of seven able-bodied participants and one congenital amputee. Participants freely selected and labeled their own muscle contractions through a unique training protocol. Signals were parameterized by the natural logarithm of root mean square values, calculated within 0.2 s sliding and non overlapping windows. The feature space was segmented using fuzzy C-means clustering. With only 2 min of training data from each user, the classifier discriminated four different movements with an average accuracy of 92.7% +/- 3.2%. This accuracy could be further increased with additional training data and improved user proficiency that comes with practice. The proposed method may facilitate the development of dynamic upper extremity prosthesis control strategies using arbitrary, user-preferred muscle contractions.
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 | 0,001 | 0,001 |
| 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