Finite element modeling of electromagnetic signal propagation in a phantom arm
Notice bibliographique
Résumé
Improving the control of artificial arms remains a considerable challenge. It may be possible to graft remaining peripheral nerves in an amputated limb to spare muscles in or near the residual limb and use these nerve-muscle grafts as additional myoelectric control signals. This would allow simultaneous control of multiple, degrees of freedom (DOF) and could greatly improve the control of artificial limbs. For this technique to be successful, the electromyography (EMG) signals from the nerve-muscle grafts would need to be independent of each other with minimal crosstalk. To study EMG signal propagation and quantify crosstalk, finite element (FE) models were developed in a phantom-arm model. The models were validated with experimental data collected by applying sinusoidal excitations to a phantom-arm model and recording the surface electric potential distribution. There was a very high correlation (r > 0.99) between the FEM data and the experimental data, with the error in signal magnitude generally less than 5%. Simulations were then performed using muscle dielectric properties with static, complex, and full electromagnetic solvers. The results indicate that significant displacement currents can develop (> 50% of total current) and that the fall-off of surface signal power varies with how the signal source is modeled. Index Terms-Control, electromyography (EMG), finite element (FE), modeling, prosthesis.
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 ».