A characterization of the effect of limb position on EMG features to guide the development of effective prosthetic control schemes
Notice bibliographique
Résumé
Electromyogram (EMG) pattern recognition has long been used for the control of upper limb prostheses. More recently, it has been shown that variability induced during functional use, such as changes in limb position and dynamic contractions, can have a substantial impact on the robustness of EMG pattern recognition. This work further investigates the reasons for pattern recognition performance degradation due to the limb position variation. The main focus is on the impact of limb position variation on features of the EMG, as measured using separability and repeatability metrics. The results show that when the limb is moved to a position different from the one in which the classifier is trained, both the separability and repeatability of the data decrease. It is shown how two previously proposed classification methods, multiple position training and dual-stage classification, resolve the position effect problem to some extent through increasing either separability or repeatability but not both. A hybrid classification method which exhibits a compromise between separability and repeatability is proposed in this work. It is shown that, when tested with the limb in 16 different positions, this method increases classification accuracy from an average of 70% (single position training) to 89% (hybrid approach). This hybrid method significantly (p<;0.05) outperforms multiple position training (an average of 86%) and dual-stage classification (an average of 85%).
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 ».