The Use of Vibrotactile Feedback to Restore Texture Recognition Capabilities, and the Effect of Subject Training
Notice bibliographique
Résumé
This paper presents a vibrotactile haptic feedback system for use under dynamic conditions, verifies its functionality, and shows how results may be affected by the amount of training that subjects receive. We hope that by using vibrotactile feedback to distinguish between different textures, upper-limb amputees may be able to partially regain the sense of touch. During a previous experiment (Motamedi et al., 2015) we noticed a correlation between how familiar the subjects were with haptic systems, and how well they were able to use the haptic system to accurately identify textures. This observation lead us to conduct a second experiment, the results of which are the main focus of this paper. We began with a group of subjects who were completely unfamiliar with haptic systems, and tracked the improvements in their accuracy over a period of four weeks. Although the subjects showed a 16% improvement in their ability to recognize textures, going from a 64% success rate after the first week to 80% after the fourth, perfect accuracy was not attained. A subsequent experiment, however, shows that this result should not diminish our perception of the haptic system's effectiveness. When we asked the same subjects to identify the textures using only their fingertips, we found that even humans cannot distinguish between near-identical textures with complete accuracy. The subjects' overall success rate when using their own hands was 91%, demonstrating that the proposed haptic system is not far from achieving the same texture recognition capabilities as the human sense of touch.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».