Force Myography for Monitoring Grasping in Individuals with Stroke with Mild to Moderate Upper-Extremity Impairments: A Preliminary Investigation in a Controlled Environment
Notice bibliographique
Résumé
There is increasing research interest in technologies that can detect grasping, to encourage functional use of the hand as part of daily living, and thus promote upper-extremity motor recovery in individuals with stroke. Force myography (FMG) has been shown to be effective for providing biofeedback to improve fine motor function in structured rehabilitation settings, involving isolated repetitions of a single grasp type, elicited at a predictable time, without upper-extremity movements. The use of FMG, with machine learning techniques, to detect and distinguish between grasping and no grasping, continues to be an active area of research, in healthy individuals. The feasibility of classifying FMG for grasp detection in populations with upper-extremity impairments, in the presence of upper-extremity movements, as would be expected in daily living, has yet to be established. We explore the feasibility of FMG for this application by establishing and comparing (1) FMG-based grasp detection accuracy and (2) the amount of training data necessary for accurate grasp classification, in individuals with stroke and healthy individuals. FMG data were collected using a flexible forearm band, embedded with six force-sensitive resistors (FSRs). Eight participants with stroke, with mild to moderate upper-extremity impairments, and eight healthy participants performed 20 repetitions of three tasks that involved reaching, grasping, and moving an object in different planes of movement. A validation sensor was placed on the object to label data as corresponding to a grasp or no grasp. Grasp detection performance was evaluated using linear and non-linear classifiers. The effect of training set size on classification accuracy was also determined. FMG-based grasp detection demonstrated high accuracy of 92.2% (σ = 3.5%) for participants with stroke and 96.0% (σ = 1.6%) for healthy volunteers using a support vector machine (SVM). The use of a training set that was 50% the size of the testing set resulted in 91.7% (σ = 3.9%) accuracy for participants with stroke and 95.6% (σ = 1.6%) for healthy participants. These promising results indicate that FMG may be feasible for monitoring grasping, in the presence of upper-extremity movements, in individuals with stroke with mild to moderate upper-extremity impairments.
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 | 0,002 |
| 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 | 0,001 |
| 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) | 0,001 | 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 ».