Pilot study on fine finger movement regression, using FMG
Notice bibliographique
Résumé
Predicting hand gestures and finger movements include a wide range of applications in different fields such as human computer interaction, rehabilitation, and prosthesis control. Research in this area, mainly focuses on hand gesture classification which limits the ability of the system to a set of predefined gestures and also limits the ability to control fine finger movements. Force Myography (FMG) is a novel method in which the volumetric change of the muscles associated with a functional motor movement is measured. In this study, the feasibility of using the FMG signals for predicting fine finger movements, and the effect of the hand movement on the prediction was investigated. To obtain the FMG signals, an array of 16 Force Sensing Resistors (FSR) was utilized. To record the trajectory of finger movements, eight calibrated infrared cameras were used. Ten reflective markers, were placed on the index and middle fingers, the thumb and the back of the hand. The FMG signals and the location of the markers were collected while the participant placed their hand in three different predefined locations parallel to the sagittal plane passing through humerus and performed three different hand gestures. FMG signals were collected, and the marker trajectories were fed into a Random Forest Regression algorithm. The results showed an average squared correlation coefficient higher than 75%, on different hand gestures and locations, which proves the feasibility of using FMG signals to predict fine finger movements, in three predefined locations, for three different hand gesture.
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 | 0,002 | 0,003 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».