Multiday Evaluation of Techniques for EMG-Based Classification of Hand Motions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Currently, most of the adopted myoelectric schemes for upper limb prostheses do not provide users with intuitive control. Higher accuracies have been reported using different classification algorithms but investigation on the reliability over time for these methods is very limited. In this study, we compared for the first time the longitudinal performance of selected state-of-the-art techniques for electromyography (EMG) based classification of hand motions. Experiments were conducted on ten able-bodied and six transradial amputees for seven continuous days. Linear discriminant analysis (LDA), artificial neural network (ANN), support vector machine (SVM), K-nearest neighbor (KNN), and decision trees (TREE) were compared. Comparative analysis showed that the ANN attained highest classification accuracy followed by LDA. Three-way repeated ANOVA test showed a significant difference (P < 0.001) between EMG types (surface, intramuscular, and combined), days (1-7), classifiers, and their interactions. Performance on the last day was significantly better (P < 0.05) than the first day for all classifiers and EMG types. Within-day, classification error (WCE) across all subject and days in ANN was: surface (9.12 ± 7.38%), intramuscular (11.86 ± 7.84%), and combined (6.11 ± 7.46%). The between-day analysis in a leave-one-day-out fashion showed that the ANN was the optimal classifier (surface (21.88 ± 4.14%), intramuscular (29.33 ± 2.58%), and combined (14.37 ± 3.10%). Results indicate that within day performances of classifiers may be similar but over time, it may lead to a substantially different outcome. Furthermore, training ANN on multiple days might allow capturing time-dependent variability in the EMG signals and thus minimizing the necessity for daily system recalibration.
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.
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 | 0,001 | 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 découle