Towards an FMG based augmented musical instrument interface
Notice bibliographique
Résumé
Studies suggest that introducing musical activities in physical rehabilitation protocols has the potential to enhance the outcome for users who suffered from neurological disorders or direct physical injuries. One kind of activities is to allow users to exercise using musical instruments. However, due to their physical limitations, this option may not be feasible. In order to provide the users with such an option, we propose a novel gesture control interface which allows a user to play a virtual musical instrument based on an emerging technique called force myography (FMG). FMG detects muscle activity pattern based on multiple force sensors surrounding a limb. Using machine learning algorithms, the registered FMG pattern can be associated with different commands to control external devices. Based on this idea, we developed a virtual piano which can be controlled by a wrist strap with FMG and motion sensors. We evaluated the current system based on the offline classification performance of FMG to detect three gestures plus the default relaxed state. The three gestures were associated with producing a single note sound, a major chord sound, and a minor chord sound. A preliminary single evaluation trial showed these gestures can be predicted with 90% accuracy. Using these gestures, we conducted an online testing in which a user played a musical tune with 41 keynotes on the virtual piano. The user was able to complete the tune within 3 minutes with 3 false predictions. The result demonstrated the feasibility of using FMG to control a virtual musical instrument; however, more research and development are needed to improve the performance and usability of the system.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,005 | 0,002 |
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 ».