FMG Versus EMG: A Comparison of Usability for Real-Time Pattern Recognition Based Control
Notice bibliographique
Résumé
OBJECTIVE: Force myography (FMG), which measures the surface pressure profile exerted by contracting muscles, has been proposed as an alternative to electromyography (EMG) for human-machine interfaces. Although FMG pattern recognition-based control systems have yielded higher offline classification accuracy, comparatively few works have examined the usability of FMG for real-time control. In this work, we conduct a comprehensive comparison of EMG- and FMG-based schemes using both classification and regression controllers. METHODS: A total of 20 participants performed a two-degree-of-freedom Fitts' Law-style virtual target acquisition task using both FMG- and EMG-based classification and regression control schemes. Performance was evaluated based on the standard Fitts' law testing metrics throughput, path efficiency, average speed, number of timeouts, overshoot, stopping distance, and simultaneity. RESULTS: The FMG-based classification system significantly outperformed the EMG-based classification system in both throughput (0.902 ± 0.270) versus (0.751 ± 0.309), (ρ < 0.001) and path efficiency (87.2 ± 8.7) versus (83.2 ± 7.8), (ρ < 0.001). Similarly, FMG-based regression significantly outperformed EMG-based regression in throughput (0.871 ± 0.2) versus (0.69 ± 0.3), (ρ < 0.001) and path efficiency (64.8 ± 5.3) versus (58.8 ± 7.1), (ρ < 0.001). CONCLUSIONS: The FMG-based schemes outperformed the EMG-based schemes regardless of which controller was used. This provides further evidence for FMG as a viable alternative to EMG for human-machine interfaces. SIGNIFICANCE: This work describes a comprehensive evaluation of the online usability of FMG- and EMG-based control using both sequential classification and simultaneous regression control.
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 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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».