MétaCan
Menu
Retour à la cohorte
Enregistrement W2928312064 · doi:10.1109/jsen.2019.2908312

Portable Electromyography: A Case Study on Ballistic Finger Movement Recognition

2019· article· en· W2928312064 sur OpenAlexaff
Ala Shaabana, Joey K. Legere, Jun Li, Rong Zheng, Martin v. Mohrenschildt, Judith M. Shedden

Notice bibliographique

RevueIEEE Sensors Journal · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueMuscle activation and electromyography studies
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésElectromyographyMovement (music)Computer sciencePhysical medicine and rehabilitationArtificial intelligenceEngineeringSpeech recognitionAcousticsMedicinePhysics

Résumé

récupéré en direct d'OpenAlex

In the neuromuscular analysis, electromyography (EMG) is typically used to analyze aggregate action potential (AP) signals to detect medical abnormalities, activation levels, and recruitment order, or analyze biomechanics. In our previous work, we compared the performance of these off-the-shelf solutions to research-grade EMG machines and found that due to their rigid electrode placement, low sampling rate, and data transmission medium, they are ill-suited for research use, in which data collection must be robust and accurate. We present XTREMIS: a low-cost and portable EMG platform with a small form factor (55 mm × 35 mm) that has a sample rate comparable to research-grade EMG machines. Indeed, the experiments on eight subjects have shown that not only does XTREMIS functionally outperform technologies, but also its signal quality is high enough to achieve finger movement classification accuracy similar to research-grade EMG machines, making it a suitable platform for research.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,412
Score d'incertitude au seuil0,782

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,233
Écart entre enseignants0,214 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Sensors JournalMême sujetMuscle activation and electromyography studiesTravaux en français237 207