Predicting wrist kinematics from motor unit discharge timings for the control of active prostheses
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
BACKGROUND: Current myoelectric control algorithms for active prostheses map time- and frequency-domain features of the interference EMG signal into prosthesis commands. With this approach, only a fraction of the available information content of the EMG is used and the resulting control fails to satisfy the majority of users. In this study, we predict joint angles of the three degrees of freedom of the wrist from motor unit discharge timings identified by decomposition of high-density surface EMG. METHODS: We recorded wrist kinematics and high-density surface EMG signals from six able-bodied individuals and one patient with limb deficiency while they performed movements of three degrees of freedom of the wrist at three different speeds. We compared the performance of linear regression to predict the observed individual wrist joint angles from, either traditional time domain features of the interference EMG or from motor unit discharge timings (which we termed neural features) obtained by EMG decomposition. In addition, we propose and test a simple model-based dimensionality reduction, based on the physiological notion that the discharge timings of motor units are partly correlated. RESULTS: for neural features 0.77 and 0.64, for able-bodied subjects and patients, respectively; for time-domain features 0.70 and 0.52). CONCLUSIONS: These results indicate that the use of neural information extracted from EMG decomposition can advance man-machine interfacing for prosthesis 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.
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 découle