Investigation of Regression Methods for Reduction of Errors Caused by Bending of FSR-Based Pressure Sensing Systems Used for Prosthetic Applications
Notice bibliographique
Résumé
The pressure map at the interface of a prosthetic socket and a residual limb contains information that can be used in various prosthetic applications including prosthetic control and prosthetic fitting. The interface pressure is often obtained using force sensitive resistors (FSRs). However, as reported by multiple studies, accuracies of the FSR-based pressure sensing systems decrease when sensors are bent to be positioned on a limb. This study proposes the use of regression-based methods for sensor calibration to address this problem. A sensor matrix was placed in a pressure chamber as the pressure was increased and decreased in a cyclic manner. Sensors' responses were assessed when the matrix was placed on a flat surface or on one of five curved surfaces with various curvatures. Three regression algorithms, namely linear regression (LR), general regression neural network (GRNN), and random forest (RF), were assessed. GRNN was selected due to its performance. Various error compensation methods using GRNN were investigated and compared to improve instability of sensors' responses. All methods showed improvements in results compared to the baseline. Developing a different model for each of the curvatures yielded the best results. This study proved the feasibility of using regression-based error compensation methods to improve the accuracy of mapping sensor readings to pressure values. This can improve the overall accuracy of FSR-based sensory systems used in prosthetic applications.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».