A Comparison of Amputee and Able-Bodied Inter-Subject Variability in Myoelectric Control
Notice bibliographique
Résumé
Despite decades of research and development of pattern recognition approaches, the clinical usability of myoelectriccontrolled prostheses is still limited. One of the main issues is the high inter-subject variability that necessitates long and frequent user-specific training. Cross-user models present an opportunity to improve clinical viability of myoelectric control systems by leveraging existing data to shorten training. However, due to the difficulty of obtaining large sets of data from amputee populations, data from intact-limbed subjects are often supplemented when building cross-user models; which may not translate well to clinical usability. In this preliminary study, the differences between intact-limbed and amputee cross-user electromyography (EMG) patterns were examined. Previously collected EMG data from 20 intact limbed and 10 amputee subjects for different wrist, finger, and grasping gestures were analysed. Results using unsupervised clustering showed that amputees were consistently grouped into a different cluster than intact-limbed subjects and that additional clustering into more subgroups found larger differences between amputees than able-bodied subjects. Furthermore, a simple linear classifier was able to discriminate between able-bodied and amputee subjects using EMG from multiple gestures with 90% accuracy. These results suggest that using able-bodied subject data alone may be insufficient to capture the necessary inter-subject variance when designing cross-user myoelectric control systems 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.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 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) | 0,001 | 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 ».