Efficient correction of armband rotation for myoelectric-based gesture control interface
Notice bibliographique
Résumé
OBJECTIVE: The appearance of commercial myoelectric armbands has greatly increased the portability and convenience of myoelectric controlled interfaces (MCIs). However, one limitation of the current state-of-the-art myoelectric control algorithms is that they have poor robustness against armband displacements, especially rotation, leading to great algorithmic performance degradation. The traditional remedy, retraining the interface, requires the data collection of all gestures and is impractical in many applications. The recently proposed position verification (PV) framework focused on quickly identifying and correcting the electrode positions after the displacement, showing the potential to restore the performance of MCI in a faster way. However, its online effectiveness is still yet to be validated. APPROACH: This work proposed a novel algorithm of identifying the rotation direction to improve the efficiency of the PV framework and demonstrated the real-time capability of the PV framework using a commercially available armband. MAIN RESULTS: The results showed that with PV, a 1.5-cm rotation could be corrected with an average of 3.1 ± 1.5 interactive adjustments, equivalent to around 15.5 ± 7.5 s, which was greatly reduced compared to retraining. There was no significant difference in the real-time control performance between before the armband displacement and after the PV correction. SIGNIFICANCE: To the best of our knowledge, this study was the first maintaining pattern recognition-based myoelectric control performance in the presence of electrode shifts without recollecting the entire training data. It suggested the feasibility of the PV framework used in the myoelectric armband and MCI for practical 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 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 ».