Real-Time Embedded EMG Signal Analysis for Wrist-Hand Pose Identification
Notice bibliographique
Résumé
Electromyographic (EMG) signals sensed at the skin surface on the forearm can be used to accurately infer wrist-hand poses. However this is only possible when the EMG sensors are carefully placed over specific arm muscles. This cannot be guaranteed for wearable devices, which could acquire EMG from anywhere on the forearm. As a result, these devices detect fewer poses, less accurately. In addition, the complexity of the time-frequency analysis used in placed-sensor systems precludes real-time detection using the simple embedded processors on EMG wearables. This paper describes an approach which resolves both these shortcomings. It shows that, when random sensor placement is adopted, wrist-hand movement detection with performance equal the state-of-the-art can be achieved, with only 10% of the computational complexity. This latter property allows the first real-time wrist-hand movement detector using only simple embedded processors; specifically when using on ARM Cortex-A53 processor, execution time is lowered by 90% against the state-of-the-art, with no reduction in detection performance. It is shown how this can be further reduced by 30% by using fewer EMG channels or features, whilst maintaining good detection performance. To the best of the authors' knowledge, this is the first record of real-time high-performance wrist-hand movement detection for standalone, battery-powered EMG wearables.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».