Real-Time Embedded EMG Signal Analysis for Wrist-Hand Pose Identification
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
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.
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 | 0,001 |
| 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