Wearable EMG-Based Gesture Recognition Systems During Activities of Daily Living: An Exploratory Study
Notice bibliographique
Résumé
Recent advancements in wearable technologies have increased the potential for practical gesture recognition systems using electromyogram (EMG) signals. However, despite the high classification accuracies reported in many studies (> 90%), there is a gap between academic results and industrial success. This is in part because state-of-the-art EMG-based gesture recognition systems are commonly evaluated in highly-controlled laboratory environments, where users are assumed to be resting and performing one of a closed set of target gestures. In real world conditions, however, a variety of non-target gestures are performed during activities of daily living (ADLs), resulting in many false positive activations. In this study, the effect of ADLs on the performance of EMG-based gesture recognition using a wearable EMG device was investigated. EMG data for 14 hand and finger gestures, as well as continuous activity during uncontrolled ADLs (>10 hours in total) were collected and analyzed. Results showed that (1) the cluster separability of 14 different gestures during ADLs was 171 times worse than during rest; (2) the probability distributions of EMG features extracted from different ADLs were significantly different (p <; 0.05). (3) of the 14 target gestures, a right angle gesture (extension of the thumb and index finger) was least often inadvertently activated during ADLs. These results suggest that ADLs and other non-trained gestures must be taken into consideration when designing EMG-based gesture recognition systems.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».