Classification of Task Weight During Dynamic Motion Using EEG–EMG Fusion
Notice bibliographique
Résumé
Musculoskeletal disorders are the biggest cause of disability worldwide and wearable mechatronic rehabilitation devices have been proposed as a potential tool for providing treatment; however, before such devices can be widely adopted, improvements in reliability are necessary. Changes in system dynamics caused by user actions, such as picking up a weight, can greatly affect control stability; hence, detecting these changes can lead to improved system performance. It is difficult to integrate conventional sensing technologies for completing this task into a wearable device in an unobtrusive way, therefore an alternative solution using bioelectrical signals, such as electroencephalography (EEG) and electromyography (EMG), to detect task weight is proposed. In this study, EEG and EMG signals were collected during dynamic elbow flexion-extension motion at different speeds, while holding different weights. These biosignals were used to develop different EEG-EMG fusion models to classify the weight the user was holding while moving. It was found that using a Weighted Average fusion method, and incorporating speed information into the model, provided the best performance, with an accuracy of 83.01 ± 6.04% when classifying three task weights. This work demonstrated the feasibility of using EEG-EMG fusion for classification of task weight during dynamic motion, which can be used to improve the adaptability and robustness of wearable mechatronic rehabilitation devices.
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 ».