Evaluation of Finger Flexion Classification at Reduced Lateral Spatial Resolutions of Ultrasound
Notice bibliographique
Résumé
The objective of this paper is to investigate the effect that lateral spatial resolution of ultrasound has on finger flexion classification. The objective's purpose leads toward the development of a wearable human machine interface (HMI) using single-element ultrasonic sensors with non-focused ultrasound. Ultrasound radiofrequency (RF) signals were acquired using a linear array ultrasound probe in B-mode while performing the individual finger flexions from five healthy volunteers. Each B-mode frame is composed of 127 parallel ultrasound RF signals along the lateral direction within a 40-mm width. To reduce the lateral resolution of ultrasound data artificially, the RF signals were averaged into a reduced number of lateral columns. Across ten independent arm experiments the classification accuracy at 127 channels (full resolution) resulted in the first and third quartile to be 80-92%. Averaging into four RF signals (simulating 10-mm wide ultrasound beams from each channel) could achieve a median classification accuracy of 87% using the proposed feature extraction method with the discrete wavelet transform. Our results show low resolutions could achieve high accuracies to that of full resolution. We also conducted a preliminary study using a multichannel single-element ultrasound system with lightweight, flexible, and wearable ultrasonic sensors (WUSs) using non-focused ultrasound. Each WUS had an ultrasound sensing area of 20mm by 20mm. Three WUSs were attached on one subject's forearm and ultrasound RF signals were acquired during individual finger flexions. A mean classification accuracy of 98% was obtained with F1 scores ranging between 95 - 98% (across five finger flexions).
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 ».