Classification of Muscle Inertial Motion and Electromyographic Activity Integration to Improve Accuracy in Pattern Recognition
Notice bibliographique
Résumé
ABSTRACT Introduction Over the years, several studies have been published reporting the use of distinct sources of information used for pattern recognition that can be translated into commands to control human-machine interface system, for example, electromyography (EMG), pressure sensors, and accelerometers. Studies using muscle motion patterns and its combination with EMG in the context of pattern recognition for evaluation of the muscles and human-machine interface system in able-bodied individuals and limb-absent subjects are scarce. Material and Methods In this context, this research presents the assessment of the classification of patterns formed by features extracted from both muscle motion and electromyographic signals. Data sets were collected from both arms of five unilateral transradial limb-absent subjects and seven able-bodied subjects in the control group. The features from the EMG and the muscle motion such as amplitude, frequency, predictability, and variability of the signals were estimated. Results The results were presented in terms of the sensitivity, specificity, precision, and accuracy of the classifier. The combination of both measurements, EMG and muscle motion, defined the six basic movements for limb-absent subjects within an accuracy of 98% ± 1% for the sound forearm against 96% ± 4% for the amputated forearm. Conclusions For future work, it is expected that the strategy of classification and the combination of inertial and electromyographic activity will be used in actual scenarios for the controlling of artificial limbs and other applications related to human-machine interaction. Clinical Relevance The use of inertial sensors may increase the usability and accuracy of systems used for diagnosing, training, therapy, or controlling devices such as orthoses and prostheses.
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 ».