Convolutional Neural Network Approach for Elbow Torque Estimation during Quasi-dynamic and Dynamic Contractions
Notice bibliographique
Résumé
Accurate torque estimation during dynamic conditions is challenging, yet an important problem for many applications such as robotics, prosthesis control, and clinical diagnostics. Our objective is to accurately estimate the torque generated at the elbow during flexion and extension, under quasi-dynamic and dynamic conditions. High-density surface electromyogram (HD-EMG) signals, acquired from the long head and short head of biceps brachii, brachioradialis, and triceps brachii of five participants are used to estimate the torque generated at the elbow, using a convolutional neural network (CNN). We hypothesise that incorporating the mechanical information recorded by the biodex machine, i.e., position and velocity, can improve the model performance. To investigate the effects of the added data modalities on the model accuracy, models are constructed that combine EMG and position, as well as EMG with both position and velocity. R2values are improved by 2.35%, 37.50%, and 16.67%, when position and EMG are used as inputs to the CNN models, for isotonic, isokinetic, and dynamic cases, respectively compared to using only EMG. The model performances improves further by 2.29%, 12.12%, and 20.50% for isotonic, isokinetic, and dynamic conditions, when velocity is added with the EMG and position data.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».