Deep Multi-Scale Fusion of Convolutional Neural Networks for EMG-Based Movement Estimation
Notice bibliographique
Résumé
EMG-based motion estimation is required for applications such as myoelectric control, where the simultaneous estimation of kinematic information, namely joint angle and velocity, is challenging and critical. We propose a novel method for accurately modelling the generated joint angle and velocity simultaneously under isotonic, isokinetic (quasi-dynamic), and fully dynamic conditions. Our solution uses two streams of CNN, called TS-CNN to learn informative features from raw EMG data using different scales and estimate the generated motion during elbow flexion and extension. The experimental results show the robustness of our approach in comparison to conventional CNN as well as some methods used in the literature. The best obtained <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">${R}^{2}$ </tex-math></inline-formula> values, are 0.81±0.06, 0.71±0.06, and 0.80±0.13 for joint angle estimation and 0.78±0.05, 0.79±0.07, and 0.71±0.13 for the velocity estimation, during isotonic, isokinetic, and dynamic contractions, respectively. Additionally, our results indicate that the experimental condition can have an impact on the model’s performance for motion prediction. EMG-based velocity estimation obtains higher performance than joint angle estimation under isokinetic conditions. Under dynamic conditions, joint angle estimation is more accurate than velocity estimation, and there is no difference between joint angle and velocity estimation in the isotonic case.
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 ».