Comparison of Machine Learning Techniques for Activities of Daily Living Classification with Electromyographic Data
Notice bibliographique
Résumé
Advances in data science and wearable robotic devices present an opportunity to improve rehabilitation outcomes. Some of these devices incorporate electromyography (EMG) electrodes that sense physiological patient activity, making it possible to develop rehabilitation systems able to assess the patient's progress when performing activities of daily living (ADLs). However, additional research is needed to improve the ability to interpret EMG signals. To address this issue, an off-line classification approach for the 26 upper-limb ADLs included in the KIN-MUS UJI dataset is presented in this paper. The ADLs were performed by 22 subjects, while seven EMG signals were recorded from their forearms. From variable-length EMG time windows, 18 features were computed, and 13 features more were extracted from frequency domain windows. The classification performance of five different machine learning techniques, including Support Vector Machines (SVM), Convolutional Neural Networks (CNN), Gated Recurrent Unit (GRU) network, XGBoost, and Random Forests, were compared. CNN performed best amongst individual models, with an accuracy above 80%, compared to SVM with 77%, GRU with 73.9%, and the tree-based models below 64%. Ensemble learning with four CNN models achieved an even higher accuracy of 86%. These results suggest that the CNN ensemble model is capable of classifying EMG signals for most ADLs, which could be used in off-line quantitative assessment of robotic rehabilitation outcomes.
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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».