Real-Time Performance Assessment of High-Order Tremor Estimators Used in a Wearable Tremor Suppression Device
Notice bibliographique
Résumé
The side effects and complications of traditional treatments for treating pathological tremor have led to a growing research interest in wearable tremor suppression devices (WTSDs) as an alternative approach. Similar to how the human brain coordinates the function of the human system, a tremor estimator determines how a WTSD functions. Although many tremor estimation algorithms have been developed and validated, whether they can be implemented on a cost-effective embedded system has not been studied; furthermore, their effectiveness on tremor signals with multiple harmonics has not been investigated. Therefore, in this study, four tremor estimators were implemented, evaluated, and compared: Weighted-frequency Fourier Linear Combiner (WFLC), WFLC-based Kalman Filter (WFLC-KF), Band-limited Multiple FLC, and enhanced High-order WFLC-KF (eHWFLC-KF). This study aimed to evaluate the performance of each algorithm on a bench-top tremor suppression system with 18 recorded tremor motion datasets; and compare the performance of each estimator. The experimental evaluation showed that the eHWFLC-KF-based WTSD achieved the best performance when suppressing tremor with an average of 89.3% reduction in tremor power, and an average error when tracking voluntary motion of 6.6°/s. Statistical analysis indicated that the eHWFLC-KF-based WTSD is able to reduce the power of tremor better than the WFLC and WFLC-KF, and the BMFLC-based WTSD is better than the WFLC. The performance when tracking voluntary motion is similar among all systems. This study has proven the feasibility of implementing various tremor estimators in a cost-effective embedded system, and provided a real-time performance assessment of four tremor estimators.
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 ».