EMG Signal Classification Using Deep Learning and Time Domain Descriptors-Based Feature Extraction for Hand Grip Movement Recognition
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Electromyogram (EMG) signals are very important in recognizing hand and finger movements and controlling prosthesis movements.In recent years, EMG signals have become popular in designing and controlling human-machine interactions and rehabilitation equipment such as robotic prostheses.This study aims to develop an innovative model based on EMG signal in the classification of basic hand grip movements that can improve prosthetic hand movements for individuals who have lost some limbs for various reasons.The proposed approach consists of Time Domain Descriptors (TDD), convolutional neural network (CNN), Long short-term memory (LSTM) techniques, Selection Minimum Redundancy Maximum Relationship (MRMR), and Support Vector Machine (SVM).First, it is applied to TDD, CNN, and LSTM models to extract features from EMG signals.It is then applied as input to MRMR to select the most effective features from the obtained features.Finally, SVM is applied to classify different hand grip movements.The effectiveness of the proposed model was evaluated with the EMG hand gestures dataset in the publicly available UCI repository.In experimental studies, a 95.63% accuracy rate was achieved in the first two of the five subjects and 100% accuracy in the remaining three subjects.As a result, it achieved an average specificity of 99.66% and an accuracy of 98.34% for five subjects.In addition, the experimental results of the proposed hybrid model show that when compared to the most advanced methods using the same dataset, the model achieves a higher classification rate and produces superior results compared to several previous studies.Therefore, this study reveals that it can be used as a low-cost control unit that can accurately classify hand grips from EMG signals with high accuracy.
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.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle