Effects of Electrode Position Targeting in Noninvasive Electromyography Technologies for Finger and Hand Movement Prediction
Notice bibliographique
Résumé
Abstract Purpose Stroke patients may need to undergo rehabilitation therapy to improve their mobility. Electromyography (EMG) can be used to improve the effectiveness of at-home therapy programs, as it can assess recovery progress in the absence of a health professional. In particular, EMG armbands have the advantage of being easy to use compared to other EMG technologies, which could allow patients to complete therapy programs without external assistance. However, it is unclear whether there are drawbacks associated with the fixed electrode placement imposed by current armband designs. This study compared the hand gesture prediction capabilities of an off-the-shelf EMG armband with fixed electrode placement and an EMG setup with flexible electrode positioning. Methods Ten able-bodied participants performed a series of hand and finger gestures with their dominant hand, once with an EMG armband (Untargeted condition) and once with electrodes deliberately placed on specific muscles (Targeted condition). EMG features were extracted from overlapping sliding windows and were used to (1) classify the gestures and (2) predict finger joint positions as measured by a robotic hand exoskeleton. Results For the classification task, a logistic regression model performed significantly better ( $$p < 0.001$$ p < 0.001 ) for the Targeted condition ( $$55.8\% \pm 10.1\%$$ 55.8 % ± 10.1 % ) compared to the Untargeted condition ( $$47.9\% \pm 11.6\%$$ 47.9 % ± 11.6 % ). For the regression task, a k-nearest neighbours model obtained significantly lower ( $$p = 0.007$$ p = 0.007 ) mean RMSE values for the Targeted condition ( $$0.260 \pm 0.037$$ 0.260 ± 0.037 ) compared to the Untargeted condition ( $$0.270 \pm 0.043$$ 0.270 ± 0.043 ). Conclusion We observed a trade-off between predictive accuracy and ease-of-use of the EMG devices used in this study. It is important to consider such a trade-off when developing clinical applications such as at-home stroke rehabilitation therapy programs.
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 | 0,002 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».