Myoelectric Prosthesis Using Sensor Fusion Between Electromyography and Pulse Oximetry Signals
Notice bibliographique
Résumé
Approximately 215,156 people in Ecuador grapple with physical disabilities, of whom nearly half fall within the 30 to 49% disability range, and a considerable number lack limbs.Moreover, there's been a surge in amputation cases, a trend linked to the increasing diabetes prevalence estimated at around 537 million cases by 2021 as per the International Diabetes Federation (IDF).While prosthetic solutions exist, they might incur high costs or offer constrained movement, even when more affordable.Thus, an alternative is proposed: a myoelectric upper limb prosthesis.This prosthesis would be maneuvered through electromyography and pulse oximetry signals, leveraging artificial intelligence methods.Employing a multi-layer neural network model, a structure comprising an input layer, four hidden layers, and an output layer, yields an impressive 93% prediction accuracy for user movement intentions.For AI model training, data from EMG and PPG sensors were recorded and scrutinized, leading to the condensation of classes from four to three.The model was embedded within an ESP32 C3 DevKit-M1 development board, and opensource blueprints facilitated the prosthesis's creation, complemented by supplementary components for electronics integration.The model attains a 93% precision in predicting classes, while the prosthesis's endurance spans approximately three hours and costs $295, equipped to handle diverse lightweight objects.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».