A Case Series in Position-Aware Myoelectric Prosthesis Control Using Recurrent Convolutional Neural Network Classification with Transfer Learning
Notice bibliographique
Résumé
Position-aware myoelectric prosthesis controllers require long, data-intensive training routines. Transfer Learning (TL) might reduce training burden. A TL model can be pre-trained using forearm muscle signal data from many individuals to become the starting point for a new user. A recurrent convolutional neural network (RCNN)-based classifier has already been shown to benefit from TL in offline analysis (95% accuracy). The present real-time study tested whether an RCNN-based classification controller with TL (RCNN-TL) could reduce training burden, offer improved device control (per functional task performance metrics), and mitigate what is known as the "limb position effect". 27 participants without amputation were recruited. 19 participants performed wrist/hand movements across multiple limb positions, with resulting forearm muscle signal data used to pre-train RCNN-TL. 8 other participants donned a simulated prosthesis, retrained (calibrated) and tested RCNN-TL, plus trained and tested a conventional linear discriminant analysis classification controller (LDA-Baseline). Results confirmed that TL reduces user training burden. RCNN-TL yielded improved task performance durations over LDA-Baseline (in specific Grasp and Release phases), yet other metrics worsened. Overall, this work contributes training condition factors necessary for TL success, identifies metrics needed for comprehensive control analysis, and contributes insights towards improved position-aware control.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,003 |
| 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 ».