EMaGer: A Wearable Full-Circumference HD-EMG Sensor and Data Augmentation Method for Robust Hand Gesture Recognition
Notice bibliographique
Résumé
This work presents EMaGer, a new 360° 64-channel high-density electromyography (HD-EMG) bracelet combined with an original data augmentation method for improved robustness in gesture recognition. By leveraging homogeneous electrode density and powerful deep learning techniques, the sensor is capable of rotation invariance around the arm axis, thus increasing gesture recognition robustness to electrode movement and inter-session evaluation. The system is made of a 4x16 electrode array covering the full circumference of the limb, and uses a sampling frequency of 1 kHz and a 16-bit resolution. The sensor's uniform and adjustable geometry paired with an array barrel shifting data augmentation (ABSDA) technique allows a convolutional neural network to maintain a 76.98% inter-session classification accuracy for a 6 gestures dataset, from a baseline intra-session accuracy of 93.75%. High inter-session classification accuracy decreases the training burden for users of EMG control systems such as myoelectric prostheses by minimizing calibration requirements. The same methods applied with different state-of-the-art sensors are demonstrated to be less effective. Thus, this work evidences the importance of co-designing the EMG sensor system with the gesture inference algorithms to leverage synergistic properties and solve state-of-the-art challenges.Clinical relevance- This paper establishes a method that alleviates clinical manipulations in setting up and calibrating myoelectric prosthetic devices.
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 | 0,001 |
| 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 | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».