Mitigate the Effect of Arm Posture on Electromyography Pattern Recognition
Notice bibliographique
Résumé
The real-time use of electromyography (EMG)-based mechatronic rehabilitation devices aiming to detect stroke patients' hand grasping intention is hindered by a significant concern: the lack of robustness against variations in EMG signal patterns due to arm posture changes. This problem results in degraded EMG signal measurements and inaccurate recognition of muscle patterns. Several studies have aimed at tracking changes in EMG patterns by placing multiple EMG sensors around the forearm and developing a classifier using data collected from various arm postures recorded by all sensors. Although these methods show promise, the significant computational resources required for real-time data processing become notable concerns when using multiple EMG sensors. To address these challenges, this study introduces a novel approach that aims to reduce the number of EMG channels that need to be processed. The study proposes a new optimal-channel-selection technique, coupled with a convolutional neural network (CNN), which selects two out of eight EMG channels within an armband based on the arm posture and individual demographics. As a result of using only two channels rather than the entire array (eight channels), the user's grasping intention prediction time took only 2.3 seconds with a classification accuracy of around 81%. In comparison, the commonly used eight-channel method took 8.6 seconds for grasping intention detection with an accuracy level of 79%. These findings show potential in tackling the challenge of EMG measurement degradation caused by arm motion, offering a path towards enhanced accuracy and quicker responsiveness in EMG-based mechatronic rehabilitation 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 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».