Effects of Image Normalization on CNN-Based EEG–EMG Fusion
Notice bibliographique
Résumé
The rise in popularity of wearable robotic devices has brought many opportunities in the area of assistive devices for rehabilitation. However, despite their numerous advantages, these wearable mechatronic devices are not widely adopted due to a poor interaction between the device and the wearer. To solve this issue, several studies have proposed the use of sensor fusion of electroencephalography (EEG) and electromyography (EMG) signals using Convolutional Neural Networks (CNN) to detect the motion intention of the user and control the wearable device. Although normalization techniques can be applied during data pre-processing in order to improve performance, the correct normalization methods to apply for combined EEG and EMG data are unknown, hindering the potential improvement of the resulting CNN models. Therefore, in this study, no normalization, subject-wise, speed-wise, image-wise, and channel-wise normalization methods were compared. The effectiveness of these methods was tested on the overall and speed specific accuracies of CNN models trained using a database of combined EEG–EMG data collected during elbow flexion–extension motions at different speeds. The results of this study showed that no normalization improved the performance of the overall accuracy of CNN models, with grouped spectrogram-based models achieving an accuracy of 81.57 ± 7.11%. A similar trend was found for speed specific accuracies, in which no normalization showed to be a slightly better option during slow motions. Overall, these results provide information on the different tools that can be used to improve the performance of CNN-based models used for the control of wearable robotic 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 | 0,000 | 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 | 0,000 | 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 ».