Context-Informed Incremental Learning Improves Throughput and Reduces Drift in Regression-Based Myoelectric Control
Notice bibliographique
Résumé
Despite decades of research, commercially available powered myoelectric prostheses continue to use sequential, classification-based control. While regression-based approaches can improve the dexterity offered through simultaneous, independent, and proportional control, current training protocols lack consistency across studies and fail to capture realistic user behaviours, resulting in robustness issues. To address these challenges, this work employs context-informed incremental learning (CIIL) in an unconstrained, velocity-based environment for regression-based myoelectric control. Two new adaptive models, one inspired by previous works (O-CIIL) and one modified to factor in user compliance and behaviours (T-CIIL), were compared with two models trained using traditional screen-guided training. Sixteen participants completed an online Fitts' Law target acquisition task. Both adaptive approaches significantly outperformed ( ${p}\lt {0}.{05}$ ) the non-adaptive models across a variety of metrics. Additionally, T-CIIL outperformed O-CIIL in alleviating drift and action interference, key issues that have plagued existing regression-based myoelectric control systems. These findings are supported by two novel metrics, namely action interference and simultaneity gain, which show that adding simultaneity often increases instability in the form of undesired and uncontrollable simultaneous motions. These findings demonstrate the viability of CIIL in an unconstrained, velocity-controlled environment for regression-based myoelectric control, and highlight the importance of capturing user behaviours when training regression-based myoelectric control systems. Source code is available on https://github.com/cbmorrell/adaptive-regression.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».