Genetic Algorithm-Optimized Feature Selection for sEMG-IMU Fusion Improves Intention Detection in AI-Driven Robotic Walking System
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The increasing demand for responsive and intuitive assistive walking devices, driven by an aging population, underscores the need for intelligent systems powered by emerging machine learning (ML) technologies. This study introduces a novel feature fusion framework based on the Nondominated Sorting Genetic Algorithm II (NSGA-II) to fuse surface electromyography (sEMG) signals with inertial measurement unit (IMU) data and a high-level control architecture, enabling accurate and robust motion intention detection for robotic assistive walking systems. The proposed feature fusion method consistently outperformed statistical filter-based techniques such as mutual information (MI), minimum redundancy maximum relevance (MRMR), correlation coefficient (CC), and Fisher score (FS). It significantly improved the classification metrics of random forest (RF), K-nearest neighbour (KNN), and support vector machine (SVM) classifiers across varying feature counts. For example, the feature fusion algorithm improved RF’s accuracy by 6.74%, 7.67%, 6.35%, and 3.60% and enhanced precision by 6.77%, 7.67%, 6.36%, and 3.61% relative to FS, CC, MRMR, and MI, respectively. Similarly, the algorithm increased RF’s recall by 6.79%, 7.71%, 6.38%, and 3.62%. The proposed feature fusion and high-level and low-level control frameworks were implemented on SoloWalk for real-time interaction, enabling participants to perform daily walking activities. Real-time validation confirmed system stability across gait patterns and user variations, demonstrating its effectiveness in assistive walking robots.
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 découle