Maximizing the Information Transfer Rate of a Myoelectric Classification System for Individuals With Spinal Cord Injury
Notice bibliographique
Résumé
Spinal cord injury (SCI) has a devastating impact on the lives of both those with the injury and those surrounding them. Myoelectric control systems have the potential to help control complex assistive technologies and enhance independence for the users, but do not take into consideration the diversity of neurological impairment observed following SCI. The objectives of this study were: 1) demonstrate that optimizing the design parameters of a myoelectric control system (number of gestures, gesture rate) for each participant can increase the information transfer rate (ITR), and 2) characterize the relationship between the optimal design parameters and the pattern of impairment. The ITR was used to capture trade-offs between increasing the number of possible gestures and gesture rate with the resulting drops in classification accuracy. Ten uninjured and ten participants with SCI were recruited. Using an 8-channel myoelectric control system, a series of trials were performed where the ITR was determined for different combinations of gesture numbers and gesture rates. A significant improvement in ITR was observed after optimization to the individual's level of injury in the SCI group ( $25.8\pm 10.9$ to $31.8\pm 8.0$ bits/min, p =0.002). Significant correlations were observed between the optimal gesture number and multiple metrics of impairment. These results demonstrate that the ITR of a myoelectric classification system can be increased by taking into account the presence of neurological impairment after SCI.
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 | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».