Evaluating the Feasibility of EMG-Based Human–Machine Interfaces for Driving
Notice bibliographique
Résumé
ObjectiveTo evaluate the feasibility of electromyography (EMG)-based human-machine interfaces (HMIs) for high-demand activities such as driving based on performance, cognitive workload, usability, and safety measures.BackgroundUpper-limb amputees face challenges in performing everyday tasks, including driving. EMG-based HMIs offer potential solutions, particularly for wrist disarticulated and trans-radial amputee, but their effectiveness in complex tasks like driving requires further investigation.MethodNineteen able-bodied participants completed a driving simulation study using an EMG-based HMI, dominant hand, and both hands. Participants performed various driving maneuvers including straight lane driving, overtaking, and 90-degree turns at intersections. Driver performance, cognitive workload (measured by blink rate and subjective measures), usability (USE questionnaire), and safety were assessed.ResultsUsing the EMG-based HMI led to higher lane offset and steering angle compared to conventional methods, but demonstrated lower steering entropy in some situations. Cognitive workload was higher for EMG-based HMI, while usability scores were lower. Safety measures were mixed, with EMG-based HMI showing better performance at intersections but lower lane offset and steering angle safety scores overall.ConclusionThe study highlights both limitations and opportunities presented by EMG-based HMIs in high-demand tasks such as driving. While the system exhibited lower performance in some conditions, it demonstrated potential for controlled driving, particularly during specific maneuvers. The higher cognitive workload and lower usability scores indicate areas for improvement.ApplicationThe findings provide valuable insights for the development of more effective EMG-based HMIs, supporting future research and clinical trials aimed at enhancing mobility and independence for individuals with upper-limb amputations.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».