(Un)supervised (Co)adaptation via Incremental Learning for Myoelectric Control: Motivation, Review, and Future Directions
Notice bibliographique
Résumé
This paper presents a narrative review of incremental learning methods for myoelectric control, outlining both the historical trajectory and potential of adaptive prosthetic systems. Traditional myoelectric control has evolved from direct control techniques to advanced pattern recognition, yet persistent challenges such as signal non-stationarities and, consequently, the need for frequent recalibration remain. Incremental learning may enable a paradigm shift by continuously updating control models based on real-time, user-in-the-loop data, thereby addressing user-specific variations, environmental changes, and challenges from screen-guided-training based calibration. A central contribution of the paper is its taxonomy of incremental learning strategies, which divides the field into four categories: dedicated on-demand recalibration, unsupervised incremental learning, predictor-dependent incremental learning, and environment-dependent incremental learning. The methodology, strengths, and limitations of each category are discussed, providing a clear framework for evaluating current research and guiding future innovations. Further, this work establishes three settings for incremental learning: domain-incremental, task-incremental, and class-incremental continual learning. In addition, the paper highlights emerging trends such as transfer learning, domain adaptation, and self-supervised regression. It also emphasizes the potential of physiologically-inspired algorithms, novel end-effector designs to enhance prosthetic performance, and human-device co-adaptation. Finally, this paper discusses open challenges for incremental learning like attribution of signal changes to noise vs. behaviours, model complexity vs. data requirements, and user vs. model adaptation. Collectively, these insights pave the way for next-generation myoelectric systems that are more robust, intuitive, and adaptable to the dynamic needs and behaviours of users.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».