Система управления движениями пальцев на основе модели искусственной нейронной сети
Bibliographic record
Abstract
Поверхностный электромиографический (пЭМГ) сигнал применяется в различных сферах, где существует необходимость измерять активность мышц тела человека, например интерфейс «мозг–компьютер», индустрия игр, медицинская техника и другие практические сферы. Более того, использование пЭМГ сигнала в отрасли изготовления активных протезов является традиционным уже в течение многих лет. Однако, несмотря на тот факт, что вопрос о его использовании в сфере протезирования пальцев остается открытым, обычно пЭМГ сигнал требует многоканальных измерительных устройств или массивного объемного оборудования для точного распознания движения кистей рук или пальцев. Это снижает возможную портативность и удобство протезов, и в конечном итоге увеличивает их конечную цену. В этой статье предложен метод организации блока управления и измерения для протеза на основе модели искусственной нейронной сети (ИНС) и пЭМГ измерительной системы на основе одноканального микроконтроллера. Предлагаемая модель ИНС учитывает только 4 входных характеристики пЭМГ сигнала во временной области и обеспечивает точность 95,52% для классификации 6 различных типов движений пальца. Таким образом, данная модель представляет собой решение, пригодное для реализации в системе протезов пальцев или кисти.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.005 |
| Scholarly communication | 0.010 | 0.007 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.054 | 0.018 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".