Optimisation d’un système de tomographie par impédance électrique pour la reconnaissance des mouvements
Bibliographic record
Abstract
L’optimisation des systèmes de tomographie par impédance électrique (TIE) joue un rôle essentiel dans l’amélioration des interfaces homme-machine. Ce mémoire examine l’influence des configurations d’électrodes sur la précision des mesures d’impédance et sur l’efficacité des modèles d’apprentissage automatique pour la classification des gestes. Deux configurations majeures ont été étudiées : la disposition circulaire et la disposition linéaire, afin d’évaluer leur impact respectif sur la reconnaissance gestuelle. La méthodologie mise en oeuvre repose sur une approche hybride alliant simulations numériques et expérimentation pratique. Les simulations, réalisées à l’aide du logiciel EIDORS et de la méthode des éléments finis, ont permis de modéliser diverses configurations d’électrodes et d’évaluer leur impact sur la qualité des reconstructions d’impédance. Ensuite, des mesures expérimentales ont été effectuées sur un prototype fonctionnel, suivies d’un prétraitement des données afin d’optimiser leur qualité et d’améliorer la robustesse des modèles d’apprentissage automatique. Deux stratégies d’augmentation des données ont été mises en place : un décalage spatial des matrices d’impédance et une extraction de caractéristiques. Les résultats obtenus indiquent que la configuration circulaire, enrichie par l’extraction de caractéristiques, améliore considérablement la précision de la reconnaissance des gestes. Cette amélioration se traduit par une nette augmentation des performances des modèles de classification, notamment Random Forest et XGBoost. En comparaison, bien que la configuration linéaire présente un potentiel intéressant, elle s’est révélée moins performante face aux variations gestuelles. L’analyse des matrices de confusion et des métriques de classification confirme ainsi l’efficacité supérieure de la configuration circulaire dans ce contexte. En conclusion, cette étude souligne l’importance du positionnement des électrodes et des techniques d’apprentissage automatique pour améliorer la précision des systèmes de reconnaissance gestuelle basés sur la TIE. Les perspectives incluent l’exploration de nouvelles configurations d’électrodes et l’intégration de modèles d’apprentissage automatique plus avancés, afin d’accroître l’adaptabilité du système aux variations individuelles des utilisateurs et d’améliorer sa fiabilité pour une utilisation pratique.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.129 | 0.001 |
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 teacher head, 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".