The performance of intelligent elec

The performance of intelligent electromyogram (EMG)-driven prostheses, functioning as artificial alternatives to missing limbs, is influenced by several dynamic factors including: electrode position shift, varying muscle contraction level, forearm orientation, and limb position. The impact of these factors on EMG pattern recognition has been previously studied in isolation, with the combined effect of these factors being understudied. However, it is likely that a combination of these factors influences the accuracy. We investigated the combined effect of two dynamic factors, namely, forearm orientation and muscle contraction levels, on the generalizability of the EMG pattern recognition. A number of recent time- and frequency-domain EMG features were utilized to study the EMG classification accuracy. Twelve intact-limbed and one bilateral transradial (below-elbow) amputee subject were recruited. They performed six classes of wrist and hand movements at three muscular contraction levels with three forearm orientations (nine conditions). Results indicate that a classifier trained by features that quantify the angle, rather than amplitude, of the muscle activation patterns perform better than other feature sets across different contraction levels and forearm orientations. In addition, a classifier trained with the EMG signals collected at multiple forearm orientations with medium muscular contractions can generalize well and achieve classification accuracies of up to 91%. Furthermore, inclusion of an accelerometer to monitor wrist movement further improved the EMG classification accuracy. The results indicate that the proposed methodology has the potential to improve robustness of myoelectric pattern recognition

ผลลัพธ์ (ไทย) 1:

ประสิทธิภาพของ electromyogram อัจฉริยะ (EMG) -ยานยนต์ที่ขับเคลื่อน ทำงานประดิษฐ์เป็นแขนขาขาด ได้รับอิทธิพลหลายแบบไดนามิกปัจจัย: อิเล็กโทรดกะตำแหน่ง ระดับการหดตัวของกล้ามเนื้อแตกต่างกัน แขนวางแนว และตำแหน่งขา ผลกระทบของปัจจัยเหล่านี้ในการรู้จำแบบ EMG ได้รับการศึกษาก่อนหน้านี้แยก กับผลรวมของปัจจัยเหล่านี้เป็น understudied อย่างไรก็ตาม ก็มีแนวโน้มว่า การรวมกันของปัจจัยเหล่านี้มีอิทธิพลต่อความถูกต้อง เราตรวจสอบผลรวมของปัจจัยทั้งสองแบบไดนามิก ได้แก่ แขนวางแนวและระดับที่กล้ามเนื้อหดตัว generalizability ของการรู้จำรูปแบบ EMG มีใช้เวลา - ความถี่โดเมน และ EMG ล่าแบบศึกษาความถูกต้องของการจัดประเภท EMG สิบสองเหมือนเดิม limbed และ transradial หนึ่งทวิภาคีเรื่องสุด (ด้านล่างข้อศอก) ผ่านการคัดเลือก พวกเขาดำเนินการเคลื่อนไหวของข้อมือและมือที่สามกล้ามเนื้อหดตัวระดับกับแนวแขนสาม (เก้าเงื่อนไข) หกคลา ผลระบุว่า มีลักษณนามฝึก โดยปริมาณมุม มากกว่า คลื่นรูปแบบที่เปิดใช้งานของกล้ามเนื้อทำได้ดีกว่าชุดอื่น ๆ ลักษณะระดับแตกต่างกันการหดตัวและหมุนแขน นอกจากนี้ ลักษณนามการฝึกอบรมกับสัญญาณ EMG ที่รวบรวมที่แขนหลายแนว ด้วยการหดตัวกล้ามเนื้อปานกลางสามารถ generalize ได้ดี และบรรลุความแม่นการจัดประเภทสูงถึง 91% นอกจากนี้ รวมมาตรความเร่งตรวจสอบการเคลื่อนไหวข้อมือเพิ่มขึ้นความแม่นยำการจำแนก EMG ผลลัพธ์บ่งชี้ว่า วิธีการนำเสนอที่มีศักยภาพในการปรับปรุงเสถียรภาพของการรู้จำแบบ myoelectric

ผลลัพธ์ (ไทย) 2:

ประสิทธิภาพการทำงานของ electromyogram อัจฉริยะ (EMG) ขับเคลื่อนด้วยขาเทียมเป็นทางเลือกที่ทำงานเทียมแขนขาหายไปได้รับอิทธิพลจากปัจจัยหลายอย่างรวมทั้งแบบไดนามิก: อิเล็กโทรดกะตำแหน่งที่แตกต่างกันในระดับการหดตัวของกล้ามเนื้อปฐมนิเทศแขนและตำแหน่งขา ผลกระทบของปัจจัยเหล่านี้ในการรับรู้รูปแบบอีเอ็มได้รับการศึกษาก่อนหน้านี้ในการแยกด้วยผลรวมของปัจจัยเหล่านี้ถูก understudied แต่ก็เป็นไปได้ว่าการรวมกันของปัจจัยเหล่านี้มีผลต่อความถูกต้อง เราตรวจสอบผลรวมของปัจจัยทั้งสองแบบไดนามิกคือการวางแนวทางแขนและกล้ามเนื้อหดระดับบน generalizability ของการจดจำรูปแบบอีเอ็ม จำนวนของคุณสมบัติเวลาและความถี่โดเมน EMG ล่าสุดถูกนำมาใช้ในการศึกษาความถูกต้องจำแนก EMG สิบสองเหมือนเดิม-กิ่งและเป็นหนึ่งใน transradial ทวิภาคี (ต่ำกว่าข้อศอก) เรื่องชะงักงันได้รับคัดเลือก พวกเขาทำหกชั้นเรียนของข้อมือและมือเคลื่อนไหวที่สามระดับการหดตัวของกล้ามเนื้อสามหมุนแขน (เก้าเงื่อนไข) ผลการวิจัยพบว่าการฝึกอบรมโดยจําแนกคุณลักษณะที่ปริมาณมุมที่มากกว่าความกว้างของรูปแบบการเปิดใช้งานกล้ามเนื้อทำงานได้ดีกว่าชุดคุณลักษณะอื่น ๆ ในระดับที่แตกต่างกันและการหดตัวของการหมุนแขน นอกจากนี้ยังมีการฝึกอบรมกับลักษณนามสัญญาณ EMG เก็บที่หมุนแขนหลายที่มีการหดตัวของกล้ามเนื้อขนาดกลางสามารถพูดคุยได้ดีและประสบความสำเร็จในความถูกต้องจำแนกได้ถึง 91% นอกจากนี้การรวมการ accelerometer ในการตรวจสอบการเคลื่อนไหวของข้อมือต่อการปรับปรุงความถูกต้องของการจัดหมวดหมู่ EMG ผลการวิจัยพบว่าวิธีการที่นำเสนอมีศักยภาพในการปรับปรุงความทนทานของการจดจำรูปแบบ myoelectric