Pattern recognition of myoelectric

Pattern recognition of myoelectric signals in
upper-limb prosthesis control has been subject to intense
research for several years. However, few systems have yet
been successfully clinically implemented. One possible explanation
for this discrepancy is that published reports mostly
focus on classification accuracy of myoelectric signals recorded
under laboratory conditions as the metric for the system’s
performance. These data are usually acquired only during the
static state of the contraction in a fixed seated position. This
supports the test subject in performing repeatable contractions
throughout the experiment and generally results in an unrealistically
high classification accuracy. In clinical testing however,
subjects have to perform various activities of daily living,
causing the limb to move in different positions. These variations
in limb positions can significantly decrease robustness and
usability of myoelectric control systems. Recent reports have
shown that the so-called limb position effect can be resolved
for the static state of the signal by adding accelerometer
data to the feature vector. Including data from the transient
state of the signals for classifier training generally significantly
increases the classification error so it is mostly not considered in
published reports. In this paper, we investigate the classification
accuracy of transient EMG data, taking into account the limb
position effect. We demonstrate that a classifier trained with
features from EMG, accelerometer and gyroscope outperforms
classifiers using only EMG or EMG and accelerometer data
when classifying transient EMG data.

ผลลัพธ์ (ไทย) 1:

รูปแบบการรับรู้สัญญาณ myoelectric ใน
บนขากายอุปกรณ์ควบคุมได้รับอาจรุนแรง
วิจัยหลายปี อย่างไรก็ตาม บางระบบยังมี
ได้สำเร็จทางคลินิกนำมาใช้ สามารถอธิบายหนึ่ง
ความขัดแย้งนี้เป็น ที่เผยแพร่รายงานส่วนใหญ่
เน้นประเภทความถูกต้องของบันทึกสัญญาณ myoelectric
ภายใต้เงื่อนไขปฏิบัติเป็นการวัดของระบบ
ประสิทธิภาพ ข้อมูลเหล่านี้มักจะมาเฉพาะช่วง
รัฐคงหดตัวในคงนั่งตำแหน่ง นี้
สนับสนุนเรื่องทดสอบในการทำซ้ำหด
ทดลอง และผลโดยทั่วไปการ unrealistically
ประเภทสูงความถูกต้อง ในการทดสอบทางคลินิกอย่างไรก็ตาม,
มีการดำเนินกิจกรรมต่าง ๆ ของชีวิตประจำวัน,
สาเหตุขาในตำแหน่งอื่น รูปแบบเหล่านี้
ในขา ตำแหน่งสามารถมากลดเสถียรภาพ และ
ระบบควบคุม myoelectric ที่ใช้งานได้ มีรายงานล่าสุด
แสดงว่า ผลตำแหน่งขาเรียกว่าสามารถแก้ไข
รัฐคงสัญญาณเพิ่มตรวจ
ข้อมูลแบบเวกเตอร์คุณลักษณะ รวมถึงข้อมูลจากแบบฉับพลัน
สถานะของสัญญาณสำหรับ classifier ฝึกอบรมโดยทั่วไปอย่างมาก
เพิ่มประเภทข้อผิดพลาดดังนั้นส่วนใหญ่ไม่ว่าใน
เผยแพร่รายงานการ ในเอกสารนี้ เราตรวจสอบการจัดประเภท
ความถูกต้องของข้อมูลกล้ามแบบฉับพลัน คำนึงถึงขา
ผลตำแหน่ง เราแสดงให้เห็นว่า classifier การฝึกฝนด้วย
คุณลักษณะจากดำรง ตรวจและไจโรสโคป outperforms
คำนามภาษาที่ใช้เฉพาะการดำรง หรือการดำรง และการตรวจข้อมูล
เมื่อจัดประเภทข้อมูลกล้ามแบบฉับพลัน

ผลลัพธ์ (ไทย) 2:

การจดจำรูปแบบของสัญญาณ myoelectric ใน
การควบคุมเทียมบนขาได้รับเรื่องที่รุนแรง
การวิจัยเป็นเวลาหลายปี แต่ระบบไม่กี่ยัง
ประสบความสำเร็จในการดำเนินการทางการแพทย์ หนึ่งคำอธิบายที่เป็นไปได้
เพื่อความแตกต่างนี้ก็คือการตีพิมพ์รายงานส่วนใหญ่
มุ่งเน้นไปที่ความถูกต้องจัดหมวดหมู่ของสัญญาณ myoelectric บันทึก
ภายใต้สภาวะของห้องปฏิบัติการเป็นตัวชี้วัดสำหรับระบบที่
มีประสิทธิภาพ ข้อมูลเหล่านี้มักจะมาเฉพาะในช่วง
สภาพคงที่ของการหดตัวในตำแหน่งที่นั่งถาวร นี้
สนับสนุนเรื่องการทดสอบการหดตัวในการปฏิบัติที่ทำซ้ำ
ตลอดการทดลองและผลโดยทั่วไปในบวก
จำแนกความถูกต้องสูง ในการทดสอบทางคลินิก แต่
วิชาที่มีการดำเนินกิจกรรมต่างๆของชีวิตประจำวัน
ที่ก่อให้เกิดกิ่งที่จะย้ายไปอยู่ในตำแหน่งที่แตกต่างกัน รูปแบบเหล่านี้
ในตำแหน่งที่ขาอย่างมีนัยสำคัญสามารถลดความทนทานและ
การใช้งานของระบบควบคุม myoelectric รายงานล่าสุดได้
แสดงให้เห็นว่าผลกระทบที่ตำแหน่งขาที่เรียกว่าสามารถแก้ไขได้
สำหรับรัฐคงที่ของสัญญาณได้โดยการเพิ่ม accelerometer
ข้อมูลไปยังเวกเตอร์คุณลักษณะ รวมทั้งข้อมูลจากชั่วคราว
รัฐของสัญญาณสำหรับการฝึกอบรมอย่างมีนัยสำคัญลักษณนามทั่วไป
เพิ่มข้อผิดพลาดการจัดหมวดหมู่เพื่อที่จะเป็นส่วนใหญ่ไม่ได้พิจารณาใน
การตีพิมพ์รายงาน ในบทความนี้เราตรวจสอบการจำแนก
ความถูกต้องของข้อมูล EMG ชั่วคราวคำนึงถึงกิ่งไม้
ผลตำแหน่ง เราแสดงให้เห็นว่าการฝึกอบรมที่มีการจําแนก
คุณสมบัติจาก EMG, accelerometer และวัดการหมุนวนมีประสิทธิภาพดีกว่า
การใช้อีเอ็มแยกแยะเท่านั้นหรือ EMG และข้อมูล accelerometer
เมื่อจำแนกข้อมูล EMG ชั่วคราว

ผลลัพธ์ (ไทย) 3:

การรู้จำรูปแบบของสัญญาณในการควบคุมแขนขาเทียม myoelectric
บนมีถูก ต้องวิจัยเข้ม
เป็นเวลาหลายปี อย่างไรก็ตาม ระบบไม่กี่ยัง
เรียบร้อยแล้วทางคลินิกปฏิบัติ หนึ่งเป็นไปได้สำหรับความแตกต่างนี้เป็นคำอธิบาย

ส่วนใหญ่มุ่งเน้นการตีพิมพ์รายงานความถูกต้องของสัญญาณที่บันทึก myoelectric
ภายใต้สภาวะห้องปฏิบัติการเป็นเมตริกสำหรับประสิทธิภาพของ
ระบบ ข้อมูลเหล่านี้มักจะได้รับระหว่าง
รัฐคงที่ของการหดตัวคงที่ นั่งตำแหน่ง นี้
สนับสนุนเรื่องทดสอบการทำซ้ำการหด
ตลอดการทดลอง และผลลัพธ์มีความแม่นยำสูง unrealistically
การจำแนก ในการทดสอบทางคลินิก อย่างไรก็ตาม
วิชาที่ต้องทำกิจกรรมต่างๆในชีวิตได้ ทำให้กิ่ง
ที่จะย้ายในตำแหน่งที่แตกต่างกัน รูปแบบเหล่านี้
ตำแหน่งขาสามารถลดความแข็งแกร่งและการใช้งานของระบบการควบคุม myoelectric
. รายงานล่าสุดได้
แสดงว่าผลตำแหน่งที่เรียกว่า สมาชิกสามารถแก้ไขได้
สำหรับรัฐคงที่ของสัญญาณโดยการเพิ่มข้อมูล accelerometer
ถึงคุณสมบัติของเวกเตอร์รวมทั้งข้อมูลจากรัฐชั่วคราว
ของสัญญาณแบบฝึกทั่วไปอย่างมีนัยสำคัญ
เพิ่มหมวดหมู่ข้อผิดพลาดดังนั้นเป็นส่วนใหญ่ไม่ถือ
รายงานเผยแพร่ ในกระดาษนี้เราศึกษาการจำแนก
ความถูกต้องของข้อมูลสัญญาณชั่วคราว โดยคำนึงถึงผลตำแหน่งขา
. เราแสดงให้เห็นว่าแบบฝึก
คุณสมบัติจาก EMG ,accelerometer gyroscope และโปรยคำลักษณนามใช้กล้ามเนื้อหรือกล้ามเนื้อเท่านั้น

และ accelerometer ข้อมูลเมื่อหมวดหมู่ข้อมูลสัญญาณชั่วคราว