Key points are not available for this paper at this time.
attracted significant interest in recent years, leading to prosthetic hands with advanced functionality, such as multi-grip hands. حتى الآن، تم تحقيق دقة تصنيف عالية من خلال زيادة عدد إلكترودات التخطيط الكهربائي للعضلات السطحية (sEMG) أو إضافة آليات استشعار أخرى. بينما لا تزال العديد من الأيادي الكهربائية الموصوفة تعتمد على أنظمة sEMG ذات الإلكترودين، إلا أن الدراسات التفصيلية حول معالجة الإشارات وأداء التصنيف لا تزال ناقصة. في هذه الدراسة، تم استقطاب تسعة مشاركين أصحاء لأداء ستة حركات يد نموذجية، تم من خلالها الحصول على إشارات sEMG من إلكترودين باستخدام نظام اكتساب Delsys Trigno Research+. تم استخدام خوارزميات معالجة الإشارات والتعلم الآلي، على وجه التحديد، تحليل التمييز الخطي (LDA)، الجيران الأقرب (KNN)، وآلات الدعم النقطية (SVM)، لدراسة دقة التصنيف. تم تحقيق دقة تصنيف إجمالية قدرها 93 ± 2٪، ودقة خاصة بالإجراء قدرها 97 ± 2٪، ودرجة F1 قدرها 87 ± 7٪، والتي تتقارب مع تلك المبلغ عنها من أنظمة متعددة الإلكترود. تم تحقيق أعلى دقة باستخدام خوارزمية SVM مقارنة بخوارزميات LDA و KNN. تم الكشف عن علاقة لوغاريتمية بين دقة التصنيف وعدد الميزات، والتي استقرت عند خمس ميزات. قد تساهم هذه النتائج الشاملة في استراتيجيات معالجة الإشارات والتعلم الآلي لأنظمة الأيدي الكهربائية الموصوفة بشكل شائع والتي تحتوي على إلكترودين sEMG لتحسين الوظائف بشكل أكبر.
دراسة شاو وآخرون (الثلاثاء) هذا السؤال.