http://myexs.ru/wp-content/themes/multiflex-4-10/img/header.gif
http://myexs.ru/wp-content/themes/multiflex-4-10/img/bg30.jpg

Neural network committees for finger joint angle estimation from surface EMG signals

Дата: Январь 20th, 2009 Автор:
+ Показать свойства документа
  • Тип контента: Научная статья
  • Номер документа: 6241
  • Название документа: Neural network committees for finger joint angle estimation from surface EMG signals
  • Номер (DOI, IBSN, Патент): 10.1186/1475-925X-8-2
  • Изобретатель/автор: Nikhil A Shrirao, Narender P Reddy, Durga R Kosuri
  • Правопреемник/учебное заведение: University of Akron
  • Дата публикации документа: 2009-01-20
  • Страна опубликовавшая документ: США
  • Язык документа: Английский
  • Наименование изделия: Не заполнено
  • Источник: BioMedical Engineering OnLine
  • Вложения: Да
  • Аналитик: Глаголева Елена

Background: In virtual reality (VR) systems, the user’s finger and hand positions are sensed and used to control the virtual envi-ronments. Direct biocontrol of VR environments using surface electromyography (SEMG) signals may be more synergistic and uncons-training to the user. The purpose of the present investigation was to develop a technique to predict the finger joint angle from the surface EMG measurements of the extensor muscle using neural network models.
Methodology: SEMG together with the actual joint angle measurements were obtained while the subject was performing flexion-exten-sion rotation of the index finger at three speeds. Several neural networks were trained to predict the joint angle from the para-meters extracted from the SEMG signals. The best networks were selected to form six committees. The neural network committees were evaluated using data from new subjects.
Results: There was hysteresis in the measured SMEG signals during the flexion-extension cycle. However, neural network committees were able to predict the joint angle with reasonable accuracy. RMS errors ranged from 0.085 ± 0.036 for fast speed finger-extension to 0.147 ± 0.026 for slow speed finger extension, and from 0.098 ± 0.023 for the fast speed finger flexion to 0.163 ± 0.054 for slow speed finger flexion.
Conclusion: Although hysteresis was observed in the measured SEMG signals, the committees of neural networks were able to predict the finger joint angle from SEMG signals.

Категория: Научные статьи | Нет комментариев »

Комментарии

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *


Статистика

Категорий: 179
Статей всего: 2,003
По типу:
 Видео: 36
 Выдержка с форума: 1
 Контактные данные: 12
 Научная статья: 1388
 Не заполнено: 5
 Новостная статья: 317
 Обзор технологии: 42
 Патент: 219
 Тех.подробности: 34
 Тип: 1
Комментариев: 6,634
Изображений: 3,005
Подробней...

ТОР 10 аналитиков

    Глаголева Елена - 591
    Дмитрий Соловьев - 459
    Helix - 218
    Ридна Украина))) - 85
    Наталья Черкасова - 81
    max-orduan - 29
    Елена Токай - 15
    Роман Михайлов - 9
    Мансур Жигануров - 4
    Дуванова Татьяна - 3

Календарь

  • Январь 2009
    Пн Вт Ср Чт Пт Сб Вс
    « Дек   Фев »
     1234
    567891011
    12131415161718
    19202122232425
    262728293031  
  • Авторизация

    Ошибка в тексте?

    Выдели её мышкой!

    И нажми Ctrl+Enter