Diese Seite wurde automatisch übersetzt und die Genauigkeit der Übersetzung wird nicht garantiert. Bitte wende dich an die englische Version für einen Quelltext.

Hochdimensionales Computergestenerkennung (HDC-GCog)

15. Januar 2026 aktualisiert von: University Hospital, Grenoble

Das Hauptziel dieser Studie ist die Verbesserung der Erkennung und Klassifizierungsgenauigkeit der Gesten durch die Verwendung des HDC -Algorithmus im Vergleich zu anderen Klassifizierungsmethoden (KNN, RF, SGD, NC). Die Erkennungsrate wird durch die Empfindlichkeit und Spezifität der Gestenerkennung ausgedrückt. Das Modell wird auf einem Teil des Datensatzes trainiert und im verbleibenden Teil getestet, um eine Verzerrung zu vermeiden.

Die Sekundärziele sind die:

  • Verbesserung der Genauigkeit der Gestenerkennung mit unserem HDC -Algorithmus im Vergleich zu anderen Standardmodellen.
  • Berechnung der Gestenerkennungsraten in Abhängigkeit von der Anzahl der verwendeten Elektroden und ihrer Position.
  • Die Bewertung des Gerätekomforts durch den Probanden über 6 auf einer visuellen Analogskala von 10 Ebenen.
  • Die Beurteilung der Erleichterung der Erleichterung der Geste, die über 6 auf einer visuellen analogen Skala von 10 Ebenen bewertet wurde.

Studienübersicht

Status

Noch keine Rekrutierung

Bedingungen

Intervention / Behandlung

Detaillierte Beschreibung

Dieses Projekt zielt darauf ab, an der Gestenerkennung auf der Grundlage der am Unterarm aufgezeichneten Oberflächenelektromyographie (EMG) zu arbeiten. Die CEA entwickelt derzeit einen Lernalgorithmus, der auf hyperdimensionalem Computing basiert, um die Genauigkeit und Latenz der Gestenerkennung zu verbessern. Im Gegensatz zu herkömmlichen Computermethoden beruht der entwickelte Ansatz auf (Pseudo) zufälligen Hypervektoren. Dies bringt erhebliche Vorteile mit sich: Ein einfacher Algorithmus mit einem gut definierten Satz arithmetischer Operationen, äußerst robust für Rauschen und Fehler, mit einem schnellen Lernen mit einem Pass, der letztendlich von einer an Gedächtnisorientierung mit einem hohen Maß an Parallelität profitieren könnte.

Diese Forschung könnte zu mehreren Anwendungen wie Videospiele oder Metaverse führen, aber auch das Gesundheitsfeld interessiert, beispielsweise in Roboterprothesen, Anwendungen zur Tele-Operation oder einfach medizinischem Training mit virtuellen Reality-Anwendungen.

Studientyp

Interventionell

Einschreibung (Geschätzt)

10

Phase

  • Unzutreffend

Kontakte und Standorte

Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.

Studienkontakt

Studieren Sie die Kontaktsicherung

Studienorte

Teilnahmekriterien

Forscher suchen nach Personen, die einer bestimmten Beschreibung entsprechen, die als Auswahlkriterien bezeichnet werden. Einige Beispiele für diese Kriterien sind der allgemeine Gesundheitszustand einer Person oder frühere Behandlungen.

Zulassungskriterien

Studienberechtigtes Alter

  • Erwachsene
  • Älterer Erwachsener

Akzeptiert gesunde Freiwillige

Ja

Beschreibung

Einschlusskriterien:

  • Gesunde, rechtshändige Freiwilligenfach,
  • Männlich oder weiblich,
  • Alter zwischen 18 und 65 Jahren inklusive,
  • BMI <30 kg/m²,
  • Minimaler Unterarmumfang von weniger als 15 cm,
  • Die Probanden stimmen der Rasur oder Trennung des rechten Unterarms zu.
  • Übereinstimmung mit der Studie Nicht-Opposition-Form,
  • Betreff mit einem Sozialversicherungsschema,
  • Registriert in der nationalen Datenbank von Personen, die an der biomedizinischen Forschung teilnehmen

Ausschlusskriterien:

  • Betreff mit einem bekannten motorischen Problem im richtigen Unterarm und in der Hand,
  • Bekannte Allergie oder Intoleranz gegen eine der Elektrodenkomponenten,
  • Vorhandensein einer Läsion im Messbereich,
  • Subjekt mit einem aktiven medizinischen Implantat (z. Schrittmacher, Cochlea -Implantat usw.),
  • Subjekt, das ein Verhütungsimplantat im Messbereich trägt.
  • Weibliche Betreff der Schwangerschaft zum Zeitpunkt der Messung,
  • Betreff weigert sich, den Bereich zu rasieren oder zu schneiden oder dessen Körperhaar das Rasieren oder Trimmen des Bereichs ausschließt,
  • Vorhandensein einer Pathologie, die die EMG wahrscheinlich verändert.
  • Personen, auf die in den Artikeln L1121-5 bis L1121-8 des Kodex für öffentliche Gesundheit erwähnt wird (entspricht allen geschützten Personen: Schwangere Frauen, Frauen in Arbeit, stillende Mütter, Personen, die ihrer Freiheit beraubt, die von gerichtlichen oder administrativen Entscheidungen oder administrativen Entscheidungen entzogen wurden. An ein Gesundheits- oder sozialer Einrichtung für andere Zwecke als Forschung, Minderjährige, Personen, die einer rechtlichen Schutzmaßnahme unterliegen oder ihre Zustimmung nicht aussprechen können).

Studienplan

Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.

Wie ist die Studie aufgebaut?

Designdetails

  • Hauptzweck: Sonstiges
  • Zuteilung: N / A
  • Interventionsmodell: Einzelgruppenzuweisung
  • Maskierung: Keine (Offenes Etikett)

Waffen und Interventionen

Teilnehmergruppe / Arm
Intervention / Behandlung
Experimental: HDC-Gcog
Hochdimensionales Computergestenerkennung
Gerät: HDC-Gcog
Oberflächenelektromyographieaufzeichnungen

Was misst die Studie?

Primäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Gestenerkennungsrate unter Verwendung eines Geräts, das aus 32 Hochfrequenz-EMG-Elektroden besteht
Zeitfenster: 3 Stunden
Berechnung der Gestenerkennungsrate, die in Prozent der Gestenerkennung ausgedrückt wird
3 Stunden

Sekundäre Ergebnismessungen

Ergebnis Maßnahme
Maßnahmenbeschreibung
Zeitfenster
Echtzeit-Gestenerkennung (Latenz <100 ms)
Zeitfenster: 3 Stunden
Messung der verbesserten Gestenerkennungsrate mit unserem HDC -Algorithmus im Vergleich zu anderen gemeinsamen Modellen
3 Stunden
Validierung der Positionierung und Anzahl der für die EMG -Erfassung verwendeten Elektroden, um die Gestenerkennungsraten zu maximieren
Zeitfenster: 3 Stunden
Berechnung der Gestenerkennungsraten basierend auf der Anzahl der verwendeten Elektroden und ihrer Position
3 Stunden
Analyse des Feedbacks des Probanden zur einfachen Durchführung der Gesten (in Form eines Fragebogens)
Zeitfenster: 3 Stunden
Die Bewertung des Gerätekomforts des Probanden als mehr als 6 auf einer visuellen Analogskala von 10 Punkten
3 Stunden

Mitarbeiter und Ermittler

Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.

Sponsor

University Hospital, Grenoble

Mitarbeiter

Commissariat à l'Energie Atomique (CEA) Grenoble
CLINATEC

Publikationen und hilfreiche Links

Die Bereitstellung dieser Publikationen erfolgt freiwillig durch die für die Eingabe von Informationen über die Studie verantwortliche Person. Diese können sich auf alles beziehen, was mit dem Studium zu tun hat.

Allgemeine Veröffentlichungen

  • Salerno, A., Barraud, S. (2024). Evaluation and implementation of High-Dimensionnal Computing for gesture recognition using sEMG signals. Proceedings of the 2024 International Conference on Control, Automation and Diagnosis (ICCAD)
  • Salerno, A., Barraud, S. (2025). Novel and efficient hyperdimensional encoding of surface electromyography signals for hand gesture recognition, Biosensor 2025.
  • A. Sultana, F. Ahmed, Md. S. Alam, A systematic review on surface electromyography-based classification system for identifying hand and finger movements, Healthcare Analytics, 3, 100126, 2022, DOI:10.1016/j.health.2022.100126
  • Sgambato, B. G., Castellano, G. (2022). Performance comparison of different classifiers applied to gesture recognition from sEMG signals. In Bastos-Filho, T. F., de Oliveira Caldeira, E. M., Frizera-Neto, A. (Eds.), XXVII Brazilian Congress on Biomedical Engineering. CBEB 2020. IFMBE Proceedings, Vol. 83. Springer, Cham

Studienaufzeichnungsdaten

Diese Daten verfolgen den Fortschritt der Übermittlung von Studienaufzeichnungen und zusammenfassenden Ergebnissen an ClinicalTrials.gov. Studienaufzeichnungen und gemeldete Ergebnisse werden von der National Library of Medicine (NLM) überprüft, um sicherzustellen, dass sie bestimmten Qualitätskontrollstandards entsprechen, bevor sie auf der öffentlichen Website veröffentlicht werden.

Haupttermine studieren

Studienbeginn (Geschätzt)

15. Januar 2026

Primärer Abschluss (Geschätzt)

1. April 2026

Studienabschluss (Geschätzt)

1. Juni 2026

Studienanmeldedaten

Zuerst eingereicht

19. August 2025

Zuerst eingereicht, das die QC-Kriterien erfüllt hat

26. August 2025

Zuerst gepostet (Geschätzt)

4. September 2025

Studienaufzeichnungsaktualisierungen

Letztes Update gepostet (Tatsächlich)

20. Januar 2026

Letztes eingereichtes Update, das die QC-Kriterien erfüllt

15. Januar 2026

Zuletzt verifiziert

1. Januar 2026

Mehr Informationen

Begriffe im Zusammenhang mit dieser Studie

Schlüsselwörter

Andere Studien-ID-Nummern

  • 38RC25.0179

Plan für individuelle Teilnehmerdaten (IPD)

Planen Sie, individuelle Teilnehmerdaten (IPD) zu teilen?

NEIN

Arzneimittel- und Geräteinformationen, Studienunterlagen

Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt

Nein

Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt

Nein

Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .

Klinische Studien zur Gesunde Freiwillige

Klinische Studien zur HDC-Gcog

Suchen Sie nach ähnlichen Studien

Sponsoren und Mitarbeiter

Krankheiten

Drogeninterventionen

CROs by country

CROs in Lebanon

Bedingungen

Seltene Krankheiten

Drogeninterventionen

Nahrungsergänzungsmittel

Sponsor / Mitarbeiter

Standorte

Abonnieren