Høydimensjonal databehandlingsgjenkjenning (HDC-GCog)
Hovedmålet med denne studien er forbedring av gestgjenkjenning og klassifiseringsnøyaktighet gjennom bruk av HDC -algoritmen sammenlignet med andre klassifiseringsmetoder (KNN, RF, SGD, NC). Anerkjennelsesgraden vil bli uttrykt ved følsomheten og spesifisiteten til gestgjenkjenning. Modellen vil bli opplært på en del av datasettet og testet på den gjenværende delen for å unngå skjevhet.
Sekundærens mål er:
- Forbedring av nøyaktigheten av gestgjenkjenning med vår HDC -algoritme sammenlignet med andre standardmodeller.
- Beregning av gestgjenkjenningshastigheter avhengig av antall brukt elektroder og deres posisjon.
- Emnets vurdering av enhetskomfort vurdert over 6 på en visuell analog skala på 10 nivåer.
- Emnets vurdering av enkel å utføre gesten vurdert over 6 på en visuell analog skala på 10 nivåer.
Studieoversikt
Detaljert beskrivelse
Dette prosjektet tar sikte på å jobbe med gestgjenkjenning basert på overflateelektromyografi (EMG) registrert på underarmen. CEA utvikler for tiden en læringsalgoritme basert på hyperdimensjonal databehandling designet for å forbedre nøyaktigheten og latensen til gestgjenkjenning. I motsetning til konvensjonelle databehandlingsmetoder, er den utviklede tilnærmingen avhengig av (pseudo) tilfeldige hypervektorer. Dette gir betydelige fordeler: en enkel algoritme med et veldefinert sett med aritmetiske operasjoner, ekstremt robust for støy og feil, med rask, en-pass-læring som til slutt kan dra nytte av en minnesentrisk arkitektur med en høy grad av parallellisme.
Denne forskningen kan føre til flere applikasjoner, for eksempel videospill eller Metaverse, men interesserer også sterkt helsefeltet, for eksempel innen robotproteser, tele-kirurgiske applikasjoner eller bare medisinsk trening ved bruk av virtual reality-applikasjoner.
Studietype
Registrering (Antatt)
Fase
- Ikke aktuelt
Kontakter og plasseringer
Studiekontakt
- Navn: Daniel ANGLADE, MD, PhD
- Telefonnummer: 04 38 78 17 46
- E-post: danglade@chu-grenoble.fr
Studer Kontakt Backup
- Navn: Caroline SANDRE-BALLESTER, PhD
- Telefonnummer: 04 38 78 28 51
- E-post: csandreballester@chu-grenoble.fr
Studiesteder
-
-
-
Grenoble, Frankrike, 38054
- Clinatec Cea/Chuga
-
Ta kontakt med:
- Daniel ANGLADE, MD, PhD
- Telefonnummer: 04 38 78 17 46
- E-post: danglade@chu-grenoble.fr
-
Ta kontakt med:
- Caroline SANDRE-BALLESTER, PhD
- Telefonnummer: 04 38 78 28 51
- E-post: csandreballester@chu-grenoble.fr
-
-
Deltakelseskriterier
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
- Voksen
- Eldre voksen
Tar imot friske frivillige
Beskrivelse
Inkluderingskriterier:
- Sunn, høyrehendt frivillig emne,
- Mann eller kvinne,
- Alder mellom 18 og 65 år inkluderende,
- BMI <30 kg/m²,
- Minimum underarmomkrets mindre enn 15 cm,
- Fagene er enige om å barbere eller trimme av høyre underarm.
- Avtale med studien ikke-opposisjonsskjema,
- Emne tilknyttet en trygdordning,
- Registrert i den nasjonale databasen over enkeltpersoner som deltar i biomedisinsk forskning
Eksklusjonskriterier:
- Emne med et kjent motorisk problem i høyre underarm og hånd,
- Kjent allergi eller intoleranse for en av elektrodekomponentene,
- Tilstedeværelse av en lesjon i måleområdet,
- Emne med et aktivt medisinsk implantat (f.eks. pacemaker, cochleaimplantat, etc.),
- Emne som har et prevensjonsimplantat i måleområdet.
- Kvinnelig underlagt graviditet på målingstidspunktet,
- Emne som nekter å barbere eller trimme området eller hvis kroppshår utelukker å barbere eller trimme området,
- Tilstedeværelse av en patologi som sannsynligvis vil endre EMG.
- Personer henvist til i artikler L1121-5 til L1121-8 i folkehelsekoden (tilsvarer alle beskyttede personer: gravide, kvinner i arbeidskraft, ammende mødre, personer fratatt deres frihet av rettslige eller administrative beslutninger, personer som mottar psykiatrisk omsorg under artikkelen L. 32221 og L. 3213-1-1-en som er under artikkelen. innlagt på en helse eller sosial etablering for andre formål enn forskning, mindreårige, personer underlagt et rettslig beskyttelsesmål eller ikke i stand til å uttrykke sitt samtykke).
Studieplan
Hvordan er studiet utformet?
Designdetaljer
- Primært formål: Annen
- Tildeling: N/A
- Intervensjonsmodell: Enkeltgruppeoppdrag
- Masking: Ingen (Open Label)
Våpen og intervensjoner
Deltakergruppe / Arm |
Intervensjon / Behandling |
|---|---|
|
Eksperimentell: HDC-GCOG
Høydimensjonal databehandlingsgjenkjenning
|
Overflateelektromyografiposter
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Gestegjenkjenningshastighet ved bruk av en enhet sammensatt av 32 høyfrekvente overflate EMG-elektroder
Tidsramme: 3 timer
|
Beregning av gestgjenkjenningsrate uttrykt i prosent av gestgjenkjenning
|
3 timer
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
REALTIME GESTURE GJENNOMGANG (latens <100ms)
Tidsramme: 3 timer
|
Måling av den forbedrede gestgjenkjenningshastigheten med vår HDC -algoritme sammenlignet med andre vanlige modeller
|
3 timer
|
|
Validering av posisjonering og antall elektroder som brukes til EMG -anskaffelse for å maksimere gestgjenkjenningshastigheter
Tidsramme: 3 timer
|
Beregning av gestgjenkjenningshastigheter basert på antall brukt elektroder og deres posisjon
|
3 timer
|
|
Analyse av motivets tilbakemelding angående enkel utførelse av gestene (i form av et spørreskjema)
Tidsramme: 3 timer
|
Emnets vurdering av enhetskomfort som større enn 6 på en 10-punkts visuell analog skala
|
3 timer
|
Samarbeidspartnere og etterforskere
Sponsor
Publikasjoner og nyttige lenker
Generelle publikasjoner
- 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
Studierekorddatoer
Studer hoveddatoer
Studiestart (Antatt)
Primær fullføring (Antatt)
Studiet fullført (Antatt)
Datoer for studieregistrering
Først innsendt
Først innsendt som oppfylte QC-kriteriene
Først lagt ut (Antatt)
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
Siste oppdatering sendt inn som oppfylte QC-kriteriene
Sist bekreftet
Mer informasjon
Begreper knyttet til denne studien
Nøkkelord
Andre studie-ID-numre
- 38RC25.0179
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Studerer et amerikansk FDA-regulert enhetsprodukt
Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .