Reconhecimento de gestos de alta dimensão de computação (HDC-GCog)
O objetivo principal deste estudo é a melhoria da precisão do reconhecimento e classificação de gestos através do uso do algoritmo HDC em comparação com outros métodos de classificação (KNN, RF, SGD, NC). A taxa de reconhecimento será expressa pela sensibilidade e especificidade do reconhecimento de gestos. O modelo será treinado em uma parte do conjunto de dados e testado na parte restante para evitar qualquer viés.
Os objetivos secundários são:
- Melhoria da precisão do reconhecimento de gestos com nosso algoritmo HDC em comparação com outros modelos padrão.
- Cálculo das taxas de reconhecimento de gestos, dependendo do número de eletrodos utilizados e de sua posição.
- Avaliação do sujeito do conforto do dispositivo classificado acima de 6 em uma escala analógica visual de 10 níveis.
- Avaliação do sujeito da facilidade de realizar o gesto classificado acima de 6 em uma escala analógica visual de 10 níveis.
Visão geral do estudo
Status
Condições
Intervenção / Tratamento
Descrição detalhada
Este projeto tem como objetivo trabalhar sobre reconhecimento de gestos com base na eletromiografia da superfície (EMG) registrada no antebraço. Atualmente, o CEA está desenvolvendo um algoritmo de aprendizado baseado em computação hiperdimensional projetada para melhorar a precisão e a latência do reconhecimento de gestos. Ao contrário dos métodos de computação convencionais, a abordagem desenvolvida depende de hipervetores aleatórios (pseudo). Isso traz vantagens significativas: um algoritmo simples com um conjunto bem definido de operações aritméticas, extremamente robusta a ruído e erros, com aprendizado rápido e de uma passagem que poderia se beneficiar de uma arquitetura centrada na memória com um alto grau de paralelismo.
Esta pesquisa pode levar a várias aplicações, como videogame ou o metaverso, mas também interessa fortemente ao campo de saúde, por exemplo, em próteses robóticas, aplicativos de tele-cirurgia ou simplesmente treinamento médico usando aplicações de realidade virtual.
Tipo de estudo
Inscrição (Estimado)
Estágio
- Não aplicável
Contactos e Locais
Contato de estudo
- Nome: Daniel ANGLADE, MD, PhD
- Número de telefone: 04 38 78 17 46
- E-mail: danglade@chu-grenoble.fr
Estude backup de contato
- Nome: Caroline SANDRE-BALLESTER, PhD
- Número de telefone: 04 38 78 28 51
- E-mail: csandreballester@chu-grenoble.fr
Locais de estudo
-
-
-
Grenoble, França, 38054
- Clinatec Cea/Chuga
-
Contato:
- Daniel ANGLADE, MD, PhD
- Número de telefone: 04 38 78 17 46
- E-mail: danglade@chu-grenoble.fr
-
Contato:
- Caroline SANDRE-BALLESTER, PhD
- Número de telefone: 04 38 78 28 51
- E-mail: csandreballester@chu-grenoble.fr
-
-
Critérios de participação
Critérios de elegibilidade
Idades elegíveis para estudo
- Adulto
- Adulto mais velho
Aceita Voluntários Saudáveis
Descrição
Critérios de inclusão:
- Assunto voluntário saudável e destro,
- Macho ou fêmea,
- Idade entre 18 e 65 anos inclusive,
- IMC <30 kg/m²,
- Circunferência mínima do antebraço inferior a 15 cm,
- Os sujeitos concordam em barbear ou aparar o antebraço direito.
- Acordo para o formulário de não oposição do estudo,
- Sujeito afiliado a um esquema de seguridade social,
- Registrado no banco de dados nacional de indivíduos que participam de pesquisa biomédica
Critérios de exclusão:
- Assunto com um problema motor conhecido no antebraço e mão certos,
- Alergia ou intolerância conhecida para um dos componentes do eletrodo,
- Presença de uma lesão na área de medição,
- Assunto com um implante médico ativo (p. Pacemaker, implante coclear, etc.),
- Assunto usando um implante contraceptivo na área de medição.
- Sujeito feminino ciente da gravidez no momento da medição,
- Assunto se recusando a fazer a barba ou aparar a área ou cujo pêlos do corpo impede a barbear ou aparar a área,
- Presença de uma patologia que provavelmente alterará o EMG.
- Pessoas referidas nos artigos L1121-5 a L1121-8 do Código de Saúde Pública (corresponde a todas as pessoas protegidas: mulheres grávidas, mulheres em trabalho de parto, mães que amamentam, as pessoas privadas de sua liberdade por uma decisão que não são do que a queda de 321-12-12-1113, que não recebeu o número de atendimentos psiquiátricos em que os artigos de 321-12-12-12-113, que não são atendidos em 321-12-12-1213, que não são os que estão em que os artigos de 321-12-12-1213, que estão em uso de pessoas que estão em relação aos artigos de 321-12-12-12-1213, que não são os que estão em que os artigos de que são os artigos em 3212-12-12-1 e 32-1213, que não. um estabelecimento de saúde ou social para outros propósitos que não pesquisas, menores, pessoas sujeitas a uma medida de proteção legal ou incapazes de expressar seu consentimento).
Plano de estudo
Como o estudo é projetado?
Detalhes do projeto
- Finalidade Principal: Outro
- Alocação: N / D
- Modelo Intervencional: Atribuição de grupo único
- Mascaramento: Nenhum (rótulo aberto)
Armas e Intervenções
Grupo de Participantes / Braço |
Intervenção / Tratamento |
|---|---|
|
Experimental: HDC-GCOG
Reconhecimento de gestos de alta dimensão de computação
|
Registros de eletromiografia de superfície
|
O que o estudo está medindo?
Medidas de resultados primários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Taxa de reconhecimento de gestos usando um dispositivo composto por 32 eletrodos EMG de superfície de alta frequência
Prazo: 3 horas
|
Cálculo da taxa de reconhecimento de gestos expressa na porcentagem de reconhecimento de gestos
|
3 horas
|
Medidas de resultados secundários
Medida de resultado |
Descrição da medida |
Prazo |
|---|---|---|
|
Reconhecimento de gestos em tempo real (latência <100ms)
Prazo: 3 horas
|
Medição da taxa de reconhecimento de gestos aprimorada com nosso algoritmo HDC em comparação com outros modelos comuns
|
3 horas
|
|
Validação do posicionamento e número de eletrodos usados para aquisição de EMG para maximizar as taxas de reconhecimento de gestos
Prazo: 3 horas
|
Cálculo das taxas de reconhecimento de gestos com base no número de eletrodos utilizados e em sua posição
|
3 horas
|
|
Análise do feedback do sujeito sobre a facilidade de realizar os gestos (na forma de um questionário)
Prazo: 3 horas
|
Classificação do sujeito do conforto do dispositivo como maior que 6 em uma escala analógica visual de 10 pontos
|
3 horas
|
Colaboradores e Investigadores
Patrocinador
Publicações e links úteis
Publicações Gerais
- 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
Datas de registro do estudo
Datas Principais do Estudo
Início do estudo (Estimado)
Conclusão Primária (Estimado)
Conclusão do estudo (Estimado)
Datas de inscrição no estudo
Enviado pela primeira vez
Enviado pela primeira vez que atendeu aos critérios de CQ
Primeira postagem (Estimado)
Atualizações de registro de estudo
Última Atualização Postada (Real)
Última atualização enviada que atendeu aos critérios de controle de qualidade
Última verificação
Mais Informações
Termos relacionados a este estudo
Palavras-chave
- Eletromiografia de superfície (SEMG)
- Algoritmo de classificação de vizinhos mais parecidos com K (KNN)
- Algoritmo de classificação dos centróides mais próximos (NC)
- Algoritmo de Classificação Florestal Random (RF)
- Algoritmo de classificação de descida de gradiente estocástico (SGD)
- Computação de alta dimensão (HDC)
Outros números de identificação do estudo
- 38RC25.0179
Plano para dados de participantes individuais (IPD)
Planeja compartilhar dados de participantes individuais (IPD)?
Informações sobre medicamentos e dispositivos, documentos de estudo
Estuda um medicamento regulamentado pela FDA dos EUA
Estuda um produto de dispositivo regulamentado pela FDA dos EUA
Essas informações foram obtidas diretamente do site clinicaltrials.gov sem nenhuma alteração. Se você tiver alguma solicitação para alterar, remover ou atualizar os detalhes do seu estudo, entre em contato com register@clinicaltrials.gov. Assim que uma alteração for implementada em clinicaltrials.gov, ela também será atualizada automaticamente em nosso site .