Hög dimensionell datorkontroll (HDC-GCog)
Det primära målet med denna studie är förbättringen av gestigenkänning och klassificeringsnoggrannhet genom användning av HDC -algoritmen jämfört med andra klassificeringsmetoder (KNN, RF, SGD, NC). Erkännandehastigheten kommer att uttryckas genom känsligheten och specificiteten för gestigenkänning. Modellen kommer att tränas på en del av datasättet och testas på den återstående delen för att undvika förspänning.
De sekundära målen är:
- Förbättring av gestigenkänningsnoggrannhet med vår HDC -algoritm jämfört med andra standardmodeller.
- Beräkning av gestigenkänningshastigheter beroende på antalet elektroder som används och deras position.
- Ämnet bedömning av enhetskomforten som är klassad över 6 på en 10-nivå visuell analog skala.
- Ämnet bedömning av enkelhet att utföra gesten som är klassad över 6 på en 10-nivå visuell analog skala.
Studieöversikt
Status
Betingelser
Intervention / Behandling
Detaljerad beskrivning
Detta projekt syftar till att arbeta med gestigenkänning baserat på ytelektromyografi (EMG) registrerat på underarmen. CEA utvecklar för närvarande en inlärningsalgoritm baserad på hyperdimensionell dator som är utformad för att förbättra noggrannheten och latensen för gestigenkänning. Till skillnad från konventionella datormetoder förlitar sig den utvecklade tillvägagångssättet på (pseudo) slumpmässiga hypervektorer. Detta ger betydande fördelar: en enkel algoritm med en väldefinierad uppsättning aritmetiska operationer, extremt robust för brus och fel, med snabbt, en-pass-lärande som i slutändan kan dra nytta av en minnescentrisk arkitektur med en hög grad av parallellism.
Denna forskning kan leda till flera applikationer, till exempel videospel eller metaverse, men intresserar också starkt sjukvårdsområdet, till exempel i robotproteser, tele-operativa applikationer eller helt enkelt medicinsk utbildning med hjälp av virtual reality-applikationer.
Studietyp
Inskrivning (Beräknad)
Fas
- Inte tillämpbar
Kontakter och platser
Studiekontakt
- Namn: Daniel ANGLADE, MD, PhD
- Telefonnummer: 04 38 78 17 46
- E-post: danglade@chu-grenoble.fr
Studera Kontakt Backup
- Namn: Caroline SANDRE-BALLESTER, PhD
- Telefonnummer: 04 38 78 28 51
- E-post: csandreballester@chu-grenoble.fr
Studieorter
-
-
-
Grenoble, Frankrike, 38054
- Clinatec Cea/Chuga
-
Kontakt:
- Daniel ANGLADE, MD, PhD
- Telefonnummer: 04 38 78 17 46
- E-post: danglade@chu-grenoble.fr
-
Kontakt:
- Caroline SANDRE-BALLESTER, PhD
- Telefonnummer: 04 38 78 28 51
- E-post: csandreballester@chu-grenoble.fr
-
-
Deltagandekriterier
Urvalskriterier
Åldrar som är berättigade till studier
- Vuxen
- Äldre vuxen
Tar emot friska volontärer
Beskrivning
Inkluderingskriterier:
- Friskt, högerhänt volontärämne,
- Manlig eller kvinna,
- Ålder mellan 18 och 65 år inklusive,
- BMI <30 kg/m²,
- Minsta underarmens omkrets mindre än 15 cm,
- Ämnen är överens om att rakning eller trimning av höger underarm.
- Avtal till studien som inte är opposition,
- Ämne anslutet till ett social trygghetssystem,
- Registrerad i den nationella databasen för individer som deltar i biomedicinsk forskning
Uteslutningskriterier:
- Ämne med ett känt motoriskt problem i höger underarm och hand,
- Känd allergi eller intolerans till en av elektrodkomponenterna,
- Närvaro av en lesion i mätområdet,
- Ämne med ett aktivt medicinskt implantat (t.ex. Pacemaker, cochleaimplantat, etc.),
- Ämne som bär ett preventivimplantat i mätområdet.
- Kvinnlig ämne medveten om graviditet vid mätningstillfället,
- Ämnet som vägrar att raka eller trimma området eller vars kroppshår utesluter rakning eller trimning av området,
- Närvaro av en patologi som sannolikt kommer att förändra EMG.
- Personer som hänvisas till i artiklarna L1121-5 till L1121-8 i folkhälsokoden (motsvarar alla skyddade personer: gravida kvinnor, kvinnor i arbetet, amning av mödrar, personer som är berövade sin frihet av rättsliga eller administrativa beslut, personer som får psykiatriska vård under artiklar L. 3212-1 och L. 3213-1 som inte är under de förekommer som får en Psychiatric Care under artiklar L. 3212-1 och L. 3213131 som inte faller under en artikel om Psychiatric-Care under artiklar L. 3212-1 och L. 3213131 som inte kommer att falla under. Hälsa eller social etablering för andra ändamål än forskning, minderåriga, personer som är föremål för ett rättsligt skyddsåtgärd eller inte kan uttrycka sitt samtycke).
Studieplan
Hur är studien utformad?
Designdetaljer
- Primärt syfte: Övrig
- Tilldelning: N/A
- Interventionsmodell: Enskild gruppuppgift
- Maskning: Ingen (Open Label)
Vapen och interventioner
Deltagargrupp / Arm |
Intervention / Behandling |
|---|---|
|
Experimentell: Hdc-gcog
Hög dimensionell datorkontroll
|
Ytelektromyografi Records
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Gestigenkänningshastighet med hjälp av en enhet bestående av 32 högfrekventa yta EMG-elektroder
Tidsram: 3 timmar
|
Beräkning av gestigenkänningsgraden uttryckt i procent av gestigenkänning
|
3 timmar
|
Sekundära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Realtidsgestigenkänning (latens <100ms)
Tidsram: 3 timmar
|
Mätning av den förbättrade gestigenkänningshastigheten med vår HDC -algoritm jämfört med andra vanliga modeller
|
3 timmar
|
|
Validering av positioneringen och antalet elektroder som används för EMG -förvärv för att maximera gestigenkänningsgraden
Tidsram: 3 timmar
|
Beräkning av gestigenkänningshastigheter baserat på antalet elektroder som används och deras position
|
3 timmar
|
|
Analys av motivets feedback när det gäller att utföra gesterna (i form av ett frågeformulär)
Tidsram: 3 timmar
|
Ämneens betyg av enhetskomfort som större än 6 på en 10-punkts visuell analog skala
|
3 timmar
|
Samarbetspartners och utredare
Sponsor
Publikationer och användbara länkar
Allmänna publikationer
- 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
Studieavstämningsdatum
Studera stora datum
Studiestart (Beräknad)
Primärt slutförande (Beräknad)
Avslutad studie (Beräknad)
Studieregistreringsdatum
Först inskickad
Först inskickad som uppfyllde QC-kriterierna
Första postat (Beräknad)
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
Senast verifierad
Mer information
Termer relaterade till denna studie
Nyckelord
Andra studie-ID-nummer
- 38RC25.0179
Plan för individuella deltagardata (IPD)
Planerar du att dela individuella deltagardata (IPD)?
Läkemedels- och apparatinformation, studiedokument
Studerar en amerikansk FDA-reglerad läkemedelsprodukt
Studerar en amerikansk FDA-reglerad produktprodukt
Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .