此页面是自动翻译的，不保证翻译的准确性。请参阅 英文版 对于源文本。

高维计算手势识别 (HDC-GCog)

2026年1月15日 更新者：University Hospital, Grenoble

这项研究的主要目的是通过使用HDC算法与其他分类方法（KNN，RF，SGD，NC）相比，通过使用HDC算法来提高手势识别和分类精度。 识别率将由手势识别的灵敏度和特异性表示。 该模型将在数据集的一部分上进行培训，并在其余部分进行测试，以避免任何偏差。

次级目标是：

  • 与其他标准模型相比，我们的HDC算法提高了手势识别精度。
  • 根据所使用的电极数量及其位置计算手势识别率。
  • 受试者对设备舒适度的评估在10级视觉模拟量表上评为6上以上的评估。
  • 受试者对在10级视觉模拟量表上进行6级高于6的手势的易用性评估。

研究概览

地位

尚未招聘

条件

干预/治疗

详细说明

该项目旨在根据前臂记录的表面肌电图（EMG）进行手势识别。 CEA目前正在基于旨在提高手势识别的准确性和潜伏期的高维计算基础开发学习算法。 与常规计算方法不同，开发的方法依赖于（伪）随机过度向量。 这带来了很大的优势：一种简单的算法，具有明确定义的算术操作，对噪声和错误极为强大，并具有快速，一通学习，最终可以从具有高度并行性的以内存为中心的体系结构中受益。

这项研究可能会导致多种应用，例如视频游戏或元游戏，但也对医疗保健领域感兴趣，例如在机器人假体，电视手术应用中或仅使用虚拟现实应用程序进行医学培训。

研究类型

介入性

注册 (估计的)

10

阶段

  • 不适用

联系人和位置

本节提供了进行研究的人员的详细联系信息，以及有关进行该研究的地点的信息。

学习联系方式

研究联系人备份

学习地点

参与标准

研究人员寻找符合特定描述的人，称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。

资格标准

适合学习的年龄

  • 成人
  • 年长者

接受健康志愿者

是的

描述

纳入标准：

  • 健康的右撇子志愿者，
  • 男女不限，
  • 年龄在18至65岁之间，包括
  • BMI <30 kg/m²，
  • 最小前臂周长小于15厘米，
  • 受试者同意剃须或修剪正确的前臂。
  • 一致研究非重视形式，
  • 隶属于社会保障计划，
  • 在参加生物医学研究的个人的国家数据库中注册

排除标准：

  • 主题在右前臂和手中有已知的电机问题，
  • 已知对一种电极成分之一的过敏或不耐受，
  • 在测量区域存在病变，
  • 受主动的医疗植入物受到（例如 起搏器，人工耳蜗等），
  • 受试者在测量区域中穿着避孕植入物。
  • 女性在测量时意识到怀孕的受试者，
  • 受试者拒绝剃须或修剪区域，或者其身体头发排除剃须或修剪区域的受试者，
  • 病理的存在可能会改变EMG。
  • L1121-5到《公共卫生法典》中提到的人提到的人（对应于所有受保护的人：孕妇，劳动妇女，劳动妇女，母乳喂养的母亲，因司法或行政决定所剥夺了自由，在第3212-1-1-1章中接受精神护理的人，不受3212-1的精神护理的规定。卫生或社会机构出于研究以外的其他目的，未成年人，受到法律保护措施或无法表达同意的人）。

学习计划

本节提供研究计划的详细信息，包括研究的设计方式和研究的衡量标准。

研究是如何设计的？

设计细节

  • 主要用途：其他
  • 分配：不适用
  • 介入模型：单组作业
  • 屏蔽：无（打开标签）

武器和干预

参与者组/臂
干预/治疗
实验性的：HDC-GCOG
高维计算手势识别
设备：HDC-GCOG
表面肌电图记录

研究衡量的是什么？

主要结果指标

结果测量
措施说明
大体时间
使用由32个高频表面EMG电极组成的设备的手势识别率
大体时间：3小时
以手势识别百分比表示的手势识别率的计算
3小时

次要结果测量

结果测量
措施说明
大体时间
实时手势识别（延迟<100ms）
大体时间：3小时
与其他常见模型相比
3小时
验证用于EMG获取的电极的定位和数量，以最大程度地提高手势识别率
大体时间：3小时
根据所用电极数量及其位置计算手势识别率
3小时
分析主题有关易于执行手势的反馈（以问卷调查的形式）
大体时间：3小时
受试者的设备舒适度评级为10点视觉模拟量表大于6
3小时

合作者和调查者

在这里您可以找到参与这项研究的人员和组织。

赞助

University Hospital, Grenoble

合作者

Commissariat à l'Energie Atomique (CEA) Grenoble
CLINATEC

出版物和有用的链接

负责输入研究信息的人员自愿提供这些出版物。这些可能与研究有关。

一般刊物

  • 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

研究记录日期

这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查，以确保它们在发布到公共网站之前符合特定的质量控制标准。

研究主要日期

学习开始 (估计的)

2026年1月15日

初级完成 (估计的)

2026年4月1日

研究完成 (估计的)

2026年6月1日

研究注册日期

首次提交

2025年8月19日

首先提交符合 QC 标准的

2025年8月26日

首次发布 (估计的)

2025年9月4日

研究记录更新

最后更新发布 (实际的)

2026年1月20日

上次提交的符合 QC 标准的更新

2026年1月15日

最后验证

2026年1月1日

更多信息

与本研究相关的术语

关键字

其他研究编号

  • 38RC25.0179

计划个人参与者数据 (IPD)

计划共享个人参与者数据 (IPD)？

不

药物和器械信息、研究文件

研究美国 FDA 监管的药品

不

研究美国 FDA 监管的设备产品

不

此信息直接从 clinicaltrials.gov 网站检索，没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求，请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改，我们的网站上也会自动更新.

订阅