XiaoMi-AI文件搜索系统
World File Search System肌电图
表面肌电图揭示了中间三角肌作为反向总肩关节置换术后功能优势的肩部肌肉
针对肩袖节关节病的患者指示了反向总肩关节置换术（RSA），这种疾病以藻毛性关节炎和肩袖袖口不足为特征。RSA假体通过将肱骨头转换为插座，将腺体转化为半球，从而违背了自然的肩关节解剖结构，从而导致内侧旋转中心和延长的肱骨[1,2]。这种设计改变了肩膀的生物力学，增加了三角肌纤维纤维的募集，并最终与肩部强度相比，与常规的总肩关节置换术相比，具有卓越的稳定性和控制性[1]。在恢复过程中，肩袖和支撑肌肉，尤其是三角肌，适应肩膀改变的生物力学，对肌肉活动，功能结果和运动范围产生重大影响[3-5]。肌肉活动或适应性可以通过肌肉测试来评估，使用小针电电极或粘附在皮肤上的表面电极进行评估。表面肌电图（SEMG）最近已被证明是一种有效且无创的工具，用于量化肩部中的个体肌肉激活，并已在临床诊断和康复环境中广泛使用[3,6-9]。
基于肌电图的仿生信号处理...
Aerobotix Technosolutions，印度马哈拉施特拉邦科尔哈普尔 摘要 EMG 传感器已广泛应用于辅助技术、生物医学和人机界面。本文讨论了具有紧凑设计和信号采集的 EMG 传感器的开发。该系统捕获、过滤和放大肌肉信号，以使其可用于假肢、康复和诊断等许多领域。 关键词：EMG 信号、辅助设备、信号放大、信号处理、肌电图、仿生手臂、康复、生物医学、脑机接口、可穿戴技术、神经肌肉功能、假肢设备、电信号、神经康复、外骨骼。 I. 介绍 肌电图传感器捕捉肌肉收缩引起的电活动，这使得它能够应用于仿生手臂、康复、生物医学诊断、人机界面等广泛的领域。使用 EMG 传感器，我们可以记录肌肉产生的电活动，这有助于物理治疗师分析肌肉活动并识别薄弱的肌肉。因此，可以使用该数据为患者创建康复程序。它用于外骨骼和仿生手臂，为身体残疾的患者提供运动支持。它们有助于通过适应用户独特的肌肉模式和力量来定制辅助设备。传感器越紧凑，用户体验就越好。这些传感器将监测肌肉健康并防止慢性病患者的肌肉萎缩。据世界卫生组织称，全世界约有 3000 万人需要假肢或其他辅助设备。肌电图传感器在改善辅助技术领域的生活质量方面发挥着重要作用。机器学习的技术进步将提高传感器的效率。它将根据用户的数据进行学习，并能够在仿生手臂的情况下提供快速的实时反馈。本文介绍了一种紧凑型肌电图传感器电路的开发和实现。二、文献综述在 Crea 等人 (2019) 进行的研究中，肌电图信号允许用户使用肌肉收缩来控制假肢。根据 Liao 等人的研究，肌电图信号允许用户使用肌肉收缩来控制假肢。 (2020)，研究使用带有机器学习算法的 EMG 传感器，这将实现精确控制，减少反馈时间和自然运动。根据 Basmajian 等人 (2017) 的说法，功能性电刺激 (FES) 对于脊髓损伤患者的康复 EMG 传感器起着至关重要的作用。刺激特定肌肉有助于患者恢复运动控制。
使用多重分形去趋势波动分析和表面肌电图进行人体手势识别 A. Hajihashemi a、F. Ebrahimi *a、H. Monta
大多数日常活动需要灵巧地使用手和手指。残疾人的手部假肢可以通过连接到上肢的表面电极非侵入式获取的表面肌电图 (sEMG) 信号来控制。在对从 10 位截肢者获取的 12 个电极 sEMG 信号进行预处理后，计算了时域和频域中的不同特征。考虑到 sEMG 是一种复杂、随机、非平稳和非线性信号，还通过多重分形去趋势波动分析 (MFDFA) 的方法提取了复杂的非线性特征。使用不同的分类方法（包括支持向量机 (SVM)、线性判别分析 (LDA) 和多层感知器 (MLP)）来比较它们在八种不同手指运动分类中的表现。观察发现，SVM 在手指运动分类方面的表现优于其他两个分类器。新特征与传统特征融合后，分类准确率、精确率、召回率（灵敏度）分别为98.70%、98.74%、98.67%。结果表明，加入MFDFA提取的新特征与其他传统特征，可以有效提高数据采集效果。
肌电图和元神经腕带
1,2 I MCA 学生，圣菲洛梅娜学院（自治学院），迈索尔，印度 摘要 最近，通过合并脑机接口和肌电图 (EMG)，人机交互 (HCI) 的潜力令人鼓舞。为了实现更加用户友好和有效的 HCI，本研究调查了 Meta 神经腕带的创建和使用，它是一种结合了神经接口和 EMG 技术的独特设备。为了辨别用户意图并提供对数字设备的实时控制，腕带会记录、处理和评估 EMG 数据以及神经活动。这种双重策略既利用神经接口的广泛功能，又利用 EMG 在肌肉信号识别方面的准确性，提供了流畅、用户友好的体验。根据我们的研究，与传统技术相比，Meta 神经腕带大大提高了交互速度和准确性，为交互系统、假肢和康复中的更复杂用途打开了大门。本研究预览了未来的可穿戴计算设备，并强调了集成生物信号技术彻底改变 HCI 的潜力。 关键词：人机交互 (HCI)、肌电图 (EMG)、元神经腕带、超低摩擦 AR 界面、超低摩擦输入、情境感知 AI、外周神经系统 (PNS)、腕部动态控制、自适应界面和点击智能的发展方向、专注于触觉。 介绍随着神经接口技术的引入，人机交互 (HCI) 领域迅速发展，其目标是开发更自然、更直观的方法让人与机器连接。该领域的一个重要因素是肌电图 (EMG)，一种捕捉骨骼肌产生的电活动的方法。EMG 是创建复杂神经接口的重要工具，因为它可以通过捕获肌肉信号来收集人类意图和身体运动。元神经腕带是一种创新的可穿戴设备，带有 EMG 传感器，旨在通过提供更准确、更灵敏的控制方法来改善 HCI。这款腕带利用肌电图 (EMG) 检测肌肉运动并将其转换为数字命令，使人与计算机之间的通信达到了新的水平。此功能具有很大的潜力，可以提高身体残疾人士的可访问性，并增强常见消费电子产品的功能。在本文中，我们研究了肌电图和元神经腕带的互补性，并展示了它们如何协同工作以改变人机交互。我们探索了
将肌电图生物信号转化为合成声音的端到端乐器系统
摘要：本文介绍了一种结合硬件和软件的定制系统，该系统可感知表演者身体因肌肉收缩而产生的生理信号，并将其转换为计算机合成的声音。我们的目标是在该领域研究历史的基础上开发一个完整的集成系统，供非专业音乐家使用。我们描述了 Embodied AudioVisual 交互肌电图，这是一个端到端系统，涵盖音乐家身体上的可穿戴传感、基于定制微控制器的生物信号采集硬件、基于机器学习的手势到声音映射中间件和基于软件的粒度合成声音输出。一种新颖的硬件设计以最少的模拟预处理将来自肌肉的肌电图信号数字化，并在音频信号处理链中将其作为类兼容的音频和无线 MIDI 接口处理。映射层在强化学习配置中实现了交互式机器学习工作流程，并可以将手势特征映射到多维信息空间中的听觉元数据。该系统调整了现有的机器学习和合成模块，使其与硬件配合使用，形成了一个集成的端到端系统。我们通过一系列公开演讲和一系列音乐从业者的音乐会表演探索了其作为数字乐器的潜力。
将肌电图生物信号转化为合成声音的端到端乐器系统
摘要：本文介绍了一种结合硬件和软件的定制系统，该系统可感知表演者身体因肌肉收缩而产生的生理信号，并将其转换为计算机合成的声音。我们的目标是在该领域研究历史的基础上开发一个完整的集成系统，供非专业音乐家使用。我们描述了 Embodied AudioVisual 交互肌电图，这是一个端到端系统，涵盖音乐家身体上的可穿戴传感、基于定制微控制器的生物信号采集硬件、基于机器学习的手势到声音映射中间件和基于软件的粒度合成声音输出。一种新颖的硬件设计以最少的模拟预处理将来自肌肉的肌电图信号数字化，并在音频信号处理链中将其作为类兼容的音频和无线 MIDI 接口处理。映射层在强化学习配置中实现了交互式机器学习工作流程，并可以将手势特征映射到多维信息空间中的听觉元数据。该系统调整了现有的机器学习和合成模块，使其与硬件配合使用，形成了一个集成的端到端系统。我们通过一系列公开演讲和一系列音乐从业者的音乐会表演探索了其作为数字乐器的潜力。
肌肉指导的吉他踏板：通过表面肌电图和深度学习探索互动策略
本文探讨了一种与吉他踏板进行传统互动的方法。通过分析通过表面肌电图（SEMG）可穿戴传感器跟踪的肌肉收缩，我们旨在调查如何动态跟踪吉他手的声音意图，以自动控制吉他声音。基于双向长期记忆的两个复发性神经网络被删除，以实时分析SEMG信号。该系统被设计为一种数字乐器，可在初始培训过程中向每个用户校准。在培训期间，音乐家提供了他们的手势词汇，将每个手势都带到相应的踏板预设中。最有效的特征与最佳肌肉相当，以优化系统的学习率。通过一项用户研究评估了该系统，其中包括七个专家吉他手。sults表明，平均而言，参与者赞赏该系统的基础概念，并认为它能够促进其创造力。
通过可解释的人工智能解释中风受损的肌电图模式
摘要：肌电图 (EMG) 在识别缺血性中风引起的神经肌肉改变方面具有宝贵的肌电表现，可作为诊断缺血引起的步态障碍的潜在标记。本研究旨在开发一个可解释的机器学习 (ML) 框架，通过可解释的人工智能 (XAI) 技术区分中风患者和健康个体的肌电模式。该研究包括 48 名在康复中心接受治疗的中风患者（平均年龄 70.6 岁，65% 为男性），以及 75 名健康成年人（平均年龄 76.3 岁，32% 为男性）作为对照组。在步态实验室的室内地面行走期间，从放置在双下肢股二头肌和外侧腓肠肌上的可穿戴设备记录 EMG 信号。我们部署了 Boosting ML 技术，利用 EMG 步态特征识别中风相关的步态障碍。此外，我们还采用了 XAI 技术，例如 Shapley 加法解释 (SHAP)、局部可解释模型不可知解释 (LIME) 和 Anchors，以解释 EMG 变量在中风预测模型中的作用。在评估的 ML 模型中，GBoost 模型在与训练数据集进行交叉验证时表现出最高的分类性能 (AUROC：0.94)，并且在使用测试 EMG 数据集进行评估时也表现出色 (AUROC：0.92，准确率：85.26%)。通过 SHAP 和 LIME 分析，研究发现有助于区分中风组和对照组的 EMG 频谱特征与右侧股二头肌和外侧腓肠肌有关。这种可解释的基于 EMG 的中风预测模型有望成为预测中风后步态障碍的客观工具。它的潜在应用可以通过提供可靠的 EMG 生物标志物极大地帮助管理中风后康复，并解决缺血性中风患者的潜在步态障碍。
使用可穿戴肌电图的肌肉活动分析的可靠性和有效性
摘要。[目的]这项研究的目的是开发一种名为NOK的新型可穿戴肌电图，并将其可靠性和有效性与现有肌电图进行比较。[参与者和方法]研究症状是23名健康的大学生（7名男性和16名女性； 20.3±1.1岁[平均值±标准偏差]；高度162.0±6.7 cm；体重58.4±10.1 kg，他们都给予了知情的书面同意。新开发的肌电图（NOK）具有不需要电极的橡胶皮肤接触表面，并允许在便携式个人计算机上获取多达10个肌肉波形的肌肉波形。在测量最大等距肘部伸展和屈曲之后，我们在肘关节屈曲和延伸期间检查了肌肉波形，并使用NOK和DELSYS ELEC-ELEC-tromographings和两种设备的结果进行了大约50％的最大自愿收缩。[结果]我们发现了两个设备的二头肌和三头肌之间的测量之间有显着的中等相关性。两种设备的测量结果也显示出强烈的测量可靠性。的系统误差和伸展，表明两种测量方法之间的一致性有限。[结论]尽管新设备的可重复性和可靠性也很高，但不适合分析详细的肌肉活动。但是，由于它可以测量多达10个肌肉活动的渠道，因此预计将来将在康复和运动领域中使用它。关键词：可穿戴肌电图，有效性，肌肉活动
利用肌电图和脉搏血氧饱和度信号传感器融合的肌电假肢
厄瓜多尔约有 215,156 人患有肢体残疾，其中近一半的残疾率在 30% 至 49% 之间，相当一部分人没有肢体。此外，截肢病例激增，这一趋势与糖尿病患病率上升有关，根据国际糖尿病联合会 (IDF) 的数据，到 2021 年，糖尿病患病率预计将达到 5.37 亿。虽然存在假肢解决方案，但它们可能会产生高昂的成本或限制运动，即使价格更实惠。因此，提出了一种替代方案：肌电上肢假肢。这种假肢将通过肌电图和脉搏血氧饱和度信号进行操控，利用人工智能方法。采用多层神经网络模型，该模型由一个输入层、四个隐藏层和一个输出层组成，对用户运动意图的预测准确率高达 93%。对于 AI 模型训练，记录并仔细检查了来自 EMG 和 PPG 传感器的数据，从而将类别从四个压缩为三个。该模型嵌入在 ESP32 C3 DevKit-M1 开发板中，开源蓝图促进了假肢的创建，并辅以用于电子集成的补充组件。该模型在预测类别方面达到了 93% 的准确率，而假肢的续航时间约为三个小时，售价 295 美元，可处理各种轻量级物体。