XiaoMi-AI文件搜索系统
World File Search System肌电控制
肌电控制和虚拟现实，以增强中风后运动康复
有效的上limb康复对严重受损的中风幸存者仍缺失。最近的研究认可新颖的运动康复方法，例如机器人外骨骼和虚拟现实系统，以恢复中风幸存者的偏见的功能。但是，尚未发现中风后促进中枢神经系统功能重组的最佳方法。肌电图（EMG）信号已用于假肢控制，但它们在康复中的应用受到限制。在这里，我们提出了一种新型方法，以促进病理肌肉激活模式的重组，并通过使用EMG控制的界面在虚拟现实（VR）执行运动时提供个性化的援助，从而增强了中风幸存者中LIMB运动的恢复。我们建议改变视觉反馈以提高VR的运动性能，从而减少实际功能障碍肌肉模式与功能性肌肉的偏差的影响，将积极吸引患者参与运动学习并促进功能肌肉模式的恢复。通过针对肌肉协同作用的特定变化及其中风后出现的激活中的特定变化，可以通过靶向特定的变化来促进有效的康复，从而促进有效的康复，这提供了解决特定个体障碍的康复疗法的可能性。
肘部本体感觉替代改善上肢假肢肌电控制：健康受试者和截肢者的实验
摘要背景：目前的肌电假肢缺乏本体感受信息，依靠视觉进行控制。随着非侵入性振动触觉或电触觉反馈的出现，感觉替代技术正在不断发展，但大多数系统都是为抓握或物体辨别而设计的，很少有系统在截肢者身上进行在线控制测试。这项研究的目的是评估一种新型振动触觉反馈对健康受试者和肱骨水平上肢截肢参与者虚拟肘部肌电控制准确性的影响。方法：16 名健康参与者和 7 名肱骨截肢者在不同的反馈条件下对虚拟手臂进行肌电控制：仅视觉 (VIS)、仅振动 (VIB)、视觉加振动 (VIS + VIB) 或根本没有反馈 (NO)。通过离散和前后运动期间的角度误差来评估到达精度。使用 NASA-TLX 问卷评估健康参与者的工作量，并在实验结束时根据偏好对反馈条件进行排序。结果：NO 中的到达误差高于 VIB，表明与无反馈相比，我们的振动触觉反馈提高了性能。VIS 和 VIS + VIB 条件表现出相似的性能水平，产生的错误比 VIB 低。因此，视觉对于保持良好的性能仍然至关重要，这不会因添加振动触觉反馈而改善或恶化。与 VIB 相关的工作量高于 VIS 和 VIS + VIB，两者之间没有差异。62.5% 的健康受试者更喜欢 VIS + VIB 条件，并将 VIS 和 VIB 分别排在第二和第三位。
使用高斯过程增量学习基于 EMG 的控制命令
摘要：肌电控制是利用肌肉的电信号来控制假肢或辅助机器人的过程。肌电控制中的模式识别是一个具有挑战性的领域，因为信号的底层分布在应用过程中可能会发生变化。协变量变化（包括手臂位置的变化或不同程度的肌肉激活）通常会导致控制信号的严重不稳定。这项工作试图通过使用稀疏高斯过程 (sGP) 近似变分自由能和引入基于无监督增量学习方法的新型自适应模型来增强肌电人机界面，以克服这些挑战。新型自适应模型整合了类间和类内距离，以提高具有挑战性条件下的预测稳定性。此外，它展示了增量更新的成功结合，这被证明可以显著提高在线用户研究中预测的性能和稳定性。
肌电控制中的大数据：大型多用户模型启用稳健的零击EMG基于EMG的离散手势识别
肌电控制，在肌肉收缩期间生成的肌电图（EMG）信号来控制系统或设备，是一种有希望的方式，可实现对新兴无处不在的计算应用程序的始终可用控制。但是，由于用户之间的行为和生理差异，其历史上的广泛使用受到对用户特定机器学习模型的需求的限制。利用公开可用的612-用户EMG-EPN612数据集，这项工作消除了这一概念，表明如果没有特定用户的培训，则可以实现真正的零射击交叉用户肌电控制。通过采用离散的分类方法（即，将整个动态手势视为一个事件），在一组306个未见的用户（没有提供培训数据）的一组中，可以实现六个手势的分类精度为93.0％，与大多数EMG研究（通常仅使用10-20个用户相比），可以雇用强大的交叉控制。通过将结果组织成一系列的小型研究，这项工作提供了对离散跨用户模型的深入分析，以回答未知问题并发现新的研究方向。特别是，这项工作探讨了建立跨用户模型所需的参与者数量，转移学习对这些模型的影响以及代表性不足的最终用户人口统计数据在培训数据中的影响等。结果表明，大型数据模型可以有效地推广到新的数据集，并减轻历史上限制基于EMG的输入的常见混杂因素的影响。另外，为了进一步评估创建的跨用户模型的性能，创建了一个全新的数据集（使用相同的记录设备），其中包括已知的协变量因子，例如跨日使用和肢体位置可变性。
肌电假手的人工感知和半自主控制可提高性能并减少工作量
摘要 — 由于肌电人机界面的局限性，对具有多关节腕部/手部的上肢假肢进行灵巧控制仍然是一个挑战。多种因素限制了这些界面的整体性能和可用性，例如需要按顺序而不是同时控制自由度，以及从虚弱或疲劳的肌肉中解读用户意图的不准确性。在本文中，我们开发了一种新型人机界面，该界面赋予肌电假肢 (MYO) 人工感知、用户意图估计和智能控制 (MYO-PACE)，以在准备假肢进行抓取时持续为用户提供自动化支持。我们在实验室和临床测试中将 MYO-PACE 与最先进的肌电控制 (模式识别) 进行了比较。为此，八名健全人和两名截肢者进行了一项标准临床测试，该测试由一系列操纵任务（SHAP 测试的一部分）以及在杂乱场景中更复杂的转移任务序列组成。在所有测试中，受试者不仅使用 MYO-PACE 更快地完成了试验，而且还实现了
社论：用于运动的神经假体
在过去十年中，我们见证了神经假体的快速发展，神经假体是一种将大脑与外部辅助和康复设备连接起来的系统。虽然这项工作主要研究的是能够实现手臂和手部感觉运动功能的神经假体，但人们对恢复运动能力（即在空间中移动的能力）的神经假体的兴趣也日益浓厚。大脑控制的轮椅和外骨骼就是这种神经假体的例子。本研究主题中的文章集合介绍并讨论了现有证据、概念框架、神经假体设计和有关将神经假体应用于步态辅助和康复的实际问题。研究主题涵盖了一系列问题，例如控制方案、机器人方面、有效性、运动性能特征、神经基础、伦理、对神经系统疾病的重要性、运动学习和运动功能恢复。这些贡献总结如下，分为 7 个主题类别：（i）评论和观点，（ii）动物研究，（iii）平衡控制，（iv）运动假肢，（v）肌电控制，（vi）基于脑电图 (EEG) 的下肢假肢控制系统，以及（vii）脊髓神经调节和外骨骼步态训练对瘫痪患者的综合影响。
emgtfnet：模糊视觉变压器解码上限semg信号识别
摘要 - Myoelectric Control是当今剧本增加的肌电图的一个区域，尤其是在仿生假体的手势识别（HGR）等应用中。今天的重点是使用机器学习以及最近深度学习方法的模式识别。尽管在稀疏的SEMG信号上取得了良好的效果，但后者通常需要大的数据集和培训时间。此外，由于随机SEMG信号的性质，传统模型无法概括为非典型或嘈杂值的样品。在本文中，我们提出了基于视觉变压器（VIT）的建筑的设计，该体系结构具有模糊的神经块（FNB），称为EMGTFNET，以从表面肌电图（SEMG）信号中执行手势识别。所提出的EMGTFNET体系结构可以准确地对各种手势进行分类，而无需任何数据增强技术，传输学习或网络中参数数量的显着增加。使用由49种不同手势的公开ninapro数据库测试了所提出的模型的准确性。实验使用200 ms窗口大小和仅56,793个可训练的参数产生的平均测试准确度为83.57％±3.5％。我们的结果优于没有FNB的VIT，因此表明包括FNB可以提高其性能。我们的提案框架EMGTFNET报告了其实际应用假体控制的重要潜力。索引术语 - 电镜头；深度学习； Ninapro;变压器;模式识别；肌电控制
使用基于两个SEMG电极信号的机器学习评估手动分类性能
摘要：近年来，基于分类的肌电控制引起了极大的兴趣，导致具有先进功能的假肢手，例如多围手。到目前为止，通过增加表面肌电图（SEMG）电极的数量或添加其他感应机制来实现高分类精度。尽管许多规定的肌电手仍然采用两电极SEMG系统，但仍缺乏有关信号处理和分类性能的详细研究。在这项研究中，招募了九名健全的参与者执行六种典型的手动动作，使用Delsys Trigno Research+ Acquisition System从两个电极中获取了来自两个电极的SEMG信号。信号处理和机器学习算法，特别是线性判别分析（LDA），K-Nearest邻居（KNN）和支持向量机（SVM），用于研究分类精度。总体分类精度为93±2％，动作特异性精度为97±2％，F1得分为87±7％，与多电极系统报道的总体精度为87±7％。与LDA和KNN算法相比，使用SVM算法实现了最高精度。揭示了分类精度与特征数量之间的对数关系，这在五个特征上平稳。这些全面的发现可能有可能有助于具有两个SEMG电极的通常开处方的肌电手部系统的信号处理和机器学习策略，以进一步提高功能。
已发布版本 (APA) 引用：Asif, AR、Waris, A.、Gilani, SO、Jamil, M.、Ashraf, H.、Shafique, M. 和 Niazi, IK (2020)。性能特点
摘要：肌电图 (EMG) 是肌肉收缩产生的电活动的量度。基于非侵入性表面肌电图 (sEMG) 的模式识别方法已显示出上肢假肢控制的潜力。然而，它仍然不足以进行自然控制。深度学习的最新进展表明生物信号处理取得了巨大进步。已经提出了多种架构，可为离线分析提供高精度 (> 95%)，但由于系统优化而导致的延迟仍然是实时应用的挑战。由此产生了对基于微调超参数的优化深度学习架构的需求。尽管实现收敛的机会是随机的，但重要的是要注意，所获得的性能提升足以证明额外的计算是合理的。在本研究中，我们利用卷积神经网络 (CNN) 解码 18 位受试者记录的 sEMG 数据中的手势，以研究超参数对每个手势的影响。结果表明，将学习率设置为 0.0001 或 0.001，并进行 80-100 次训练，其效果显著优于其他考虑因素 (p < 0.05)。此外，我们还观察到，无论网络配置如何，某些动作（握紧手、屈手、伸手和细握）在整个研究过程中表现更好（分别为 83.7% ± 13.5%、71.2% ± 20.2%、82.6% ± 13.9% 和 74.6% ± 15%）。因此，可以根据表现最佳的手部动作设计出稳健稳定的肌电控制。随着识别能力的提高和性能的统一提升，基于深度学习的方法有可能成为传统机器学习算法的更强大的替代方案。
肌电信号的电触觉反馈的空间和频率编码相结合
摘要 电触觉刺激已广泛用于人机界面，为用户提供反馈，从而闭合控制回路并提高性能。编码方法是电触觉界面的重要组成部分，它定义了反馈信息到刺激曲线的映射。理想情况下，编码将提供反馈变量的高保真表示，同时易于被受试者感知和解释。在本研究中，我们进行了一个闭环实验，其中离散和连续编码方案相结合，以利用这两种技术的优势。受试者执行肌肉激活匹配任务，仅依靠代表产生的肌电信号 (EMG) 的电触觉反馈。具体而言，我们研究了两种不同编码方案（空间和空间与频率相结合）在两种反馈分辨率（低：3 和高：5 个间隔）下的性能。在这两种方案中，刺激电极都围绕上臂放置。标准化 EMG 的幅度被分为间隔，每个电极与一个间隔相关联。当生成的 EMG 进入其中一个间隔时，相关电极开始刺激。在组合编码中，活动电极的额外频率调制还指示间隔内信号的瞬时幅度。结果表明，当分辨率较低时，组合编码会降低下冲率、变异性和绝对偏差，但当分辨率较高时则不会，反而会使性能变差。这表明组合编码可以提高 EMG 反馈的有效性，但这种效果受到肌电控制固有变异性的限制。因此，我们的研究结果提供了重要的见解，并阐明了在使用电触觉刺激传递具有高变异性的反馈信号（EMG 生物反馈）时信息编码方法的局限性。