XiaoMi-AI文件搜索系统
World File Search System肌电
基于对抗风格迁移的合成肌电图可以有效攻击基于生物特征的个人身份识别模型
摘要 —基于生物特征的个人识别模型通常被认为是准确和安全的，因为生物信号过于复杂且因人而异而无法伪造，尤其是 EMG 信号由于其高维度和非线性而被用作生物识别标记。我们研究了通过基于生成对抗网络的新型 EMG 信号个体风格转换器使用生物对抗输入有效攻击基于 EMG 的识别模型的可能性。来自 18 名受试者的 EMG 手势数据和三个公认的深度 EMG 分类器用于证明所提出的攻击方法的有效性。所提出的方法在混淆识别模型上的平均成功率为 99.41%，在操纵识别模型上的平均成功率为 91.51%。这些结果表明基于深度神经网络的 EMG 分类器容易受到合成数据攻击。概念验证结果表明，在大量相关生物特征识别系统的生物识别系统设计中必须考虑合成的 EMG 生物信号，以确保个人和机构的个人识别安全。
通过肌电图的力吸引力界面用于天然VR ...
图1。肌电图（EMG）的神经界面，具有学识渊博的肌肉力解码器。随着用户生成的物理力被我们的界面解码并实时应用于虚拟物体，（a）说明了海滩球，排球和VR中的保龄球的变形，受强度不同的压力。海滩球比排球柔软，因此在相同的力量下表现出更大的变形，而保龄球则是刚性的，并且在手指压力的力范围内勉强变形。我们的方案可以帮助用户更好地感知/区分虚拟对象的物理属性，以类似于他们在现实世界中接近它的方式。（b）通过我们的系统显示了具有增强的物理现实主义的实力虚拟相互作用。3D资产信用sbbututuya，虚拟方法，Unity的Tgameassets和Sketchfab的Tankstorm。3D资产信用sbbututuya，虚拟方法，Unity的Tgameassets和Sketchfab的Tankstorm。
肌电图作为运动过程中代谢能量消耗的替代评估方法
最大限度地减少代谢能量消耗 (MEE) 对提高运动障碍人士的活动能力至关重要，因为需要高能量的运动会导致活动减少。康复计划和设备使用 MEE 来确定其有效性，但由于时间延迟和非真实条件，使用间接量热法会受到限制。肌电图 (EMG) 可以深入了解肌肉如何激活；因此，本研究的目的是通过利用 EMG 信号开发实时 MEE 反馈系统。参与者以不同的步频（首选、+/- 15%、+/- 30%）完成了五种步行条件，同时收集了呼吸气体交换、地面反作用力和 EMG 信号。实时 EMG 信号被数字积分并分成步幅，然后按力成本 (COF) 系数缩放。MEE 具有先前文献中看到的预期二次关系 (R 2 = 0.967)，以及 COF 数据 (R 2 = 0.701)。 EMG 方法稳定在 75.1% - 133.1% 之间，不在 MEE 的近距离范围 (90% - 110%) 内；因此，未来的研究必须研究其他数学方法。我们的结果表明 MEE 和 EMG 活动之间存在定性关联，可用于提高残疾人士的行动能力和生活质量。
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。
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。
触觉套管作为肌电假手用户机械触觉反馈恢复方法
目前的肌电上肢假肢无法恢复感觉反馈，从而损害了精细运动控制。使用触觉套进行机械触觉反馈恢复可能会纠正这个问题。这项随机交叉参与者内对照研究旨在评估原型触觉套对八名健全参与者执行的常规抓握任务的影响。每位参与者完成三项任务的 15 次重复：任务 1——正常抓握，任务 2——强抓握和任务 3——弱抓握，使用视觉、触觉或组合反馈所有数据均于 2021 年 4 月在英国爱丁堡苏格兰微电子中心收集。与任务 1（p < 0.0001）、任务 2（p = 0.0057）和任务 3（p = 0.0170）中的单独视觉相比，组合反馈与明显更高的抓握成功率相关。类似地，在任务 1 ( p < 0.0001) 和任务 2 ( p = 0.0015) 中，触觉反馈与视觉相比具有显著更高的抓取成功率。在任务 1 ( p < 0.0001) 和任务 3 ( p = 0.0003) 中，与视觉反馈相比，组合反馈与显著更低的能量消耗相关。同样，在任务 1 ( p < 0.0001)、任务 2 ( p < 0.0001) 和任务 3 ( p < 0.0001) 中，与视觉反馈相比，触觉反馈与显著更低的能量消耗相关。这些结果表明，触觉套管提供的机械触觉反馈可有效增强抓握能力并降低其能量消耗。
使用肌电图控制的机器人时，大脑活动反映了对延迟输入的主观反应
在各种实验环境中，肌电图 (EMG) 信号已用于控制机器人。基于 EMG 的机器人控制需要控制的内在参数，这使得用户很难理解输入协议。当未提供适当的输入时，系统的响应时间会发生变化；因此，无论实际延迟如何，都应调查用户的主观延迟。在本研究中，我们调查了延迟的主观感知对大脑激活的影响。在受试者使用 EMG 信号控制机械手时进行脑部记录，这需要基本的处理延迟。我们使用肌肉协同作用来执行机械手的抓握命令。在通过抓握手来控制机器人后，每次试验都会应用四个额外延迟持续时间（0 毫秒、50 毫秒、125 毫秒和 250 毫秒）之一，并指示受试者回答延迟是自然的、额外的还是他们不确定。我们根据回答（“确定”和“不确定”）比较了大脑活动。我们的结果表明顶叶的 θ 波段存在显著的功率差异，并且这个时间范围包括受试者感觉不到延迟的间隔。我们的研究提供了重要的见解，在构建自适应系统并评估其可用性时应考虑这些见解。
基于表面肌电图
摘要：基于表面肌电图（SEMG）探索了一种定量识别原发性刺激强度的新颖方法。，我们在具有不同强度的主要味道刺激下捕获了SEMG样品，并用支持向量机（SVM）进行了定量识别的预处理样品。验证了定量识别酸，苦和咸强度的可行性。在柠檬酸（aq），蔗糖（水溶液），氯化镁（水溶液），氯化钠（AQ）和谷氨酸钠（AQ）的刺激下获得了SEMG信号，其浓度不同，用于五种类型的主要口味：酸味，甜美，苦味，苦味，苦味，苦味，salty和umimimi cormimimifive。采用的信号用一种称为二次变化的方法处理，以删除基线徘徊，以及一个自适应缺口，以删除功率频率干扰。为每个样品提取330个特征后，进行了五倍跨验力的SVM回归器，模型达到了0.7277、0.1963、0.7450、0.7642和0.5055的R 2得分，分别用于痛苦的主要品味，均可识别次数的痛苦和0.5055。要探索面部对味觉刺激的反应，我们总结并比较了不同味道类型和味道强度的刺激下的肌肉活动。为了进一步简化模型，我们探索了特征维度的影响，并以频道方式优化了每种口味的特征组合，并且分别从330、120、120、120、120、210、210、260、170降低了五种类型的主要品味。最后，我们分析了多个受试者的模型性能以及模型的性能与实验受试者的数量之间的关系。这项研究可以为使用SEMG提供进一步研究和味觉刺激识别的应用参考。
基于面部肌电图的性能增强......
摘要 最近的研究表明，基于面部肌电图 (fEMG) 的面部表情识别 (FER) 系统是虚拟现实 (VR) 环境中基于传统摄像头的 FER 系统的有前途的替代品，因为它们经济实惠、不依赖于环境光，并且可以很容易地合并到现有的 VR 耳机中。在我们之前的研究中，我们将基于黎曼流形的特征提取方法应用于记录在眼睛周围的 fEMG 信号，并证明仅需一次训练就可以以 85.01% 的高精度对 11 种面部表情进行分类。然而，传统的基于 fEMG 的 FER 系统的性能还不足以应用于实际场景。在本研究中，我们开发了一种新方法，通过对其他用户的标记数据集进行线性判别分析 (LDA) 自适应来提高 FER 性能。我们的结果表明，使用 LDA 自适应方法可以将平均分类准确率提高到 89.40%（p < .001，Wilcoxon 符号秩检验）。此外，我们展示了独立于用户的 FER 系统的潜力，该系统无需任何训练课程即可对 11 种面部表情进行分类，分类准确率达到 82.02%。据我们所知，这是首次以跨学科方式采用 LDA 自适应方法的研究。预计所提出的 LDA 自适应方法将作为一种重要方法，提高基于 fEMG 的 FER 系统在社交 VR 应用中的可用性。
通过添加 EMG 源 (ERASE) 去除肌电图 (EMG) - 一种基于 ICA 的新型算法，用于从 EEG 中去除肌电伪影 - 第 1 部分
摘要。脑电图 (EEG) 记录经常受到肌电图 (EMG) 伪影的污染，尤其是在运动过程中记录时。现有的去除 EMG 伪影的方法包括独立成分分析 (ICA) 和其他高阶统计方法。然而，这些方法不能有效地去除大多数 EMG 伪影。在这里，我们提出了一种改进的 ICA 模型来去除 EEG 中的 EMG 伪影，称为通过添加 EMG 源去除 EMG (ERASE)。在这种新方法中，将来自颈部和头部肌肉的真实 EMG 的额外通道（参考伪影）作为 ICA 的输入添加，以便将 EMG 伪影的大部分功率“强制”到几个独立成分 (IC) 中。使用自动程序识别和拒绝包含 EMG 伪影的 IC（“伪影 IC”）。首先使用模拟和实验记录的 EEG 和 EMG 验证 ERASE。仿真结果表明，ERASE 从 EEG 中去除 EMG 伪影的效果显著优于传统 ICA。此外，它的假阳性率低，灵敏度高。随后，研究人员收集了 8 名健康参与者移动双手时的 EEG 数据，以测试该方法的实际效果。结果表明，ERASE 成功去除了 EMG 伪影（使用真实 EMG 作为参考伪影时，平均可去除约 75% 的 EMG 伪影），同时保留了与运动相关的预期 EEG 特征。我们还使用模拟 EMG 作为参考伪影测试了 ERASE 程序（约 63% 的 EMG 伪影被去除）。与传统 ICA 相比，ERASE 从 EEG 中去除的 EMG 伪影平均多 26%。这些发现表明，ERASE 可以显著分离 EEG 信号和 EMG 伪影，而不会丢失底层 EEG 特征。这些结果表明，使用额外的真实或模拟 EMG 源可以提高 ICA 在去除 EMG 伪影方面的有效性。