XiaoMi-AI文件搜索系统
World File Search SystemEMG
用于模拟自然运动过程中 EMG 的条件生成模型
摘要 — 肌电图 (EMG) 信号的数值模型为我们对人类神经生理学的基本理解做出了巨大贡献，并且仍然是运动神经科学和人机界面发展的核心支柱。然而，虽然基于有限元方法的现代生物物理模拟非常准确，但它们的计算成本极其昂贵，因此通常仅限于对静态系统（例如等长收缩肢体）进行建模。为了解决这个问题，我们提出了一种迁移学习方法，其中训练条件生成模型来模仿高级数值模型的输出。为此，我们提出了 BioMime，这是一种经过对抗训练的条件生成神经网络，可在各种体积导体参数下生成运动单元激活电位波形。我们展示了这种模型能够以高精度在数量少得多的数值模型输出之间进行预测插值的能力。因此，计算负荷大大减少，从而可以在真正动态和自然的运动过程中快速模拟 EMG 信号。
EMG信号分析技术：检测、处理、分类和应用
1 多媒体大学工程学院，63100 Cyberjaya，雪兰莪，马来西亚。*通讯作者：M.B.I.Raez，多媒体大学工程学院，63100 Cyberjaya，雪兰莪，马来西亚。电子邮件：mamun.raez@mmu.edu.my 提交日期：2005 年 10 月 4 日；修订日期：2006 年 1 月 9 日；接受日期：2006 年 1 月 18 日。索引词：肌电图；傅里叶分析；肌肉；神经系统。摘要 肌电图 (EMG) 信号可用于临床/生物医学应用、可进化硬件芯片 (EHW) 开发和现代人机交互。从肌肉获取的 EMG 信号需要先进的方法来检测、分解、处理和分类。本文的目的是说明 EMG 信号分析的各种方法和算法，以提供理解信号及其性质的有效方法。我们进一步指出了一些使用 EMG 的硬件实现，重点关注与假手控制、抓握识别和人机交互相关的应用。还进行了比较研究，以展示各种 EMG 信号分析方法的性能。本文为研究人员提供了对 EMG 信号及其分析程序的良好理解。这些知识将帮助他们开发更强大、更灵活、更高效的应用程序。简介 生物医学信号是指从任何器官获取的代表感兴趣物理变量的集体电信号。该信号通常是时间函数，可以用其幅度、频率和相位来描述。EMG 信号是一种生物医学信号，用于测量肌肉收缩过程中产生的电流，代表神经肌肉活动。神经系统始终控制肌肉活动（收缩/放松）。因此，EMG 信号是一种复杂的信号，由神经系统控制，取决于肌肉的解剖和生理特性。EMG 信号在穿过不同组织时会产生噪声。此外，EMG 检测器（特别是位于皮肤表面的检测器）会同时收集来自不同运动单元的信号，这可能会产生不同信号的相互作用。使用强大而先进的方法检测 EMG 信号
Neuropose：使用EMG可穿戴设备
无处不在的手指运动跟踪可以在增强现实，体育分析，康复 - 医疗保健，触觉等方面进行许多令人兴奋的应用程序。本文介绍了神经蛋白，该系统显示了使用柏拉图可穿戴肌电图（EMG）传感器进行3D手指运动跟踪的可行性。EMG传感器可以通过手指激活引起的肌肉感知电势，从而提供丰富的信息，以获得细粒的手指运动感测。然而，将传感器信息转换为3D手指的姿势是微不足道的，因为来自多个手指的信号以复杂的模式在传感器处叠加。为解决这个问题，神经蛋白与机器学习架构在复发性神经网络（RNN），编码器 - 编码器网络和重新NETS上的机器学习体系结构中融合了信息，从而从噪声EMG数据中解释了3D手指运动。生成的运动模式在时间上是光滑的，并且在解剖学上是一致的。此外，要利用一种转移学习算法将一个用户的验证模型调整到具有最小培训开销的新用户。对12位用户的系统研究表明中位错误为6。24◦和90％的误差为18。33◦在跟踪3D指关节角。准确性对于传感器安装位置的自然变化以及用户的腕部位置变化是可靠的。神经蛋白是在智能手机上实施的，其处理延迟为0.101，并且高能开销。
EMG信号分类和使用机器学习和
在本文中，使用支持向量机（SVM）设计了一个分类器来对肌电图（EMG）信号进行分类。鉴于EMG信号，基于SVM的分类器旨在将十个单独的手指运动命令分类为预定义的运动之一。在分类之前，将EMG数据用DWT（例如平均绝对值（MAV），均方根（RMS）和SD提取，并将每个窗口提取并组合到功能集。提取的特征用作分类系统的输入。线性SVM（单位方法）用于EMG信号的多类分类。DWT大小。还报告了确保手指运动之间最大歧视的最佳功能集。验证表明，支持向量机可以正确分类EMG信号，更高的分类精度为91.7％，适用于为建议的方法设计。
用于检测主动矫形器装置引入的误差的 EEG 和 EMG 数据集
外骨骼和矫形器经常用于促进运动障碍患者的肢体运动，因为它们可以使用脑电图 (EEG) 信号整合镜像疗法等经典治疗方法（Kirchner 等人，2013 年；Kirchner 和 Bütefür，2022 年）。除了触发外骨骼辅助外，EEG 还可用于推断运动意图（Kirchner 和 Bütefür，2022 年），这已被证明对于成功的神经康复至关重要（Noda 等人，2012 年；Hortal 等人，2015 年）。此外，EEG 还可用于推断人类观察或与之交互的机器人行为的主观正确性，正如 Iturrate 等人（2015 年）和 Kim 等人（2017 年、2020 年）在多篇论文中所证明的那样。为了验证辅助设备的正确性，深入了解患者感受到的支持水平非常重要。具体而言，必须评估患者是否感觉到机器人辅助系统所犯的错误。对于某些辅助设备，支持可以通过视觉观察到，并且可以根据从 EEG 信号中检测到的 ErrP 验证和调整主观正确性（Batzianoulis 等人，2020 年）。但是，对于患者佩戴的机器人，例如主动外骨骼或主动矫形器（Kirchner 和 Bütefür，2022 年），患者可能看不到但能感觉到不正确的行为。因此，研究外骨骼或矫形器中不正确行为的触觉检测是否会引发与视觉观察到的行为类似的事件相关电位 (ERP) 是有意义的。这些信息可用于纠正患者感知到的不正确行为[有关此已发布数据集的初步结果以及关于利用不同模式传输错误信息的进一步讨论，请参阅 Kim 和 Kirchner (2023)]。在脑电图研究中，当观察到错误行为（Iturrate 等人，2010 年；Kim 和 Kirchner，2013 年）、收到指示错误事件的反馈（Holroyd 和 Coles，2002 年）或在交互过程中发生错误（Kim 等人，2017 年）时，就会引发所谓的错误相关电位 (ErrP)。Chavarriaga 等人 (2014 年) 对此进行了全面的综述。此外，通过检测 ErrP 从脑电图中推断错误具有挑战性，因为它需要对相关模式进行异步分类（Kim 等人，2023 年）。这种异步分类通常会导致大量假阳性，因为与系统的交互时间较长或任务执行时间延长（Omedes 等人，2015 年；Spler 和 Niethammer，2015 年；Lopes-Dias 等人，2021 年）。在大多数研究中，视觉刺激用于诱发错误相关电位 (ErrPs)（例如，van Schie 等人，2004 年）。虽然一些研究
OPBOX：从多个主题中同时脑电图和EMG获取的开源工具
同时多个啮齿动物。opbox将开源硬件和软件与现成的组件相结合，以创建一个小于商业解决方案（每个受试者$ 500）的系统，并且可以轻松地用于多个主题。在MATLAB中编码的OPBOX脚本可以同时且灵活地汇总并显示多个模拟和数字数据流，例如实时脑电图和EMG，行为系统的事件触发器以及旋转编码器数据。OPBOX还计算并显示实时光谱次数和事件相关电位（ERP）。为了验证系统的性能，我们将放大器与另外两个商业放大器，一个草p55 AC前置放大器和一个Intan RHD2000系列放大器进行了比较。OPBox放大器的性能与商业放大器相当，以获得信噪比（SNR），噪声地板和公共模式拒绝。我们还证明，我们的采集系统可以从多个受试者可靠地重新收集多通道数据，并且已通过单个标准台式计算机在多个运行的受试者中成功测试了该数据。一起，OPBox提高了灵活性并降低了从多个受试者同时获得电生理学数据的成本。
混合人机界面，用于步态通过EEG和EMG分类器的贝叶斯融合
尽管大脑计算机界面（BCI）领域的进步，但由于其不可靠，目前使用唯一的脑电图（EEG）信号来控制步行康复设备的临床环境中目前不可行。混合界面（HHMIS）代表了提高单信号方法性能的最新解决方案。这些是结合多个人机界面的分类方法，通常包括至少一个BCI与其他生物信号，例如肌电图（EMG）。但是，它们用于解码步态活动的使用仍然有限。在这项工作中，我们提出和评估了混合人机界面（HHMI），以从EEG和EMG信号的贝叶斯融合中解释双腿的步行阶段。即使在暂时或永久（例如弱点）暂时损害了肌肉活动的可靠性（例如疲劳）或永久性的（例如疲劳），即使肌肉活动的可靠性受到暂时损害（例如疲劳），也可以通过提供较高和稳定的性能来超过其单个信号对应。的确，杂种方法在临时EMG改变后显示了分类性能的平稳降解，而EMG分类器的精度为30％，其精度的75％以上，其性能降低了精度的60％。EEG和EMG信息的融合有助于在EMG降解的永久性水平下独立地对每个步态阶段保持稳定的识别率。根据我们的研究和文献发现，我们建议使用混合界面的使用可能是增强技术在临床应用和实验室环境外恢复或协助更广泛患者人群的技术的可用性的关键。
GPT-2 机器生成的合成生物信号通过数据增强改善 EEG 和 EMG 的分类
摘要 — 合成数据增强对于机器学习分类至关重要，特别是对于生物数据，因为生物数据往往是高维且稀缺的。机器人控制和增强在残疾人和健全人中的应用仍然主要依赖于针对特定对象的分析。这些分析很少能推广到整个人群，而且似乎使简单的动作识别（例如机器人假肢和操纵器的抓握和释放）过于复杂。我们首次展示了多个 GPT-2 模型可以机器生成合成生物信号（EMG 和 EEG）并改善真实数据分类。仅基于 GPT-2 生成的 EEG 数据训练的模型可以以 74.71% 的准确率对真实 EEG 数据集进行分类，而基于 GPT-2 EMG 数据训练的模型可以以 78.24% 的准确率对真实 EMG 数据进行分类。在对 EEG 和 EMG 模型进行基准测试时，在每个交叉验证折叠中引入合成数据和校准数据。结果表明，使用其中一种或两种附加数据都可以改进算法。随机森林对 EEG 的分类准确率平均为 95.81% (1.46)，当在训练期间引入合成的 GPT-2 EEG 信号时，该准确率上升到 96.69% (1.12)。同样，当训练数据通过合成 EMG 信号增强时，随机森林对 EMG 的分类准确率从 93.62% (0.8) 提高到 93.9% (0.59)。此外，正如预测的那样，使用合成生物信号进行增强还会提高训练期间未观察到的新受试者数据的分类准确率。最终使用 Robotiq 2F-85 夹持器进行实时手势控制，合成 EMG 数据增强显著提高了手势识别准确率，从 68.29% 提高到 89.5%。
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。
在多核物联网处理器上使用时间卷积网络的稳健实时嵌入式 EMG 识别框架
摘要 — 通过表面肌电 (sEMG) 信号对手部运动进行分类是一种成熟的高级人机交互方法。然而，sEMG 运动识别必须处理基于 sEMG 控制的长期可靠性，这受到影响 sEMG 信号的可变性的限制。嵌入式解决方案会受到识别准确度随时间下降的影响，这使得它们不适合可靠的手势控制器设计。在本文中，我们提出了一种基于时间卷积网络 (TCN) 的完整的可穿戴级嵌入式系统，用于基于 sEMG 的稳健手势识别。首先，我们开发了一种新颖的 TCN 拓扑 (TEMPONet)，并在基准数据集 (Ninapro) 上测试了我们的解决方案，实现了 49.6% 的平均准确率，比目前最先进的 (SoA) 好 7.8%。此外，我们设计了一个基于 GAP8（一种新型 8 核物联网处理器）的节能嵌入式平台。使用我们的嵌入式平台，我们收集了第二个 20 个会话数据集，以在代表最终部署的设置上验证系统。我们使用 TCN 获得了 93.7% 的平均准确率，与 SoA SVM 方法（91.1%）相当。最后，我们使用 8 位量化策略来适应处理器的内存限制，对在 GAP8 上实现的网络的性能进行了分析。我们达到了 4 倍更低的内存占用（460 kB），性能下降仅为 3% 的准确率。我们详细介绍了在 GAP8 平台上的执行情况，结果显示量化网络在 12.84 毫秒内执行单个分类，功率包络为 0.9 mJ，使其适合长寿命可穿戴设备部署。