XiaoMi-AI文件搜索系统
World File Search SystemEMG
基于 EEG-EMG 频带功率相关 (BPC) 的 BCI
摘要：自人类历史开始以来，人们就一直着迷于这样一种概念：他们可以通过简单的“思考”的力量来影响周围的环境。由于过去几十年脑机接口 (BCI) 技术的发展，这一目标越来越接近现实。人类大脑内部发生的持续活动可以转化为各种命令，这些命令既可用于通信，也可用于通过使用 BCI 系统来操作外部设备。该过程从捕获脑信号开始，可以以侵入式或非侵入式方式进行。在数据收集之后的下一个阶段是处理信号，以获得与用户执行任务的意图相关的相关元素。基于 BCI 的神经康复模型使用来自大脑的 EEG 信号和来自肌肉的 EMG 信号来开发基于 BCI 的神经康复模型，该模型将任何生物信号与脑信号相结合，从而使机器人辅助系统更好地工作。为此，我们使用了基于试验的频带功率相关 (BPC) 衍生的 EEG-EMG 混合技术，该技术对 BCI 系统中的运动任务进行分类。结合 EEG 和 EMG 信号以及皮质肌肉相互作用来激活手外骨骼装置，并评估其对中风患者的可行性。我们计算用于对右手和左手运动进行分类的 BPC。
具有新型EMG ...
图。4：主题1（S1）和股直肌的EMG预处理示例：（a）原始EMG，（b）DC去除，（c）频谱信号，（d）Butterworth高通滤波，（e）Butterworth低通滤波，（f）
RaspberryPi 使用 Shield PiEEG 测量 EEG、ECG、EMG 和 EOG 本文介绍了用于读取信号的 Shield PiEEG 的硬件和软件
RaspberryPi 使用 Shield PiEEG 测量 EEG、ECG、EMG 和 EOG 本文介绍了用于通过单板计算机系列（RaspberryPi、OrangePi、BananaPi 等）读取信号的屏蔽 PiEEG 的硬件和软件。本文主要提供了如何实现该设备的技术信息。该设备旨在熟悉神经科学，是开始进行 EEG 测量的最简单方法之一。 Ildar Rakhmatulin，博士，PiEEG，ildarr2016@gmail.com 来源 https://github.com/Ildaron/EEGwithRaspberryPI 演示 https://youtu.be/uK8QF2liO5U 关键词：RaspberryPi 和 EEG、ECG、EMG 和 EOG；脑机接口；RaspberryPi 屏蔽 1. 简介 脑机接口是一种读取脑信号的设备，以识别可用于实际目的的任何相关性。 2021 年，我们开发了脑机接口 - ironbci [1,2,3]，但芯片短缺大大增加了设备的成本，之后我们改用 PiEEG 屏蔽，这使得降低设备成本和简化安装过程成为可能。PiEEG 设备在会议 [4] 和出版物 [10] 中进行了一般性介绍。在本文中，我们将更多地关注该设备实现的技术细节。2. 安全建议开发的设备仅针对 Raspberry Pi 进行了测试。在测试期间，禁止将设备连接到电源，这是出于安全考虑并避免网络干扰。通过电网供电时不能使用此设备，并且只能在使用 5V 电池（容量不超过 2000 mAh）时使用它。图 1 是设备完整组装的概览。
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。
EEG-EMG- ...
与SARS-COV2大流行期间一样，在家中提供医疗保健是降低医疗保健成本和感染风险的关键进步。特别是在运动训练应用中，可穿戴和便携式设备可用于运动和监测相关的大脑信号。在这种情况下，必须最大程度地减少监视设置以及要收集，处理和共享的数据量。在本文中，我们针对包括高维脑电图和EMG数据进行分类的监视系统解决了这一挑战。我们将EEG和EMG融合到大小平方相干（MSC）信号中，我们使用不同的算法（来自作者的一个）从中提取特征来解决二进制分类问题。最后，我们提出了一种映射和聚集的策略，以提高机器学习结果的解释性。所提出的方法提供了非常低的错误分类错误（<0。1），具有很少且稳定的MSC功能（<初始功能集的10％）。此外，我们确定了跨算法和分类问题的共同模式，即，与以前的文献一致，在8÷80 Hz中激活了8÷80 Hz的肌肉。因此，这项研究代表了可靠的EEG-EMG设置最小化以实现在家中精确的运动训练的一步。
使用用户友好型、可穿戴的基于 EMG 的神经接口解码偏瘫慢性中风幸存者的手部和手腕运动意图
€ 这些作者的贡献相同。 * 通讯作者：meyerse@battelle.org 摘要：几十年来，假肢和矫形器一直被认为是恢复中风患者手部功能和独立性的潜在手段。然而，75% 的中风幸存者、护理人员和医疗保健专业人员 (HCP) 认为当前的做法还不够，特别指出上肢是需要创新的领域，以开发适用于中风人群的高度可用的假肢/矫形器。控制上肢技术的一种有前途的方法是从表面肌电图 (EMG) 活动中非侵入性地推断运动意图。虽然这种方法在文献中引起了广泛关注，但现有技术通常仅限于研究环境，难以满足所述的用户需求。为了解决这些限制，我们开发了 NeuroLife ® EMG 系统，它由一个可穿戴的前臂套组成，其中嵌入了 150 个电极以及相关的硬件和软件来记录和解码表面肌电图。在这里，我们展示了对 12 种功能性手部、腕部和前臂运动的准确解码，包括来自中风后不同程度慢性损伤的参与者的多种抓握类型，总体准确率为 77.1±5.6%。重要的是，我们展示了以 85.4±6.4% 的准确率解码严重手部损伤患者的 3 种基本运动子集的能力，凸显了其作为辅助技术控制机制的潜力。测试该系统的中风幸存者的反馈表明，袖套的设计满足了各种用户需求，包括舒适、便携和轻便。袖套的外形尺寸使其可以在家中使用，无需专业技术人员，并且可以佩戴数小时而不会感到不适。总而言之，NeuroLife EMG 系统代表了一种平台技术，用于记录和解码高清 EMG，最终以符合用户需求的外形尺寸实时控制辅助设备。
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。
使用 Simulink 分析和处理 EMG 信号
摘要：许多应用，如脑机接口、睡眠监测器和智能报警器、情绪监测器等，都使用脑电图 (EEG) 数据的实时分析和处理。本研究使用 MATLAB Simulink 对单通道和多通道 EEG 数据进行实时分析和处理，实时将它们分类为脑波成分：alpha、beta、delta 和 theta，并实时计算每个脑波成分的能量比。我们使用 Simulink 基本库中的基本模块和 DSP System Toolbox 中的信号处理模块来构建模型。我们的模型有四个主要功能：绘制和预处理数据、脑波成分分类、能量比计算和结果可视化。连接和配置模块设置后，我们便完成了模型。然后，我们使用单通道 EEG 数据来模拟模型，并将数据实时分类为四个不同的脑波成分：alpha、beta、delta 和 theta。通过本研究，我们开发了一整套脑电信号实时分析处理系统，该系统可应用于脑机接口、睡眠监测、智能报警、情绪监测等多种应用。关键词：EEG、脑电图、脑波分量、Simulink、实时、处理
行走过程中谷物肌肉表面EMG活性与地面反作用力的垂直成分之间的时间和空间关系
健康的成年人（29♀; 25♂;年龄62.6±7.0岁）以10 m的人行道（十个试验/速度）自我选择的缓慢，正常和快速的步行速度行走。双边配对的八个巨星条在更大的troshanter和iLiac Crest之间的垂直线的中部水平排列。关于腹侧方向，将每个条带的中心放在该垂直线上。最初，这些信号是单极采样的，但是八个垂直定向的双极通道覆盖了从腹侧到背侧的整个臀区（P1至P8）（随后通过减去身体两侧的每个电极条带的相应电极的相应电极的信号）来计算。三个垂直双极通道代表张量筋膜（TFL； P2），臀大肌（GMED，SENIAM位置； P4和P5的平均值）和Maximus Maximus Muscles（Gmax; P7）。
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。