XiaoMi-AI文件搜索系统
World File Search SystemEMG
融合肌肉和运动信号的混合体机界面
摘要 目的。体机接口 (BoMI) 建立了一种操作各种设备的方法，让用户能够利用脊髓损伤或中风后仍可用的肌肉和运动冗余来扩展其运动能力的极限。在这里，我们考虑了两种信号的整合，即来自惯性测量单元 (IMU) 的运动信号和用肌电图 (EMG) 记录的肌肉活动，这两种信号都有助于 BoMI 的运行。方法。由于 IMU 和 EMG 信号的性质不同，直接组合它们可能会导致控制效率低下。因此，我们使用基于非线性回归的方法从 EMG 信号预测 IMU，然后将预测和实际 IMU 信号组合成混合控制信号。这种方法的目标是为用户提供在运动和 EMG 控制之间无缝切换的可能性，使用 BoMI 作为促进选定肌肉参与的工具。我们在 15 名未受损参与者的队列中以三种控制模式（仅 EMG、仅 IMU 和混合）测试了界面。参与者通过引导计算机光标经过一组目标来练习伸手动作。主要结果。我们发现，所提出的混合控制可实现与基于 IMU 的控制相当的性能，并且明显优于仅使用 EMG 的控制。结果还表明，混合光标控制主要受 EMG 信号的影响。意义。我们得出结论，将 EMG 与 IMU 信号相结合可能是针对肌肉激活的有效方法，同时克服了仅使用 EMG 的控制的局限性。
朝着基因疗法用于遗传性内耳疾病的临床应用
摘要：当一个人最小化运动至今未检测到相关的肌肉激活的程度时，观察到准运动（QM）。同样，对于假想运动（IM）和明显的运动，QM伴随着EEG感觉运动节奏的事件相关的对异步（ERD）。更强的ERD。但是，差异可能是由于QMS中剩余的肌肉激活可能引起的，该肌肉可能逃脱检测。在这里，我们使用敏感的数据分析程序重新检查了肌电图（EMG）信号（EMG）信号（EMG）信号和ERD之间的关系。与视觉任务和IMS相比，在QMS中观察到更多具有肌肉激活迹象的试验。但是，此类试验的速率与实际运动的主观估计无关。对侧ERD不依赖EMG，但与IMS相比，QMS中的EMG仍然更强。这些结果表明，大脑机制在严格的意义上是QMS常见的，并且“ Quasi-Quasi运动”（尝试执行相同任务并伴随可检测到的EMG升高），但它们与IMS之间有所不同。QM可能有助于更好地了解运动动作的研究，并建模与健康参与者在脑部计算机接口中尝试使用的运动。
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。
自动化机器学习，用于分类正常和异常肌电图数据
电诊断医学中最困难的地区[1]。从理论上讲，具有纯净电势的神经性EMG，正锋利的波，高振幅和持续时间运动单位电位（MUP）和减少的干扰模式，应与含有较小的短效率的较小的，短效率的多重浓度和全部干扰模式的肌病明显区分。实际上，定性EMG分析的诊断产率是异常/肌病和神经性/肌病之间的区别，令人失望的很低。在过去的几十年中，已经开发了几种定量EMG（QEMG）方法，例如转向振幅分析，以提高EMG的诊断产率，但是到目前为止，各种QEMG技术的敏感性和特异性都与视觉检查相似[2]，[3]。同样，另一种称为聚类指数方法的定量技术对神经源性产生的敏感性为92％，对肌性患者的敏感性为61％[4]。对纳入体肌炎患者（IBM）（肌病）的EMG解释特别具有挑战性，因为它可能包含肌病性和神经起源特征[5]。由于IBM也可能在临床上模仿运动神经元疾病，因此对EMG的不适当解释可能导致错误的诊断。对错误标记的IBM患者的回顾性研究发现，常规EMG通常指向神经发生障碍：它显示出纯正和正尖波，以及大多数错误标记患者的多重多重性长期神经源性MUP的过量[6]。这是非常不幸的，因为肌萎缩性侧索硬化症（ALS）是一种疾病，是一种进行性致命疾病，而预期寿命在IBM中并没有显着影响[7]。大多数QEMG方法已经出版了几十年前，是基于关于MUP形态和生理学的假设。计算机处理能力和机器学习技术的最新进展实现了一种大数据方法，该方法可以处理大量功能，而没有任何关于信号性质的基本假设。我们以前已经表明，这种方法是为汽车行业开发的，但适用于脑电图（EEG）信号，可以
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
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。
无线面部生物传感系统，用于监视带有柔性微对电极阵列的面对面麻痹
面部麻痹（FP）深刻影响着人际关系和情感表达，需要精确的诊断和监测工具以进行最佳护理。但是，当前的肌电图（EMG）系统受其庞大的性质，复杂的设置和对熟练技术人员的依赖的限制。在这里，我们报告了一种创新的生物传感方法，该方法利用了PEDOT：PSS-SODIFIFED浮动微针电极阵列（P-FMNEA）来克服现有EMG设备的局限性。柔软的系统水平力学确保对面部曲线区域的出色构成，从而使靶向的肌肉合奏运动能够检测到面部麻痹评估。此外，我们的设备熟练地捕获了每个电脉冲，以响应神经外科手术过程中的实时直接神经刺激。通过服务器将EMG信号的无线运输到医疗设施中增加了对患者的后续评估数据的访问，促进了及时的治疗建议，并在典型的6个月后续过程中允许访问多个面部EMG数据集。此外，该设备的软机制可以减轻空间复杂性，减轻疼痛的问题，并最大程度地减少与传统针电极定位相关的软组织血肿。这种开创性的生物传感策略有可能通过提供有效的，用户友好且侵入性较低的EMG设备来改变FP管理。这项开创性的技术可以在FP管理和治疗干预中更明智的决策。
@inproceedings{vogel2020edan，title={EDAN：一种由 EMG 控制的日常助手，帮助身体残疾人士}，作者={Vogel, J{\"o}rn 和 H
摘要 — 受伤、事故、中风和其他疾病会严重降低人们执行日常生活中哪怕最简单活动的能力。这些病例中很大一部分涉及神经肌肉疾病，导致肌肉功能严重下降。然而，即使受影响的人不再能够移动他们的四肢，残留的肌肉功能仍然存在。之前的研究表明，这种残留的肌肉活动足以应用基于 EMG 的用户界面。在本文中，我们介绍了 DLR 的机器人轮椅 EDAN（EMG 控制的日常助手），它配备了扭矩控制的八自由度轻型手臂和灵巧的五指机械手。使用肌电图，可以测量、处理用户的肌肉活动，并利用它们来控制轮椅和机器人操纵器。这种基于 EMG 的界面通过共享控制功能得到增强，可以实现与环境的有效和安全的物理交互。