XiaoMi-AI文件搜索系统
World File Search Systememg
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。
双模式触觉反馈通过虚拟EMG控制的抓地力
摘要 - 使用肌电假体的高级肢体差异的个人缺乏进行日常生活的灵活活动所需的触觉感官信息。虽然大量研究重点是恢复这种触觉信息，但这些方法通常依赖于单模性反馈方案，这些反馈方案对于中枢神经系统采用的前馈和反馈控制策略不足。多模式反馈方法一直在几个应用领域引起人们的注意，但是，肌电假体的实用性尚不清楚。在这项研究中，我们通过脆弱的对象和可变的负载力在虚拟EMG控制的抓握和固定任务中提出了双模式触觉反馈的实用性。我们招募了n = 20名没有肢体差异的参与者，可以在四个条件下执行任务：无反馈，振动起步滑动，握把力的反馈以及双（振动 +挤压）的反馈反馈和抓地力的反馈。的结果表明，接收任何触觉反馈胜于任何触觉反馈要好，但是，双重模式反馈在防止对象破裂或掉落的方面远优于任何一种单模式反馈方法。用双模式反馈的控制也比任何一种单模式反馈方法都更加直观。
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。
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）。
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。
o r i g i n a l r e s a a r c h使用活细胞评估癌细胞的钴金属纳米颗粒摄取
脑部计算机界面（BCIS）近年来已经达到了重要的里程碑，但是连续控制运动中的大多数突破都集中在具有运动皮层或周围神经的侵入性神经界面上。相比之下，非侵入性BCI主要在使用事件相关数据的连续解码方面取得了进展，而大脑数据的运动命令或肌肉力的直接解码是一个开放的挑战。来自人类皮层的多模式信号，从相结合的氧合和电信号的移动脑成像中获得，由于缺乏能够融合和解码这些混合测量值的计算技术，因此尚未发挥其全部潜力。为了刺激研究社区和机器学习技术，更接近人工智能的最新技术，我们在此释放了一个整体数据集的混合性非侵入性措施，以进行连续力解码：混合动力学握把（Hygrip）数据集。We aim to provide a complete data set that comprises the target force for the left/right-hand cortical brain signals in form of electroencephalography (EEG) with high temporal resolution and functional near-infrared spectroscopy (fNIRS), which captures in higher spatial resolution a BOLD-like cortical brain response, as well as the muscle activity (EMG) of the grip muscles, the force generated at the grip sensor （力）和混淆噪声源，例如任务过程中的呼吸和眼动活动。总共14位右手受试者在每只手最大自愿收缩的25–50％内执行了单项动态握力任务。Hygrip旨在作为基准，其中有两个开放挑战和用于抓地力解码的研究问题。首先是跨越时间尺度的大脑信号的数据的剥削和融合，因为脑电图的变化速度比FNIRS快三个数量级。第二个是与每只手使用的全脑信号的解码，以及每只手共享特征的程度，或者相反，每只手不同。我们的同伴代码使BCI，神经生理学和机器学习社区中的研究人员易于获取数据。hygrip可以用作开发BCI解码算法和响应的测试床，从而融合了多模式脑信号。由此产生的方法将有助于理解局限性和机会，从而使人们在健康方面受益，并间接地为类似的方法提供信息，从而满足疾病中人们的特殊需求。
比较基于EMG的假体设备研究中认知工作量评估技术
摘要 - 先前的研究发现，基于肌电图（EMG）的假体设备可提供更高的握力，提高功能性能，并且比常规假体具有更大的运动范围。但是，认知工作量（CW）仍然是可能对设备的可用性和满意度产生负面影响的问题之一。为了在设计周期的早期评估假肢设备的CW，首先需要选择最合适的措施。因此，这项研究的目标是：（1）回顾以前基于EMG的假体设备评估中使用的CW测量技术； （2）提供指南以选择最合适的测量技术。发现的结果表明，认知绩效模型（CPM），主观措施，任务绩效指标和某些生理指标在检测假体设备配置之间的CW差异方面很敏感，因此可能是对这些技术的可用性评估的有用工具。但是，为了降低侵入性和成本，与生理测量相比，主观工作量度量，任务绩效和CPM等方法更有益。本研究提出的指南可能有益于选择最合适的CW测量技术，以提高灵敏度和准确性并降低侵入性和成本。
基于EMG的可变阻抗控制，并保证协作机器人技术的无动度保证
I.机器人技术的演变以及物理人类机器人相互作用（PHRI）的最新进展倾向于朝着机器人机制和控制策略的面向人类方向设计。在此框架中，表征人类操作员的行为成为关注的中心，尤其是在人类机器人协作系统的情况下。即使在确定的环境中运行时，与人类操作员相比，完全自动化的机器人系统在精确，可重复性和负载能力方面表现出更高的性能，许多任务都需要在未预测的事件的情况下进行快速判断和适应的能力。在这种情况下，协作系统旨在结合机器人力量和精度，以及操作员的判断和灵活性。随着协作机器人的开发（称为Cobots），人类机器人的合作已成为在多个应用程序[1]或机器人辅助医疗干预（例如康复机器人）[2] [2] [2] [2]等多个应用领域中至关重要的研究主题。在协作场景中，以最佳方式处理物理接触的问题是一个关键问题。这通常可以通过控制机器人及其环境之间相互作用的合规性来获得，从而导致经典阻抗
学士/主论文主题认知系统实验
肌电图（EMG）信号捕获了肌肉的激活，例如语音生产过程中的关节肌肉。因此，他们被研究为语音假体的一种方式，而这些假体可以通过移动其铰接器来“默默地说”。主要的研究重点是EMG到语音模型，该模型旨在预测EMG信号的声学演讲ferth EMG到语音模型使用佩戴EMG传感器的人的录音作为训练目标
神经生理测试和监测 - 牛津临床政策
S3900表面肌电图（EMG）的描述神经生理或电诊断测试评估沿周围神经的电脉冲传导。当有细微的电动机或感觉缺陷需要进一步检查以进行明确诊断时，这些测试是对彻底的病史和体格检查的补充。此政策包括有关以下测试的信息：肌电图（EMG）衡量对电或神经刺激的肌肉反应。该测试用于评估单个神经和肌肉的功能，并在运动，人体工程学，康复，骨科，心理学和神经病学方面具有各种应用。存在两种主要类型的EMG类型：针EMG（NEMG）和表面EMG（SEMG）。SEMG是一种诊断技术，其中电极放在皮肤上，并用于测量响应电或神经刺激的基础肌肉的电活动。SEMG记录，也称为肌电图的SEMG记录可能有可能用于检测神经和/或肌肉功能的障碍。副脊髓EMG是一种用于评估背痛的表面EMG。基于SEMG的癫痫发作监测系统，例如SPEAC®系统（BrainSentinel®癫痫发作监测和警报系统）是一个非侵入性监测仪，它放置在二头肌肌肉上，以分析表面触发术（SEMG）信号，可能与广义强调（GTC）癫痫发作有关。系统提供了警报，以提醒护理人员可能的GTC癫痫发作。针肌电图需要通过皮肤插入针头，有助于确定肌肉无力是由控制肌肉，神经肌肉连接的神经中的损伤还是疾病引起的，还是肌肉本身。