XiaoMi-AI文件搜索系统
World File Search Systememg
即插即用监控，利用肌肉和脑信号进行实时手势和错误检测
摘要 在各种潜在的安全关键场景中，对机器人进行有效的人工监督是确保机器人正确运行的关键。本文通过结合两种人体生物信号流（分别通过 EMG 和 EEG 获得的肌肉和大脑活动），朝着快速可靠的人工干预监督控制任务迈出了一步。它展示了使用肌肉信号对左手和右手手势进行连续分类、使用脑信号（在观察到错误时无意识产生）对错误相关电位进行时间锁定分类，以及结合这些管道在多项选择任务中检测和纠正机器人错误的框架。以“即插即用”的方式评估由此产生的混合系统，其中 7 名未经训练的受试者监督执行目标选择任务的自主机器人。离线分析进一步探索了 EMG 分类性能，并研究了选择可能促进可推广的即插即用分类器的训练数据子集的方法。
中风后腕手康复机器人控制中自主运动努力的皮质肌肉整合表征
摘要 目的：患肢中枢至外周的自主运动努力 (VME) 是驱动中风后运动恢复功能性神经可塑性的主导力量。然而，目前的康复机器人在控制设计中将中枢和外周参与隔离开来，导致康复效果有限。本研究旨在设计一种皮质肌肉相干性 (CMC) 和肌电图 (EMG) 驱动的控制，以整合中风幸存者神经肌肉系统中的中枢和外周 VME。方法：在神经肌肉电刺激 (NMES)-机器人系统中开发了 CMC-EMG 驱动的控制，即 CMC-EMG 驱动的 NMES-机器人系统，以指导和协助中风后患者的腕手伸展和屈曲。使用开发的系统进行了 20 次训练课程的单组试验，以评估对慢性中风 (16 名受试者) 进行腕手练习的可行性。通过临床评估、CMC 和 EMG 激活水平评估康复效果。主要结果。训练期间腕手伸展的 CMC 触发成功率和侧化指数显著增加（p < 0.05）。训练后，通过临床评分和 EMG 激活水平观察到目标腕手关节显著改善，近端肩肘关节补偿受到抑制（p < 0.05）。CMC 值显示上肢 (UE) 肌肉的中央到外周 VME 分布也显著改善（p < 0.05）。意义。开发的系统实现了精确的腕手康复，抑制了对侧半球和近端 UE 的皮质和肌肉补偿，改善了 UE 肌肉上中央和外周 VME 的分布。ClinicalTrials.gov 注册号 NCT02117089
与SOD1突变相关的快速进行性肌萎缩性侧性硬化症（P.D126H变体）在COVID-19疫苗接种后
检查显示左上肢的低位，近端（MRC 3/5）和远端无力（MRC 2/5）以及右前背侧和绑架者Pollicis brevis（4/5）的轻度弱点（4/5）。反射降低，感觉完好无损。在下肢中，髋屈曲（4/5）双侧存在轻度弱点。颈椎和大脑的MRI正常。神经传导研究（NCS）揭示了运动神经疾病的特征，具有完整的感觉研究，其中位神经和尺神经的复合肌肉动作电位显着降低。肌电图（EMG）显示左下角，二头肌臂，第一侧骨间和外展波利西斯的左下角发生了主动的去神经变化。最初，考虑了神经肌瘤的诊断。但是，她的症状进展了，五个星期后，她遇到了吞咽困难。重复的NC和EMG暗示着运动神经疾病，涉及四个区域 - 鳞茎，宫颈，胸腔和腰部区域。与疾病的临床表现一起
使用Motoneuron放电信息同时估算手指屈曲和延伸力
摘要 - 目的：可靠的神经机界界面提供了控制高敏捷的高级机器人手的可能性。这项研究的目的是驱除一种解码方法，以同时估计单个纤维的延伸力和延伸力。方法：首先，通过表面肌电图（EMG）分解来鉴定运动单元（MU）的网络信息，然后将MUS进一步分为不同的池中，以通过重新构造程序将单个固定器的浮动和扩展。在人口水平上 MUFING率，然后通过双变量线性回归模型（Neural-Drive方法）估算单个纤维力。 基于常规EMG振幅的方法被用作比较。 结果：我们的结果表明，与常规方法相比，神经驱动方法的性能要好得多（估计误差和较高的相关性）。 结论：我们的方法为灵敏纤维运动提供了可靠的神经解码方法。 明显的能力：我们方法的进一步探索可能会提供强大的神经机界面，以直观地控制机器人的手。MUFING率，然后通过双变量线性回归模型（Neural-Drive方法）估算单个纤维力。基于常规EMG振幅的方法被用作比较。结果：我们的结果表明，与常规方法相比，神经驱动方法的性能要好得多（估计误差和较高的相关性）。结论：我们的方法为灵敏纤维运动提供了可靠的神经解码方法。明显的能力：我们方法的进一步探索可能会提供强大的神经机界面，以直观地控制机器人的手。
SMA 中的高 β 爆发介导双手运动任务中的预期肌肉抑制
在运动网络中，运动抑制可由感觉运动 mu 节律 (8-12Hz) 或 beta 爆发 (13-30Hz) 驱动。在本研究中，我们旨在调查 mu 或 beta 活动是否支持有效的预期抑制，这反映在肌电图 (EMG) 活动的减少中。为了测试这一点，我们在 16 名执行双手负重举重任务 (BLLT) 的成年人中记录了脑磁图 (MEG)，参与者用一只手支撑另一只手举起重物。在预期卸载时，支撑臂的肘屈肌受到抑制以防止肘部偏转。我们观察到，当屈肌抑制发生在卸载开始前约 30 毫秒时，会发生最佳姿势稳定。在此时间间隔内较强的 EMG 抑制与高伽马功率 (90-130Hz) 呈负相关，反映神经兴奋性降低，与内侧辅助运动区 (SMA) 的高 beta 功率呈正相关。相反，在 mu 范围（8-12 Hz）内未观察到显著相关性。同时，高 beta 和高 gamma 功率呈负相关。中介分析证实，gamma 功率显著介导 beta 功率与 EMG 抑制之间的关系。使用相位斜率指数的 beta 爆发概率和定向连接分析表明，高 beta 爆发从中部前额皮质 (mPFC) 和肘部相关的初级运动皮质 (M1) 传输到 SMA。我们的研究结果表明，在自愿卸载任务中，最佳时间的预期肌肉抑制是由 SMA 内兴奋性降低驱动的，这可能是由源自 mPFC-M1-SMA 网络的高 beta 爆发促进的。
卷积网络优于线性解码器......
书籍章节 卷积网络在从脊髓信号预测肌电图方面优于线性解码器 Yi Guo 1 *、Sinan Gok 2 和 Mesut Sahin 2 1 美国混合智能实验室有限责任公司 2 美国新泽西理工学院生物医学工程系神经假体实验室 *通讯作者：Yi Guo，混合智能实验室有限责任公司，加利福尼亚州威尼斯，美国 2020 年 10 月 19 日发布 本书章节是 Yi Guo 等人发表的文章的再版。于 2018 年 10 月在 Frontiers in Neuroscience 上发表。 （Guo Y、Gok S 和 Sahin M (2018) 卷积网络在预测脊髓信号中的 EMG 方面优于线性解码器。Front. Neurosci. 12:689。doi: 10.3389/fnins.2018.00689） 如何引用本书章节：Yi Guo、Sinan Gok、Mesut Sahin。卷积网络在预测脊髓信号中的 EMG 方面优于线性解码器。在：Jose Fernando Maya-Vetencourt，编辑。Prime Archives in Neuroscience。海得拉巴，印度：Vide Leaf。 2020。© 作者 2020。本文根据知识共享署名 4.0 国际许可条款发布（http://creativecommons.org/licenses/by/4.0/），允许在任何媒体中不受限制地使用、分发和复制，前提是对原始作品进行适当引用。道德声明：所有程序均经新泽西州纽瓦克市罗格斯大学机构动物护理和使用委员会 (IACUC) 批准。
即插即用监控，利用肌肉和脑信号进行实时手势和错误检测
摘要 在各种潜在的安全关键场景中，对机器人进行有效的人工监督是确保机器人正确运行的关键。本文通过结合两种人体生物信号流（分别通过 EMG 和 EEG 获得的肌肉和大脑活动），朝着快速可靠的人工干预监督控制任务迈出了一步。它介绍了使用肌肉信号对左手和右手手势进行连续分类、使用脑信号（在观察到错误时无意识产生）对错误相关电位进行时间锁定分类，以及结合这些管道在多项选择任务中检测和纠正机器人错误的框架。以“即插即用”的方式评估由此产生的混合系统，其中 7 名未经训练的受试者监督执行目标选择任务的自主机器人。离线分析进一步探索了 EMG 分类性能，并研究了选择可能促进可推广的即插即用分类器的训练数据子集的方法。
奥里萨邦医学科学委员会......
序号 主题 涵盖时间 I) 肌电图 a) 插入活动 b) 自发活动（纤维、肌筋膜、肌强直、阳性锐利、假性肌强直） c) 干扰模式 d) 运动单位 e) 不同类型的 1. 神经源性和肌病模式。 2. 根刺激研究 3. 单纤维肌电图
ConTraNet：用于 EEG 的单一端到端混合网络……
目标：脑电图 (EEG) 和肌电图 (EMG) 是两种非侵入性生物信号，广泛应用于人机界面 (HMI) 技术（EEG-HMI 和 EMG-HMI 范式），用于肢体残疾人的康复。成功将 EEG 和 EMG 信号解码为相应的控制命令是康复过程中的关键步骤。最近，提出了几种基于卷积神经网络 (CNN) 的架构，将原始时间序列（EEG 和 EMG 信号）直接映射到决策空间（用户的预期动作）。由于 CNN 是端到端学习算法，因此有意义的特征提取和分类过程是同时进行的。然而，这些网络是为学习给定生物信号的预期特征而定制的。从今以后，这些算法的含义通常仅限于单个 HMI 范式。在这项工作中，我们解决了这样一个问题：我们能否构建一个能够从不同的 HMI 范式中学习不同特征并仍能成功对其进行分类的单一架构。方法：在这项工作中，我们引入了一个称为 ConTraNet 的单一混合模型，该模型基于 CNN 和 Transformer 架构，对 EEG-HMI 和 EMG-HMI 范式同样有用。ConTraNet 使用 CNN 模块在模型中引入归纳偏差并学习局部依赖关系，而 Transformer 模块使用自注意机制来学习信号中的长距离或全局依赖关系，这对于 EEG 和 EMG 信号的分类至关重要。主要结果：我们在三个公开可用的数据集（BCI 竞赛 IV 数据集 2b、Physionet MI-EEG 数据集、Mendeley sEMG 数据集）上评估并将 ConTraNet 与最新方法进行了比较，这三个数据集属于 EEG-HMI 和 EMG-HMI 范式。ConTraNet 在所有不同类别任务（2 类、3 类、4 类和 10 类解码任务）中均优于其同行。意义：大多数 HMI 研究引入了针对其预期生物信号特征量身定制的算法，并在仅属于单一范式的数据集上验证其结果。相反，我们引入了 ConTraNet，并在两个不同的 HMI 范式上验证了结果，这两个范式包含 2、3、4 和 10 个类的数据。此外，ConTraNet 的泛化质量对于这两个范式都同样好，这表明 ConTraNet 能够从不同的 HMI 范式中学习不同的特征，并且与当前最先进的算法相比具有良好的泛化能力。
Harita Trivedi-工程企业家精神
人类核对机界面（HCMI） - 生物学的设计挑战 - 4个团队•开发了一个集成EMG信号的生物新学系统，用于实时控制蟑螂腿和伺服电机•MATLAB中的实施信号处理和校准；使用CAD设计的机械组件•实现了具有重大统计验证的精确控制（P = 0.0461）并优化的伺服响应