XiaoMi-AI文件搜索系统
World File Search SystemsEMG
一个新颖的自主学习框架来增强SEMG ...
在过去的几十年中，使用表面肌电图（SEMG）的手势识别（SEMG）一直是人类计算机相互作用中最有效的运动分析技术之一。尤其是，多通道SEMG Teches在手势识别方面取得了稳定的性能。，始终，收集和标记大数据的一般解决方案可以手动导致耗时的实现。因此，需要一种新颖的学习方法来促进有效的数据收集和预处理。在本文中，提出了一个新颖的自主学习框架，以整合深度视觉和EMG信号的好处，该框架使用深度信息自动标记收集的EMG数据类别。然后，它利用多层神经网络（MNN）分类器仅使用SEMG实现对手势的实时识别。使用Myo Armband和HTC Vive Pro识别了十个手势，在增强现实应用中证明了整个框架。结果显示出突出
在低功率5K-LUT FPGA上使用尖峰神经网络的实时SEMG处理
摘要 - 基于表面肌电图（SEMG）的分析的手动运动的准确建模为开发复杂的假体设备和人机界面的开发提供了令人兴奋的机会，从离散的手势识别转向连续运动跟踪。在这项研究中，我们基于轻量级尖峰神经网络（SNN）和在晶格ICE40-ultraplus FPGA上实施了两种实时SEMG加工的解决方案，特别适用于低功率应用。我们首先评估离散手势识别任务中的性能，考虑到参考Ninapro DB5数据集，并在十二个不同的固定手势的分类中占83.17％的准确性。我们还考虑了连续填充力建模的更具挑战性的问题，在独立的扩展和收缩练习中引用了用于填充跟踪的Hyser数据集。评估表明，高达0.875的相关性与地面真正的力。我们的系统利用了SNN的固有效率，并在活动模式下消散11.31 MW，以进行手势识别分类的44.6 µJ，用于强制建模推理的手势识别分类和1.19 µJ。考虑动态功率消费管理和引入空闲时期，对于这些任务，平均功率下降至1.84兆瓦和3.69兆瓦。
emgtfnet：模糊视觉变压器解码上限semg信号识别
摘要 - Myoelectric Control是当今剧本增加的肌电图的一个区域，尤其是在仿生假体的手势识别（HGR）等应用中。今天的重点是使用机器学习以及最近深度学习方法的模式识别。尽管在稀疏的SEMG信号上取得了良好的效果，但后者通常需要大的数据集和培训时间。此外，由于随机SEMG信号的性质，传统模型无法概括为非典型或嘈杂值的样品。在本文中，我们提出了基于视觉变压器（VIT）的建筑的设计，该体系结构具有模糊的神经块（FNB），称为EMGTFNET，以从表面肌电图（SEMG）信号中执行手势识别。所提出的EMGTFNET体系结构可以准确地对各种手势进行分类，而无需任何数据增强技术，传输学习或网络中参数数量的显着增加。使用由49种不同手势的公开ninapro数据库测试了所提出的模型的准确性。实验使用200 ms窗口大小和仅56,793个可训练的参数产生的平均测试准确度为83.57％±3.5％。我们的结果优于没有FNB的VIT，因此表明包括FNB可以提高其性能。我们的提案框架EMGTFNET报告了其实际应用假体控制的重要潜力。索引术语 - 电镜头；深度学习； Ninapro;变压器;模式识别；肌电控制
对表面肌电图（SEMG）的批判性评估是医学和运动机能学主题和临床工具
最初讨论了ECG，EEG和EMG等生物电信号的知识的特征和状态。这是探索学业覆盖率的基础，并了解过去60年左右的各自生物电信号亚型的临床接受程度。审查进一步讨论表面EMG（SEMG）。在与SEMG相关的教学和学术培训方面的领域状况，并在医学和运动学的多个领域中接受了临床接受，包括神经病学，心理学，精神病学，物理医学，物理医学和康复，生物力学，生物力学以及运动控制以及运动控制。随后提供了对SEMG信号测量及其解释和使用的临床实用性的现实概述，以及对其发展的观点。主要重点是克罗地亚领域的状态。EMG信号被视为“窗口”，成为神经肌肉系统的功能，神经肌肉系统是一个复杂且分层组织的系统，可控制人体姿势和体重运动。可以消除这些信号的检测和测量的新技术和技术手段，只要能够消除当前的科学，教育和财务障碍，就可以增加临床接受。
基于SEMG和FNIRS的力量，肌肉激活和半球平衡指数的上肢运动评估
中风是一种神经疾病，其特征是血管阻塞，对人类健康和生命构成严重威胁。。因此，评估运动功能的合理有效策略对于指导中风患者的康复至关重要。在临床实践中，上肢（FMUL）的FUGL-MEYER评分通常用于评估中风患者的上肢运动功能。但是，该量表的准确性通常取决于医疗保健专业人员的经验和主观评估。可以阐明上肢恢复过程的定量评估模型对于更好地组织康复策略和增强整体恢复是必要的。高级成像技术为诊断和功能预后提供了有价值的信息（2）。
采用非线性自回归外生模型的可穿戴 sEMG 传感器多自由度假手指关节控制器
摘要：手臂、手和指尖的活动功能和感觉信息的丧失妨碍了患者的日常生活活动 (ADL)。现代仿生假手可以弥补失去的功能并实现多自由度 (DoF) 运动。然而，由于传感器有限和缺乏稳定的分类算法，市售的假手通常具有有限的自由度。本研究旨在提出一种通过表面肌电图 (sEMG) 估计手指关节角度的控制器。用于训练的 sEMG 数据是使用商用 EMG 传感器 Myo 臂带收集的。提取时域中的两个特征并将其输入到具有外生输入的非线性自回归模型 (NARX) 中。使用 Levenberg-Marquardt 算法对 NARX 模型进行预选参数训练。与目标相比，模型输出的回归相关系数 (R) 在所有测试对象中均大于 0.982，信号范围为 [0, 255] 的任意单位时均方误差小于 10.02。研究还表明，所提出的模型可用于日常生活运动，具有良好的准确性和泛化能力。
使用基于两个SEMG电极信号的机器学习评估手动分类性能
摘要：近年来，基于分类的肌电控制引起了极大的兴趣，导致具有先进功能的假肢手，例如多围手。到目前为止，通过增加表面肌电图（SEMG）电极的数量或添加其他感应机制来实现高分类精度。尽管许多规定的肌电手仍然采用两电极SEMG系统，但仍缺乏有关信号处理和分类性能的详细研究。在这项研究中，招募了九名健全的参与者执行六种典型的手动动作，使用Delsys Trigno Research+ Acquisition System从两个电极中获取了来自两个电极的SEMG信号。信号处理和机器学习算法，特别是线性判别分析（LDA），K-Nearest邻居（KNN）和支持向量机（SVM），用于研究分类精度。总体分类精度为93±2％，动作特异性精度为97±2％，F1得分为87±7％，与多电极系统报道的总体精度为87±7％。与LDA和KNN算法相比，使用SVM算法实现了最高精度。揭示了分类精度与特征数量之间的对数关系，这在五个特征上平稳。这些全面的发现可能有可能有助于具有两个SEMG电极的通常开处方的肌电手部系统的信号处理和机器学习策略，以进一步提高功能。
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。
一种物理信息的低球学习，用于基于SEMG的肌肉力量和关节运动学的估计
摘要 - 表面肌电图（SEMG）中的肌肉力量和关节运动学估计1对于2实时生物力学分析，对神经肌肉刺激，肌肉动力学和4个动力学的动态相互作用3的2实时生物力学分析至关重要。深度神经网络（DNNS）5的最新进展表明，以完全自动化和可重复的方式改善生物力学肛门-6 YSIS的潜力。ho-7，生物力学分析的小样本性质和物理解释性8限制了DNN的应用。9本文提出了一种新型物理学的低镜头10对逆向学习方法，用于基于SEMG的11个肌肉力量和关节运动学的估计。这种方法无缝12将拉格朗日的运动方程和逆Dy-13 Namic肌肉模型集成到生成的对抗性净-14工作（GAN）的结构性特征解码框架（GAN）框架中，并从小样本数据中进行了15个外推估计。特定于16，拉格朗日的运动方程式被引入17个生成模型，以限制遵循物理定律的高级特征的结构化解码18。通过奖励推断估算值22和物理参考的Cons-21帐篷物理表示，旨在提高20个物理学的政策梯度，以提高20个对抗性学习效率。实验验证是在两种情况下进行的23个（即步行试验和24个手腕运动试验）。31的结果表明，与基于物理学的逆动力学相比，肌肉力和关节运动学的估计值26是公正的，其中27个表现优于选定的基准方法，其中包括28种物理学的卷积神经网络（PI-CNN），Val-29 LINA-29 LINA生成的对手网络（GAN）和Multi-Extremi-Lextreme-extreme Machine（Ml-30-Extreme Machine（Ml-30）。
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。