XiaoMi-AI文件搜索系统
World File Search SystemsEMG
MERGED_COMPREDSES.pdf -IRIS -IRIS -UNIXPAR- di bologna
摘要 - 建模手运动学和动力学是研究人机界面的关键目标，表面电子学（SEMG）是最常用的传感方式。尽管研究了未经研究的，但基于SEMG回归的手动运动和力模型具有比将固定手势映射到固定手势所允许的更精细的控制的承诺。我们提出了基于事件的SEMG编码，用于在微控制器单元（MCU）上实现的多指力估计。我们是第一个针对Hyser高密度（HD）-SEMG数据集的人，在最接近实际情况的多日条件下，没有固定的力模式。我们的最大自愿收缩（MVC）（MVC）的（8.4±2.8）％的平均绝对误差与最新的（SOA）相提并论，可在更易于的设置（例如日内，单指或固定运动）上工作。We deploy our solution for HYSER's hardest task on a parallel ultra-low power MCU, getting an energy consumption below 6.5 uJ per sample, 2.8× to 11× more energy-efficient than SoA single-core solutions, and a latency below 280 us per sample, shorter than HYSER's HD-sEMG sampling period, thus compatible with real-time operation on embedded devices.
利用神经接口和深度学习感知人手的全部动态
摘要 — 神经控制运动的理论主要基于运动传感设备，这些设备可以捕捉预先定义的解剖标志的动态。神经肌肉接口，例如表面肌电图 (sEMG)，理论上可以通过感知由运动的最终路径（运动单元）传输的运动命令来超越基于运动的技术所施加的限制。运动单元活动的记录可以连续地预测时间和空间中的动力学和运动学，而不受数码相机或惯性传感器所遭受的几个生物和物理限制。然而，目前的 sEMG 解码算法只能预测几个自由度（<3）。通过结合无标记机器视觉和高密度 sEMG 电极，我们旨在检验以下假设：受生理启发的深度神经网络可以像数码相机一样精确地重建人手的运动，并且还具有预测潜在力量（例如，抓住一杯咖啡）的额外好处。我们证明，我们的深度学习模型可以在自然运动任务中，通过仅放置在外部手部肌肉上的 320 个 sEMG 传感器，以可忽略不计的误差持续预测手部的所有自由度。我们的深度学习模型能够显示 3D 手部运动学和等长收缩期间手指的全部力量范围。目前的结果表明，将深度学习应用于 EMG 信号可以前所未有地表示最终的运动神经代码。
使用多重分形去趋势波动分析和表面肌电图进行人体手势识别 A. Hajihashemi a、F. Ebrahimi *a、H. Monta
大多数日常活动需要灵巧地使用手和手指。残疾人的手部假肢可以通过连接到上肢的表面电极非侵入式获取的表面肌电图 (sEMG) 信号来控制。在对从 10 位截肢者获取的 12 个电极 sEMG 信号进行预处理后，计算了时域和频域中的不同特征。考虑到 sEMG 是一种复杂、随机、非平稳和非线性信号，还通过多重分形去趋势波动分析 (MFDFA) 的方法提取了复杂的非线性特征。使用不同的分类方法（包括支持向量机 (SVM)、线性判别分析 (LDA) 和多层感知器 (MLP)）来比较它们在八种不同手指运动分类中的表现。观察发现，SVM 在手指运动分类方面的表现优于其他两个分类器。新特征与传统特征融合后，分类准确率、精确率、召回率（灵敏度）分别为98.70%、98.74%、98.67%。结果表明，加入MFDFA提取的新特征与其他传统特征，可以有效提高数据采集效果。
卡茨科学与健康学院
Natania Birnbaum 和 Amena Farooq（生物技术管理与创业硕士）正在与 Ke Chen 和 Ziyang Guo（数据分析与可视化硕士）合作，作为由人工智能博士后研究员 Sai Praveen Kadiyala 博士领导的跨学科团队的一部分，开发肌电外骨骼（机械手）以支持中风患者的上肢康复。尽管中风患者可能无法移动肌肉，但他们仍然会产生微弱的电信号，表面肌电图 (sEMG) 传感器可以通过皮肤产生的微电压检测到这些电信号。该团队正在构建手部外骨骼的原型，它可以从手臂的肌肉获取 sEMG 信号并利用它们来移动外骨骼的手指。他们的目标是创建一个可用于上肢康复的不同手势和复杂抓握的计算模型。机器人辅助治疗前景广阔，因为它们对患者和治疗师来说既方便又经济实惠，使治疗数据收集变得更加容易，并提高了患者的积极性。基于 sEMG 的方法的优点包括适应患者自身的身体运动，以及可能使用更轻便、更灵活、更舒适的机器人。
程序
Abigail Russo 是 Meta Reality Labs 的一名研究科学家，她正在研究使用非侵入式腕戴式脑机接口扩展人类运动能力的策略。她在哥伦比亚大学师从 Mark Churchland 攻读博士学位，研究了自愿运动过程中的运动皮层网络功能，借鉴了人工神经网络的见解。 演讲题目：一种适用于整个人群的人机交互腕式表面肌电图神经运动接口 描述：我们描述了一种非侵入式神经运动接口的开发，该接口允许使用表面肌电图 (sEMG) 进行计算机输入。我们开发了一个高灵敏度和强大的硬件平台，可以轻松戴上/脱下，以感应手腕上的 sEMG 并将有意识的神经运动命令转换为计算机输入。我们将此设备与一个经过优化的基础设施配对，可以收集来自数千名同意的参与者的训练数据。这使我们能够开发通用的 sEMG 神经网络解码模型，该模型具有跨人群的高性能开箱即用泛化能力（测试用户在连续导航任务中的平均性能：0.5 次目标获取/秒；离散手势检测任务：0.9 个手势/秒；手写任务：19.6 个字/分钟）。
使用骨骼con>的基于人的计算机接口（HCI）
摘要：基于基于眼运动的电解图（EOG）信号的人– Computer界面（HCI）方法已被连续研究，因为它们可以不使用两个臂而将相对符号传输到计算机或机器。然而，可用性和外观是实用应用的主要障碍，因为传统的基于EOG的HCI方法需要外侧和内侧can附近眼外的皮肤电极。为解决这些问题，在本文中，我们报告了一种HCI方法的开发，该方法可以通过集成到骨传导头部的电极中同时获取EOG和表面电骨髓（SEMG）信号（SEMG）信号，并通过水平眼动运动和各种诱人运动传输命令。开发的系统可以通过将80度范围（从 - 40度到左至 +40度向右的+40度）分为20度段来将眼睛的位置分类，并且还可以根据从三个电极获得的生物信号来识别三个叮咬运动，从而可以将11个命令传递到计算机或计算机或计算机或计算机。实验结果表明，基于EOG信号的命令和基于SEMG信号的命令的界面的精度分别为92.04％和96.10％。对于虚拟键盘接口应用程序的结果，精度为97.19％，精度为90.51％，打字速度为5.75–18.97字母/分钟。建议的接口系统可以应用于各种HCI和HMIFILDS以及虚拟键盘应用程序。
一种基于健康脑表面肌电图的机器学习特征提取新方法
摘要：特征提取是基于表面肌电（sEMG）模式识别的多功能假肢控制中最重要的步骤之一。本文提出了一种基于肌肉活跃区域的sEMG特征提取新方法。设计了一个实验，利用不同的特征对四种手部运动进行分类。该实验用于证明新特征具有更好的分类性能。实验结果表明，新特征活跃肌肉区域（AMR）比传统特征平均绝对值（MAV）、波形长度（WL）、零交叉（ZC）和斜率符号变化（SSC）具有更好的分类性能。AMR、MAV、WL、ZC和SSC的平均分类误差分别为13％、19％、26％、24％和22％。新的EMG特征基于手部运动和前臂活跃肌肉区域的映射关系。这种映射关系已经在医学中得到证实。通过新的特征提取算法从原始EMG信号中获得活跃肌肉区域数据。从该算法获得的结果可以很好地表示手部运动。另一方面，新特征向量大小比其他特征小很多，新特征可以降低计算成本，证明了AMR可以提高sEMG模式识别的准确率。
基于表面肌电图
摘要：基于表面肌电图（SEMG）探索了一种定量识别原发性刺激强度的新颖方法。，我们在具有不同强度的主要味道刺激下捕获了SEMG样品，并用支持向量机（SVM）进行了定量识别的预处理样品。验证了定量识别酸，苦和咸强度的可行性。在柠檬酸（aq），蔗糖（水溶液），氯化镁（水溶液），氯化钠（AQ）和谷氨酸钠（AQ）的刺激下获得了SEMG信号，其浓度不同，用于五种类型的主要口味：酸味，甜美，苦味，苦味，苦味，苦味，salty和umimimi cormimimifive。采用的信号用一种称为二次变化的方法处理，以删除基线徘徊，以及一个自适应缺口，以删除功率频率干扰。为每个样品提取330个特征后，进行了五倍跨验力的SVM回归器，模型达到了0.7277、0.1963、0.7450、0.7642和0.5055的R 2得分，分别用于痛苦的主要品味，均可识别次数的痛苦和0.5055。要探索面部对味觉刺激的反应，我们总结并比较了不同味道类型和味道强度的刺激下的肌肉活动。为了进一步简化模型，我们探索了特征维度的影响，并以频道方式优化了每种口味的特征组合，并且分别从330、120、120、120、120、210、210、260、170降低了五种类型的主要品味。最后，我们分析了多个受试者的模型性能以及模型的性能与实验受试者的数量之间的关系。这项研究可以为使用SEMG提供进一步研究和味觉刺激识别的应用参考。
生物形态 - 虹膜 -
摘要 - 人类机器的相互作用正在在康复任务中获得关注，例如控制假肢或机器人手臂。手势识别表面肌电图（SEMG）信号是最有前途的方法之一，因为SEMG信号采集是无创的，并且与肌肉收缩直接相关。但是，对这些信号的分析仍然提出许多挑战，因为类似的手势会导致相似的肌肉收缩。因此，所得信号形状几乎相同，导致分类精度低。为了应对这一挑战，采用复杂的神经网络，需要大量的记忆足迹，消耗相对较高的能量并限制用于分类的设备的最大电池寿命。这项工作通过引入生物形态来解决此问题。这个新的基于注意力集中的档案的新家族可以采取最先进的性能，同时减少4.9倍的参数和操作的数量。此外，通过引入新的主体间预训练，我们将最佳生物样品的准确性提高了3.39％，可以匹配最先进的准确性，而无需任何额外的推理成本。在平行，超低功率（PULP）微控制器单元（MCU），Greenwaves GAP8上部署我们最佳性能的生物形态，我们的推断潜伏期和能量分别为2.72 ms和0.14 MJ，比以前是先前的现有的神经网络低8.0倍，同时只有94.2 kbs y 4.2 kb，而不是先前的现有的神经网络。索引术语 - 转化器，SEMG，手势识别，深度学习，嵌入式系统
针对燃煤电厂工人头盔式增强现实系统的人体工程学研究
12 名经验丰富的发电厂操作员参与了这项研究。测量了左右胸锁乳突肌、胸锁乳突肌、头半棘肌和上斜方肌的表面肌电图 (sEMG)，并使用小型摄像机记录了右眼的眨眼率。结果显示，三种条件下所有八块肌肉的第 50 和第 90 百分位 sEMG 通常没有显著差异。虽然眨眼率在实验条件下没有显著差异，但出现了一种趋势，即 HoloLens 的平均眨眼率低于 HMT-1 和 No AR（~ 4.5 次眨眼/分钟；减少 28%）。眨眼率较低是眼睛疲劳的风险因素，来自此实验的数据表明 HoloLens 可能会导致眼睛疲劳。必须对长时间持续使用 HoloLens 进行测试，以确定 HoloLens 是否会给电力公用事业现场工作人员带来眼疲劳风险。