XiaoMi-AI文件搜索系统
World File Search SystemsEMG
控制系统和电子仪器适用于轮椅活动中的自主权：最新状态
摘要：自动轮椅在仪器和控制方面发展起来，解决了身体残疾人的移动性问题。通过这项工作，旨在建立自动轮椅和原型的仪器和控制方法的背景，以及每个类别中的分类。为此，对2012年至2019年之间发表的文章进行了对专业数据库的搜索。在其中，根据包含和排除标准选择了97个文件。针对这些文章提出了以下类别：（a）轮椅仪器和控制方法，其中有一些系统可以实施微电机力学传感器（MEMS），表面肌电图（SEMG），电视学（EOG），电视学（EOG），电脑术（EEG）和语音认识系统； （b）轮椅仪器，其中包括发现障碍物检测系统，人工视觉（图像和视频）以及导航系统（GPS和GSM）。本综述中发现的结果倾向于使用EEG信号，头部移动，语音命令和算法以避免障碍。最常用的技术涉及使用经典控制和阈值来移动轮椅。此外，讨论主要基于用户的特征和控制类型。总而言之，这些文章在其设计中表现出了现有的局限性和可能的解决方案，并向物理残障社区告知了这一领域的技术发展。
使用有机电化学晶体管阵列和脉冲神经模拟进行神经形态信号分类
摘要 — 神经形态计算是一个令人兴奋且发展迅速的领域，旨在创建能够复制人类大脑复杂动态行为的计算系统。有机电化学晶体管 (OECT) 因其独特的生物电子特性而成为开发此类系统的有前途的工具。在本文中，我们提出了一种使用 OECT 阵列进行信号分类的新方法，该方法表现出类似于通过全局介质连接的神经元和突触的多功能生物电子功能。我们的方法利用 OECT 的固有设备可变性来创建具有可变神经元时间常数和突触强度的储存器网络。我们通过将表面肌电图 (sEMG) 信号分为三个手势类别来证明我们方法的有效性。OECT 阵列通过多个门馈送信号并测量对具有全局液体介质的一组 OECT 的响应来执行有效的信号采集。我们比较了在有和没有将输入投射到 OECT 上的情况下我们的方法的性能，并观察到分类准确率显著提高，从 40% 提高到 68%。我们还研究了不同的选择策略和使用的 OECT 数量对分类性能的影响。最后，我们开发了一种基于脉冲神经网络的模拟，该模拟模仿了 OECT 阵列，并发现基于 OECT 的分类与基于脉冲神经网络的方法相当。我们的工作为下一代低功耗、实时和智能生物医学传感系统铺平了道路。
力量和技能应用中的生物反馈（Bisskapp）
最近已经开发了Bisskapp产品，以将吞咽困难的传统康复方法与更现代的方法整合在一起，并通过受监控的远程医疗方法最大程度地利用强化康复。由于这是一种新兴的产品，迄今为止，还没有关于Bisskapp本身的现有数据。但是，构成产品的关键组件在已发布的数据中具有研究支持。这些组件包括：（1）将SEMG用作吞咽困难康复中的辅助方式，重点关注基于力量的吞咽训练； （2）对吞咽行为神经调节的了解增加，（3）吞咽技能训练的实施以及（4）吞咽康复中的远程医疗方式实施。力量和基于技能的吞咽训练Bisskapp目前为两种主要的康复方法提供了选择：更传统的力量训练方法和更现代的技能培训方法。这代表了我们对吞咽的皮质控制以及对康复计划和潜力的影响的显着扩展。尽管力量和技能密不可分，但特定的力量训练主要是在执行吞咽反应过程中产生增加力的增加。技能培训将重点从外围肌肉招募转移到吞咽或定时和力量的精确和整合中的“熟练运动”。许多出版物已经记录了这种康复的概念转变。临床医生针对以下同行评审出版物：
基于纺织品的干脑电图电极的现状
神经系统疾病是指大脑、脊柱以及连接大脑、脊柱的神经所发生的疾病 [1]。神经系统疾病有 600 多种 [2]，例如脑肿瘤、癫痫、帕金森病、中风以及一些不太常见的疾病，例如额颞叶痴呆。针对个体患者疾病的医疗治疗最终可能会降低死亡率并改善生活质量；然而，为此，必须客观量化每种疾病及其对治疗的反应。此外，脑病患者无法识别疾病的开始，也无法感知正在发生的事情。因此，应使用能够客观评估癫痫发作频率和针对个体患者量身定制治疗的疾病检测设备。快速识别和治疗可能通过闭环系统降低发病率和死亡率。然而，没有一种检测设备可以检测到所有疾病类型。因此，选择疾病检测设备时应考虑患者特定的疾病。例如，每种类型的癫痫发作都由一种或多种同时或连续发生的现象组成。可用于评估临床特征的两个主要组成部分是运动和生理信号。运动是指特定身体部位以特定方式移动以检测疾病，可以使用加速度计 [3,4]、表面肌电图 (sEMG) [5]、视频监控 [6] 或癫痫警报犬 [7] 进行识别。生理信号包括心率、呼吸频率、心电图 (ECG) 可检测到的出汗和温度、探索性数据分析 (EDA) 出汗、腕带温度和
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。