XiaoMi-AI文件搜索系统
World File Search System肌电
肌电脑脊髓炎/慢性疲劳综合征（ME/CFS）家族史对ME/CFS
目的：目前尚不清楚患有肌力性脑脊髓炎/慢性疲劳综合征（ME/CFS）是否具有ME/CFS的家庭历史与没有此家族史的ME/CFS的人不同。为了探讨这个问题，收集了ME/CFS和对照的患者的定量数据，我们检查了有或没有ME/CFS家庭历史的患者。方法：样本包括400例ME/CFS患者，以及241例多发性硬化症患者（MS）患者的非我/CFS慢性疾病对照组和173例Polio后综合征（PPS）。结果：从先前的研究中确认发现的结果，与我/CF的人相比，与对照组相比，患有我/CF的家庭成员更有可能。我们发现，ME/CFS组中ME/CFS的家庭历史显着高于非ME/CFS对照组（3.9％）。此外，与没有那些家庭历史的有我/CF的患者/CF的患者/CF的患者更有可能患有胃肠道症状。结论：鉴于最近有ME/CF的胃肠道困难的报道，我们的发现可能代表了ME/CFS出现的一个诱人因素。
使用目光注视训练自适应肌电接口
肌电接口在消费者和健康应用中前景广阔，但目前它们受到不同用户之间性能差异和任务间通用性差的限制。为了解决这些限制，我们考虑在操作过程中不断适应的接口。尽管当前的自适应接口可以减少受试者之间的差异，但它们在任务之间的通用性仍然很差，因为它们在训练期间使用了特定于任务的数据。为了解决这一限制，我们提出了一种新范式，使用自然眼球注视作为训练数据来调整肌电接口。我们招募了 11 名受试者，使用从前臂肌肉测量的高密度表面 EMG 信号在 2D 计算机光标控制任务上测试我们提出的方法。我们发现我们的凝视训练范式和当前的任务相关方法之间的任务性能相当。这一结果证明了
肌电控制和虚拟现实，以增强中风后运动康复
有效的上limb康复对严重受损的中风幸存者仍缺失。最近的研究认可新颖的运动康复方法，例如机器人外骨骼和虚拟现实系统，以恢复中风幸存者的偏见的功能。但是，尚未发现中风后促进中枢神经系统功能重组的最佳方法。肌电图（EMG）信号已用于假肢控制，但它们在康复中的应用受到限制。在这里，我们提出了一种新型方法，以促进病理肌肉激活模式的重组，并通过使用EMG控制的界面在虚拟现实（VR）执行运动时提供个性化的援助，从而增强了中风幸存者中LIMB运动的恢复。我们建议改变视觉反馈以提高VR的运动性能，从而减少实际功能障碍肌肉模式与功能性肌肉的偏差的影响，将积极吸引患者参与运动学习并促进功能肌肉模式的恢复。通过针对肌肉协同作用的特定变化及其中风后出现的激活中的特定变化，可以通过靶向特定的变化来促进有效的康复，从而促进有效的康复，这提供了解决特定个体障碍的康复疗法的可能性。
通过可解释的人工智能解释中风受损的肌电图模式
摘要：肌电图 (EMG) 在识别缺血性中风引起的神经肌肉改变方面具有宝贵的肌电表现，可作为诊断缺血引起的步态障碍的潜在标记。本研究旨在开发一个可解释的机器学习 (ML) 框架，通过可解释的人工智能 (XAI) 技术区分中风患者和健康个体的肌电模式。该研究包括 48 名在康复中心接受治疗的中风患者（平均年龄 70.6 岁，65% 为男性），以及 75 名健康成年人（平均年龄 76.3 岁，32% 为男性）作为对照组。在步态实验室的室内地面行走期间，从放置在双下肢股二头肌和外侧腓肠肌上的可穿戴设备记录 EMG 信号。我们部署了 Boosting ML 技术，利用 EMG 步态特征识别中风相关的步态障碍。此外，我们还采用了 XAI 技术，例如 Shapley 加法解释 (SHAP)、局部可解释模型不可知解释 (LIME) 和 Anchors，以解释 EMG 变量在中风预测模型中的作用。在评估的 ML 模型中，GBoost 模型在与训练数据集进行交叉验证时表现出最高的分类性能 (AUROC：0.94)，并且在使用测试 EMG 数据集进行评估时也表现出色 (AUROC：0.92，准确率：85.26%)。通过 SHAP 和 LIME 分析，研究发现有助于区分中风组和对照组的 EMG 频谱特征与右侧股二头肌和外侧腓肠肌有关。这种可解释的基于 EMG 的中风预测模型有望成为预测中风后步态障碍的客观工具。它的潜在应用可以通过提供可靠的 EMG 生物标志物极大地帮助管理中风后康复，并解决缺血性中风患者的潜在步态障碍。
使用可穿戴肌电图的肌肉活动分析的可靠性和有效性
摘要。[目的]这项研究的目的是开发一种名为NOK的新型可穿戴肌电图，并将其可靠性和有效性与现有肌电图进行比较。[参与者和方法]研究症状是23名健康的大学生（7名男性和16名女性； 20.3±1.1岁[平均值±标准偏差]；高度162.0±6.7 cm；体重58.4±10.1 kg，他们都给予了知情的书面同意。新开发的肌电图（NOK）具有不需要电极的橡胶皮肤接触表面，并允许在便携式个人计算机上获取多达10个肌肉波形的肌肉波形。在测量最大等距肘部伸展和屈曲之后，我们在肘关节屈曲和延伸期间检查了肌肉波形，并使用NOK和DELSYS ELEC-ELEC-tromographings和两种设备的结果进行了大约50％的最大自愿收缩。[结果]我们发现了两个设备的二头肌和三头肌之间的测量之间有显着的中等相关性。两种设备的测量结果也显示出强烈的测量可靠性。的系统误差和伸展，表明两种测量方法之间的一致性有限。[结论]尽管新设备的可重复性和可靠性也很高，但不适合分析详细的肌肉活动。但是，由于它可以测量多达10个肌肉活动的渠道，因此预计将来将在康复和运动领域中使用它。关键词：可穿戴肌电图，有效性，肌肉活动
可减少用户校准负担的强大肌电模式识别方法：挑战和未来
肌电模式识别（MPR）已演变为一项广泛用于控制肌接口（MI）设备（如假肢和矫形机器人）的技术。当前的MIS不仅能够对假肢的多元自由控制，而且还具有消费电子产品的巨大潜力。但是，肌电信号的非平稳随机特征构成了挑战，从而在诸如电极移动和切换新用户之类的实际情况下导致性能退化。常规误差通常需要细致的校准，对用户造成重大负担。为解决校准过程中用户挫败感，研究人员致力于确定减轻这种负担的MPR方法。本文将基于数据分布变化和基于动态数据类别的校准负担负担的常见场景分类。然后进一步研究并总结了用于减轻用户校准负担的流行强大的MPR算法。我们将这些算法分为基于数据操纵，特征操纵和模型结构。并描述了每种方法适用的情况以及校准所需的条件。最后，本次审查以强大的MPR以及其余的挑战和未来的机会的优势结束。
使用基于表面肌电信号的用户独立分类方法控制电动轮椅
摘要 轮椅因其舒适性和机动性而成为运动障碍人士中最受欢迎的辅助技术 (AT) 之一。手指有问题的人可能会发现使用传统的操纵杆控制方法操作轮椅很困难。因此，在本研究中，开发了一种基于手势的控制方法来操作电动轮椅 (EPW)。本研究选择了基于舒适度的手部位置来确定停止动作。还进行了额外的探索以研究四种手势识别方法：线性回归 (LR)、正则化线性回归 (RLR)、决策树 (DT) 和多类支持向量机 (MC-SVM)。前两种方法 LR 和 RLR 的准确率分别为 94.85% 和 95.88%，但每个新用户都必须接受培训。为了克服这个限制，本研究探索了两种独立于用户的分类方法：MC-SVM 和 DT。这些方法有效地解决了手指依赖性问题，并在识别不同用户的手势方面取得了显著的成功。MC-SVM 的准确率和准确度约为 99.05%，DT 的准确率和准确度约为 97.77%。所有六名参与者都成功控制了 EPW，没有发生任何碰撞。根据实验结果，所提出的方法具有很高的准确性，并且可以解决手指依赖性问题。
利用肌电图和脉搏血氧饱和度信号传感器融合的肌电假肢
厄瓜多尔约有 215,156 人患有肢体残疾，其中近一半的残疾率在 30% 至 49% 之间，相当一部分人没有肢体。此外，截肢病例激增，这一趋势与糖尿病患病率上升有关，根据国际糖尿病联合会 (IDF) 的数据，到 2021 年，糖尿病患病率预计将达到 5.37 亿。虽然存在假肢解决方案，但它们可能会产生高昂的成本或限制运动，即使价格更实惠。因此，提出了一种替代方案：肌电上肢假肢。这种假肢将通过肌电图和脉搏血氧饱和度信号进行操控，利用人工智能方法。采用多层神经网络模型，该模型由一个输入层、四个隐藏层和一个输出层组成，对用户运动意图的预测准确率高达 93%。对于 AI 模型训练，记录并仔细检查了来自 EMG 和 PPG 传感器的数据，从而将类别从四个压缩为三个。该模型嵌入在 ESP32 C3 DevKit-M1 开发板中，开源蓝图促进了假肢的创建，并辅以用于电子集成的补充组件。该模型在预测类别方面达到了 93% 的准确率，而假肢的续航时间约为三个小时，售价 295 美元，可处理各种轻量级物体。
用于非侵入性肌电神经界面的生物机制研究，用于上limb假体控制：10年的观点评论
十年前，一群来自学术界和行业的研究人员确定了上限limb假体控制中的工业和学术最先进的二分法，这是一种广泛使用的生物界应用。他们提出，如果解决了四个关键的技术挑战，可以弥合这一差距，并将学术研究转化为临床和商业上可行的产品。这些挑战是不直觉的控制方案，缺乏感觉反馈，鲁棒性和单传感器方式。在这里，我们提供了有关过去十年发生的研究工作的透视审查，目的是应对这些挑战。此外，我们讨论了上限假体控制研究中最新发展至关重要的三个研究领域，但在10年前的评论中没有设想：深度学习方法，表面肌电图分解和开源数据库。为了结束审查，我们为上限假肢及其他地区的研究与发展提供了前景。