XiaoMi-AI文件搜索系统
World File Search System肌电图
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。
基于面部肌电图的性能增强......
摘要 最近的研究表明，基于面部肌电图 (fEMG) 的面部表情识别 (FER) 系统是虚拟现实 (VR) 环境中基于传统摄像头的 FER 系统的有前途的替代品，因为它们经济实惠、不依赖于环境光，并且可以很容易地合并到现有的 VR 耳机中。在我们之前的研究中，我们将基于黎曼流形的特征提取方法应用于记录在眼睛周围的 fEMG 信号，并证明仅需一次训练就可以以 85.01% 的高精度对 11 种面部表情进行分类。然而，传统的基于 fEMG 的 FER 系统的性能还不足以应用于实际场景。在本研究中，我们开发了一种新方法，通过对其他用户的标记数据集进行线性判别分析 (LDA) 自适应来提高 FER 性能。我们的结果表明，使用 LDA 自适应方法可以将平均分类准确率提高到 89.40%（p < .001，Wilcoxon 符号秩检验）。此外，我们展示了独立于用户的 FER 系统的潜力，该系统无需任何训练课程即可对 11 种面部表情进行分类，分类准确率达到 82.02%。据我们所知，这是首次以跨学科方式采用 LDA 自适应方法的研究。预计所提出的 LDA 自适应方法将作为一种重要方法，提高基于 fEMG 的 FER 系统在社交 VR 应用中的可用性。
使用表面肌电图
1丹麦AALBORGØSALBORGUNIXPY ALBORG UNIXPAIL，AALBORG UNIXPY的健康科学技术系； imrankn@hst.aau.dk 2新西兰脊医学院脊骨疗法研究中心，新西兰奥克兰1060； imran.amjad@nzchiro.co.nz 3新西兰奥克兰大学1010年的健康与康复研究所4 4康复和盟军科学和工程和应用科学学院ziaur.hearman@riphah.edu.pk（m.z.u.r. ）; muhammad.shafique@riphah.edu.pk（M.S.） 5机械与制造工程学院生物医学工程与科学系，国立科学与技术大学（NUST），伊斯兰堡44000，巴基斯坦； omer@smme.nust.edu.pk（s.o.g. ）; asim.waris@smme.nust.edu.pk（A.W。） *信件：mj@hst.aau.dk1丹麦AALBORGØSALBORGUNIXPY ALBORG UNIXPAIL，AALBORG UNIXPY的健康科学技术系； imrankn@hst.aau.dk 2新西兰脊医学院脊骨疗法研究中心，新西兰奥克兰1060； imran.amjad@nzchiro.co.nz 3新西兰奥克兰大学1010年的健康与康复研究所4 4康复和盟军科学和工程和应用科学学院ziaur.hearman@riphah.edu.pk（m.z.u.r.）; muhammad.shafique@riphah.edu.pk（M.S.）5机械与制造工程学院生物医学工程与科学系，国立科学与技术大学（NUST），伊斯兰堡44000，巴基斯坦； omer@smme.nust.edu.pk（s.o.g.）; asim.waris@smme.nust.edu.pk（A.W。）*信件：mj@hst.aau.dk
基于肌电图的仿生信号处理...
Aerobotix Technosolutions，印度马哈拉施特拉邦科尔哈普尔 摘要 EMG 传感器已广泛应用于辅助技术、生物医学和人机界面。本文讨论了具有紧凑设计和信号采集的 EMG 传感器的开发。该系统捕获、过滤和放大肌肉信号，以使其可用于假肢、康复和诊断等许多领域。 关键词：EMG 信号、辅助设备、信号放大、信号处理、肌电图、仿生手臂、康复、生物医学、脑机接口、可穿戴技术、神经肌肉功能、假肢设备、电信号、神经康复、外骨骼。 I. 介绍 肌电图传感器捕捉肌肉收缩引起的电活动，这使得它能够应用于仿生手臂、康复、生物医学诊断、人机界面等广泛的领域。使用 EMG 传感器，我们可以记录肌肉产生的电活动，这有助于物理治疗师分析肌肉活动并识别薄弱的肌肉。因此，可以使用该数据为患者创建康复程序。它用于外骨骼和仿生手臂，为身体残疾的患者提供运动支持。它们有助于通过适应用户独特的肌肉模式和力量来定制辅助设备。传感器越紧凑，用户体验就越好。这些传感器将监测肌肉健康并防止慢性病患者的肌肉萎缩。据世界卫生组织称，全世界约有 3000 万人需要假肢或其他辅助设备。肌电图传感器在改善辅助技术领域的生活质量方面发挥着重要作用。机器学习的技术进步将提高传感器的效率。它将根据用户的数据进行学习，并能够在仿生手臂的情况下提供快速的实时反馈。本文介绍了一种紧凑型肌电图传感器电路的开发和实现。二、文献综述在 Crea 等人 (2019) 进行的研究中，肌电图信号允许用户使用肌肉收缩来控制假肢。根据 Liao 等人的研究，肌电图信号允许用户使用肌肉收缩来控制假肢。 (2020)，研究使用带有机器学习算法的 EMG 传感器，这将实现精确控制，减少反馈时间和自然运动。根据 Basmajian 等人 (2017) 的说法，功能性电刺激 (FES) 对于脊髓损伤患者的康复 EMG 传感器起着至关重要的作用。刺激特定肌肉有助于患者恢复运动控制。
研究面部肌电图作为... 的指标
斯科特·加尔斯特空军研究实验室 俄亥俄州赖特-帕特森空军基地 面部肌电图 (fEMG) 是一种肌电图测量技术，主要用作测量情感的工具，但之前的实验表明，它也有助于量化认知工作量。在当前的研究中，实时监测了两个与任务无关的面部肌肉，皱眉肌和额外侧肌，以确定它们是否对遥控飞机 (RPA) 任务环境中的工作量变化敏感。应用实时信号处理技术从窗口 fEMG 数据中得出中值幅度和零交叉率。对这些特征的统计分析确定，这两种肌肉都对特定工作量操纵的变化很敏感。这项研究表明，从上述肌肉中提取的实时 fEMG 特征有可能作为或有助于认知工作量的指标。未来的工作旨在改进 fEMG 数据收集技术，以产生更灵敏、更具代表性的适合工作量评估的测量方法。长时间保持警惕的能力对于航空航天领域的许多职位来说都至关重要。例如，飞行员、传感器操作员和空中交通管制员必须保持高水平的态势感知，以确保最佳的安全和性能。认知工作量是决定操作员在防止危险后果所需水平上执行能力的重要因素 (Young & Stanton, 2002)。认知超负荷和负荷不足都会导致性能下降，而适度的认知唤醒有助于实现理想的性能能力 (Cohen, 2011)。为了减轻航空航天操作员的警觉负担并帮助他们保持理想的表现，开发了感知-评估-增强 (SAA) 框架，以识别和缓解各种任务环境中的认知工作量不平衡 (Galster & Johnson, 2013)。由于认知工作量的变化已被证明与各种生理事件相关，因此可以应用该框架来感知航空航天操作员产生的一系列生理指标，将这些指标纳入可以评估操作员认知状态的模型中，然后增强操作员的表现以减轻认知超负荷或负荷不足引起的绩效下降 (Wilson & Russell, 2007; Hoepf, Middendorf, Epling, & Galster, 2015; Hoepf et al., 2016)。用于评估工作量 (Hoepf et al., 2016)。为了使基于 SAA 的工作负荷建模方法能够在广泛的任务环境中发挥作用，必须将大量生理测量作为模型的输入。操作员执行的任务的性质可能决定了每种生理测量（皮质、心脏等）的有用性。例如，在心算类型的任务中，发现皮质测量与工作负荷有很好的关联，而心脏测量对主要需要使用仪器的飞行任务中的工作负荷很敏感，而眼部测量与高度依赖视觉的飞行任务中的工作负荷有关（Hankins & Wilson，1998）。许多心理生理学家和工程师正在研究各种生理测量与认知工作负荷之间的相关性，试图进一步提高实时模拟个人认知状态的能力。面部肌电图 (fEMG) 是最近被探索作为认知工作负荷潜在指标的生理信号之一。fEMG 是一种肌电图 (EMG) 测量技术，通过感应和放大产生的微小电脉冲来描述肌肉活动
调查面部肌电图作为...的指标
面部肌电图 (fEMG) 是一种肌电图测量技术，主要用作测量情感的工具，但之前的实验表明，它也有潜力帮助量化认知工作量。在当前的研究中，实时监测了两个与任务无关的面部肌肉，皱眉肌和额外侧肌，以确定它们是否对遥控飞机 (RPA) 任务环境中的工作量变化敏感。应用实时信号处理技术从窗口 fEMG 数据中得出中值幅度和零交叉率。对这些特征的统计分析确定，这两块肌肉都对特定工作量操纵的变化很敏感。这项研究表明，从上述肌肉中提取的实时 fEMG 特征有可能作为或有助于认知工作量的指标。未来的工作旨在改进 fEMG 数据收集技术，以产生更灵敏、更具代表性的指标，适合工作量评估。长时间保持警惕的能力对航空航天领域的许多职位来说都至关重要。例如，飞行员、传感器操作员和空中交通管制员必须保持高度的态势感知能力，以确保最佳的安全和性能。认知工作量是决定操作员能否在防止危险后果所需的水平上工作的重要因素（Young & Stanton，2002 年）。认知超负荷和负荷不足都会导致绩效下降，而适度的认知唤醒水平则有助于实现理想的绩效能力（Cohen，2011 年）。
肌电图和元神经腕带
1,2 I MCA 学生，圣菲洛梅娜学院（自治学院），迈索尔，印度 摘要 最近，通过合并脑机接口和肌电图 (EMG)，人机交互 (HCI) 的潜力令人鼓舞。为了实现更加用户友好和有效的 HCI，本研究调查了 Meta 神经腕带的创建和使用，它是一种结合了神经接口和 EMG 技术的独特设备。为了辨别用户意图并提供对数字设备的实时控制，腕带会记录、处理和评估 EMG 数据以及神经活动。这种双重策略既利用神经接口的广泛功能，又利用 EMG 在肌肉信号识别方面的准确性，提供了流畅、用户友好的体验。根据我们的研究，与传统技术相比，Meta 神经腕带大大提高了交互速度和准确性，为交互系统、假肢和康复中的更复杂用途打开了大门。本研究预览了未来的可穿戴计算设备，并强调了集成生物信号技术彻底改变 HCI 的潜力。 关键词：人机交互 (HCI)、肌电图 (EMG)、元神经腕带、超低摩擦 AR 界面、超低摩擦输入、情境感知 AI、外周神经系统 (PNS)、腕部动态控制、自适应界面和点击智能的发展方向、专注于触觉。 介绍随着神经接口技术的引入，人机交互 (HCI) 领域迅速发展，其目标是开发更自然、更直观的方法让人与机器连接。该领域的一个重要因素是肌电图 (EMG)，一种捕捉骨骼肌产生的电活动的方法。EMG 是创建复杂神经接口的重要工具，因为它可以通过捕获肌肉信号来收集人类意图和身体运动。元神经腕带是一种创新的可穿戴设备，带有 EMG 传感器，旨在通过提供更准确、更灵敏的控制方法来改善 HCI。这款腕带利用肌电图 (EMG) 检测肌肉运动并将其转换为数字命令，使人与计算机之间的通信达到了新的水平。此功能具有很大的潜力，可以提高身体残疾人士的可访问性，并增强常见消费电子产品的功能。在本文中，我们研究了肌电图和元神经腕带的互补性，并展示了它们如何协同工作以改变人机交互。我们探索了
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。
通过肌电图的力吸引力界面用于天然VR ...
图1。肌电图（EMG）的神经界面，具有学识渊博的肌肉力解码器。随着用户生成的物理力被我们的界面解码并实时应用于虚拟物体，（a）说明了海滩球，排球和VR中的保龄球的变形，受强度不同的压力。海滩球比排球柔软，因此在相同的力量下表现出更大的变形，而保龄球则是刚性的，并且在手指压力的力范围内勉强变形。我们的方案可以帮助用户更好地感知/区分虚拟对象的物理属性，以类似于他们在现实世界中接近它的方式。（b）通过我们的系统显示了具有增强的物理现实主义的实力虚拟相互作用。3D资产信用sbbututuya，虚拟方法，Unity的Tgameassets和Sketchfab的Tankstorm。3D资产信用sbbututuya，虚拟方法，Unity的Tgameassets和Sketchfab的Tankstorm。