XiaoMi-AI文件搜索系统
World File Search System肌电图
肌电图作为运动过程中代谢能量消耗的替代评估方法
最大限度地减少代谢能量消耗 (MEE) 对提高运动障碍人士的活动能力至关重要，因为需要高能量的运动会导致活动减少。康复计划和设备使用 MEE 来确定其有效性，但由于时间延迟和非真实条件，使用间接量热法会受到限制。肌电图 (EMG) 可以深入了解肌肉如何激活；因此，本研究的目的是通过利用 EMG 信号开发实时 MEE 反馈系统。参与者以不同的步频（首选、+/- 15%、+/- 30%）完成了五种步行条件，同时收集了呼吸气体交换、地面反作用力和 EMG 信号。实时 EMG 信号被数字积分并分成步幅，然后按力成本 (COF) 系数缩放。MEE 具有先前文献中看到的预期二次关系 (R 2 = 0.967)，以及 COF 数据 (R 2 = 0.701)。 EMG 方法稳定在 75.1% - 133.1% 之间，不在 MEE 的近距离范围 (90% - 110%) 内；因此，未来的研究必须研究其他数学方法。我们的结果表明 MEE 和 EMG 活动之间存在定性关联，可用于提高残疾人士的行动能力和生活质量。
基于表面肌电图的平台，用于评估肌肉减少症
Andrea Caroppo, Gabriele Rescio, Alessandro Leone, Pietro Siciliano National Research Council of Italy - Institute for Microelectronics and Microsystems Via Monteroni, c/o Campus Università del Salento, Palazzina A3, Lecce, Italy email: andrea.caroppo@cnr.it email: gabriele.rescio@cnr.it电子邮件：alessandro.leone@cnr.it电子邮件：pietro.siciliano@le@le.imm.cnr.it摘要 - 肌肉减少症是一种疾病，其特征是失去肌肉质量和肌肉力量。它与自然衰老过程以及老年医疗状况和床休息有关。因此，从医学的角度来看，可以定期监测患有肌肉减少症风险的患者，以通过客观和特定的指标来早日检测其发作或进展，这是非常有益的。在过去的几年中，表面肌电图（SEMG）越来越多地在该研究领域的预防，诊断和康复中起着重要作用。此外，EMG技术的最新进展允许开发低侵入性且可靠的基于智能EMG的可穿戴设备。本文介绍了一个集成平台的设计和实现，该平台包括基于SEMG的可穿戴设备以及与用于病理学临床监测和管理的处理软件的接口。该系统旨在随着时间的推移而进行预防（早期诊断）和监测患者病情的目的。在这里，我们介绍了有关开发的肌肉减少症管理平台的可行性的初步研究。具体而言，这项工作涉及鉴定EMG信号的采样频率与EMG信号中提取的高度歧视特征的差异之间的最佳权衡，以自动测量肌肉折叠术。
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
评估甲状舌骨肌（TH）的肌电图活动...
索引 1.前言 5 2.目的 9 3.评估甲状舌骨肌（TH）的肌电活动和超声评估静息状态下舌骨装置的位置，以及它们在赛马间歇性软腭背移（DDSP）发病机制中的可能作用 13 3.1 介绍 15 3.1.1 鼻咽 17 3.1.2 软腭背移（DDSP） 22 3.1.3 肌电图 30 3.1.4 喉舌骨区超声检查 33 3.2 材料和方法 36 3.3 结果 40 4.一般讨论 43 4.1 讨论 44 4.2 结论 48 4.3 参考文献 49 5.摘要 61 6.致谢 69
利用表面肌电图解读中风患者的踝关节运动
摘要：中风是一种脑血管疾病 (CVD)，会导致偏瘫、瘫痪或死亡。传统上，中风患者需要长时间接受物理治疗师的治疗才能恢复运动功能。各种家用康复设备也可用于上肢，几乎不需要物理治疗师的帮助。然而，目前还没有经过临床验证的用于下肢功能恢复的设备。在本研究中，我们探索了表面肌电图 (sEMG) 作为控制机制在开发中风患者家用下肢康复设备方面的潜在用途。在本实验中，我们使用三个通道的 sEMG 记录了 11 名中风患者进行踝关节运动时的数据。然后从 sEMG 数据中解码运动，并研究它们与运动损伤程度的相关性。使用 Fugl-Meyer 评估 (FMA) 量表量化损伤程度。在分析过程中，提取了 Hudgins 时域特征，并使用线性判别分析 (LDA) 和人工神经网络 (ANN) 进行分类。平均而言，在离线分析中，LDA 和 ANN 分别准确分类了 63.86% ± 4.3% 和 67.1% ± 7.9% 的动作。我们发现，在两个分类器中，某些动作的表现都优于其他动作（LDA p < 0.001，ANN p = 0.014）。计算了 FMA 分数和分类准确度之间的 Spearman 相关性 (ρ)。结果表明，两者之间存在中等正相关性（LDA ρ = 0.75，ANN ρ = 0.55）。本研究结果表明，可以开发家庭 EMG 系统来提供定制治疗，以改善中风患者的功能性下肢运动。
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。
自动化机器学习，用于分类正常和异常肌电图数据
电诊断医学中最困难的地区[1]。从理论上讲，具有纯净电势的神经性EMG，正锋利的波，高振幅和持续时间运动单位电位（MUP）和减少的干扰模式，应与含有较小的短效率的较小的，短效率的多重浓度和全部干扰模式的肌病明显区分。实际上，定性EMG分析的诊断产率是异常/肌病和神经性/肌病之间的区别，令人失望的很低。在过去的几十年中，已经开发了几种定量EMG（QEMG）方法，例如转向振幅分析，以提高EMG的诊断产率，但是到目前为止，各种QEMG技术的敏感性和特异性都与视觉检查相似[2]，[3]。同样，另一种称为聚类指数方法的定量技术对神经源性产生的敏感性为92％，对肌性患者的敏感性为61％[4]。对纳入体肌炎患者（IBM）（肌病）的EMG解释特别具有挑战性，因为它可能包含肌病性和神经起源特征[5]。由于IBM也可能在临床上模仿运动神经元疾病，因此对EMG的不适当解释可能导致错误的诊断。对错误标记的IBM患者的回顾性研究发现，常规EMG通常指向神经发生障碍：它显示出纯正和正尖波，以及大多数错误标记患者的多重多重性长期神经源性MUP的过量[6]。这是非常不幸的，因为肌萎缩性侧索硬化症（ALS）是一种疾病，是一种进行性致命疾病，而预期寿命在IBM中并没有显着影响[7]。大多数QEMG方法已经出版了几十年前，是基于关于MUP形态和生理学的假设。计算机处理能力和机器学习技术的最新进展实现了一种大数据方法，该方法可以处理大量功能，而没有任何关于信号性质的基本假设。我们以前已经表明，这种方法是为汽车行业开发的，但适用于脑电图（EEG）信号，可以
将肌电图生物信号转化为合成声音的端到端乐器系统
摘要：本文介绍了一种结合硬件和软件的定制系统，该系统可感知表演者身体因肌肉收缩而产生的生理信号，并将其转换为计算机合成的声音。我们的目标是在该领域研究历史的基础上开发一个完整的集成系统，供非专业音乐家使用。我们描述了 Embodied AudioVisual 交互肌电图，这是一个端到端系统，涵盖音乐家身体上的可穿戴传感、基于定制微控制器的生物信号采集硬件、基于机器学习的手势到声音映射中间件和基于软件的粒度合成声音输出。一种新颖的硬件设计以最少的模拟预处理将来自肌肉的肌电图信号数字化，并在音频信号处理链中将其作为类兼容的音频和无线 MIDI 接口处理。映射层在强化学习配置中实现了交互式机器学习工作流程，并可以将手势特征映射到多维信息空间中的听觉元数据。该系统调整了现有的机器学习和合成模块，使其与硬件配合使用，形成了一个集成的端到端系统。我们通过一系列公开演讲和一系列音乐从业者的音乐会表演探索了其作为数字乐器的潜力。
将肌电图生物信号转化为合成声音的端到端乐器系统
摘要：本文介绍了一种结合硬件和软件的定制系统，该系统可感知表演者身体因肌肉收缩而产生的生理信号，并将其转换为计算机合成的声音。我们的目标是在该领域研究历史的基础上开发一个完整的集成系统，供非专业音乐家使用。我们描述了 Embodied AudioVisual 交互肌电图，这是一个端到端系统，涵盖音乐家身体上的可穿戴传感、基于定制微控制器的生物信号采集硬件、基于机器学习的手势到声音映射中间件和基于软件的粒度合成声音输出。一种新颖的硬件设计以最少的模拟预处理将来自肌肉的肌电图信号数字化，并在音频信号处理链中将其作为类兼容的音频和无线 MIDI 接口处理。映射层在强化学习配置中实现了交互式机器学习工作流程，并可以将手势特征映射到多维信息空间中的听觉元数据。该系统调整了现有的机器学习和合成模块，使其与硬件配合使用，形成了一个集成的端到端系统。我们通过一系列公开演讲和一系列音乐从业者的音乐会表演探索了其作为数字乐器的潜力。
肌肉指导的吉他踏板：通过表面肌电图和深度学习探索互动策略
本文探讨了一种与吉他踏板进行传统互动的方法。通过分析通过表面肌电图（SEMG）可穿戴传感器跟踪的肌肉收缩，我们旨在调查如何动态跟踪吉他手的声音意图，以自动控制吉他声音。基于双向长期记忆的两个复发性神经网络被删除，以实时分析SEMG信号。该系统被设计为一种数字乐器，可在初始培训过程中向每个用户校准。在培训期间，音乐家提供了他们的手势词汇，将每个手势都带到相应的踏板预设中。最有效的特征与最佳肌肉相当，以优化系统的学习率。通过一项用户研究评估了该系统，其中包括七个专家吉他手。sults表明，平均而言，参与者赞赏该系统的基础概念，并认为它能够促进其创造力。