XiaoMi-AI文件搜索系统
World File Search System肌电控制
肌电控制中的大数据：大型多用户模型启用稳健的零击EMG基于EMG的离散手势识别
肌电控制，在肌肉收缩期间生成的肌电图（EMG）信号来控制系统或设备，是一种有希望的方式，可实现对新兴无处不在的计算应用程序的始终可用控制。但是，由于用户之间的行为和生理差异，其历史上的广泛使用受到对用户特定机器学习模型的需求的限制。利用公开可用的612-用户EMG-EPN612数据集，这项工作消除了这一概念，表明如果没有特定用户的培训，则可以实现真正的零射击交叉用户肌电控制。通过采用离散的分类方法（即，将整个动态手势视为一个事件），在一组306个未见的用户（没有提供培训数据）的一组中，可以实现六个手势的分类精度为93.0％，与大多数EMG研究（通常仅使用10-20个用户相比），可以雇用强大的交叉控制。通过将结果组织成一系列的小型研究，这项工作提供了对离散跨用户模型的深入分析，以回答未知问题并发现新的研究方向。特别是，这项工作探讨了建立跨用户模型所需的参与者数量，转移学习对这些模型的影响以及代表性不足的最终用户人口统计数据在培训数据中的影响等。结果表明，大型数据模型可以有效地推广到新的数据集，并减轻历史上限制基于EMG的输入的常见混杂因素的影响。另外，为了进一步评估创建的跨用户模型的性能，创建了一个全新的数据集（使用相同的记录设备），其中包括已知的协变量因子，例如跨日使用和肢体位置可变性。
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。
肘部本体感觉替代改善上肢假肢肌电控制：健康受试者和截肢者的实验
摘要背景：目前的肌电假肢缺乏本体感受信息，依靠视觉进行控制。随着非侵入性振动触觉或电触觉反馈的出现，感觉替代技术正在不断发展，但大多数系统都是为抓握或物体辨别而设计的，很少有系统在截肢者身上进行在线控制测试。这项研究的目的是评估一种新型振动触觉反馈对健康受试者和肱骨水平上肢截肢参与者虚拟肘部肌电控制准确性的影响。方法：16 名健康参与者和 7 名肱骨截肢者在不同的反馈条件下对虚拟手臂进行肌电控制：仅视觉 (VIS)、仅振动 (VIB)、视觉加振动 (VIS + VIB) 或根本没有反馈 (NO)。通过离散和前后运动期间的角度误差来评估到达精度。使用 NASA-TLX 问卷评估健康参与者的工作量，并在实验结束时根据偏好对反馈条件进行排序。结果：NO 中的到达误差高于 VIB，表明与无反馈相比，我们的振动触觉反馈提高了性能。VIS 和 VIS + VIB 条件表现出相似的性能水平，产生的错误比 VIB 低。因此，视觉对于保持良好的性能仍然至关重要，这不会因添加振动触觉反馈而改善或恶化。与 VIB 相关的工作量高于 VIS 和 VIS + VIB，两者之间没有差异。62.5% 的健康受试者更喜欢 VIS + VIB 条件，并将 VIS 和 VIB 分别排在第二和第三位。