嵌入式深度学习从 sEMG 传感器中 3D 打印的大脑控制机械臂义肢

ICMLMay, 2020

嵌入式深度学习从 sEMG 传感器中 3D 打印的大脑控制机械臂义肢

3D Printed Brain-Controlled Robot-Arm Prosthetic via Embedded Deep Learning from sEMG Sensors

David Lonsdale, Li Zhang, Richard Jiang

TL;DR本文介绍了利用深度学习技术和迁移学习技术开发的机器人手臂假肢，通过 Google Inception 模型重新训练表面肌电图（sEMG）的分类层来对收集的数据进行分类，使用 Inception-v3 模型进行深度学习，并将其下载到基于 ARM 处理器的嵌入式系统上，实现对 3D 打印制造的脑控机器人手臂的控制。

Abstract

In this paper, we present our work on developing robot arm prosthetic via deep learning. Our work proposes to use transfer learning techni

robot arm prosthetic deep learning transfer learning semg classification inception-v3

发现论文，激发创造

MindArm: 机械智能非侵入性神经驱动假肢系统

提出了一种低成本的智能非侵入式神经驱动假肢系统 MindArm，它使用深度神经网络将大脑信号翻译为假肢的运动，为患有残疾或运动障碍的人提供了一种替代的低成本的脑控假肢设备。

Mar, 2024

深度学习预测人类意图的智能上肢外骨骼系统来增强感官反馈

使用云端深度学习预测人类意图来增强肌肉和骨骼强度的智能上肢外骨骼系统，通过感知反馈和机器学习云计算实现了上肢关节运动的强化。

Sep, 2023

使用深度学习进行肌电信号分类

本文基于电肌图数据实现了带有 L2 正则化的深度学习模型，在测试集上实现了 99% 的准确率，能够高精确度地对正常、肌无力和渐冻人病进行分类，有望为神经肌肉疾病的临床诊断提供帮助。

May, 2023

人工智能通过神经接口实现义肢的实时和直观控制

本文介绍了一种基于神经假肢系统的人工智能代理，通过一个外周神经接口实现对截肢者的运动意图的翻译，从而使假肢的手指和手腕得以智能控制，实现了多项运动解码实验，并在手势匹配任务中证明了 AI 代理的实时性能及信息吞吐量，此技术的长期使用也表现出强大的预测性能，这表明了神经技术未来能够实现高灵活度和直观性的假肢控制。

Mar, 2022

使用误差增强的肌电手势分类用户训练

设计并测试了一种实时控制的用户界面系统，通过提取腕带配置中八个电极的表面肌电（sEMG）活动。实时将 sEMG 数据传入机器学习算法，用于手势分类。实验结果表明，相对于基线，修改的反馈条件显著提高了准确性和手势分类分离，暗示了通过反馈操作的游戏化用户界面可能实现基于 sEMG 手势识别应用的直观、快速、准确的任务获取。

Sep, 2023

深度度量元学习用于鲁棒且可解释的基于肌电的手势识别

我们提出了一种基于深度度量元学习的肌电图案识别模型，通过使用 Siamese 深度卷积神经网络和对比三元损失来学习能够捕捉不同类别分布的肌电特征嵌入空间，进而采用最近质心方法进行推断，提出了一种有效的基于类近程度的置信度评估器，改善了分类器在主动决策中的精度，从而提高了泛化能力和适用性。

Apr, 2024

ChatEMG：用于中风患者的机械手矫形器的合成数据生成

根据给定的促发信号序列，ChatEMG 是一个自回归生成模型，可以生成与之相关的合成肌电信号样本，大大减少数据采集负担，提高应用于中风患者功能矫形器控制的意图推理准确性。这是首次部署使用部分合成数据训练的意图分类器进行矫形器控制的疾病幸存者功能性控制的案例。

Jun, 2024

深度强化学习中的机械臂控制和抓取行为模仿

本研究提出了一种采用 3D 人体姿态估计和强化学习相结合的新型运动模仿模型，通过将运动模仿转化为强化学习中的关节角度预测问题，从而极大减少了对大量训练数据的依赖，使得模型能够从仅有几秒钟的视频中学习模仿策略，并展现出强大的泛化能力。该项目可轻松地将人的手臂运动模仿到机械手臂上，表现出卓越的性能和稳健的迁移能力。

May, 2024

卷积神经网络在机器人辅助手术中客观技能评估中的深度学习

通过深度学习框架从机器人运动数据映射到单个技能级别，提出了一种无需特征工程或精心调整手势细分，即可成功解码技能信息的模型，并能在 1-3 秒窗口内可靠地解释技能，突出了深度架构在现代外科培训中高效在线技能评估的潜力。

Jun, 2018

避免训练过程的机器人辅助康复中基于脑电图分类器的跨任务迁移

该研究探讨了通过脑电图记录未受影响手臂的活动，以学习个体化机器学习模型来支持患者康复，结果表明预测运动的分类器在选定的受双边运动意图诱发的脑电图通道上训练时与全面训练脑电图数据的分类器在单边运动意图上的表现差异不显著。这一方法可在实际治疗中使用，与几个脑电图通道的数据训练有效，对于中风患者的进一步研究具有潜力。

Feb, 2024