通过问题转换方法和合成数据生成策略，本研究提出了一种表面肌电图（sEMG）手势识别系统，可有效提高表达能力，在短时间内实现模型校准，适用于人机交互、虚拟现实和机器人控制等领域。

Sep, 2023

本文旨在确定在表面肌电图案识别方面，哪些类型的分类器可以提供更高的准确性和更好的置信度，并在 4 个 EMG 数据集上定量、定性地评估各种生成分类器和区别分类器的性能。结果表明，尽管基于深度神经网络的区别分类器表现出高准确性，但它的置信度与真实概率不同。相比之下，一种可以考虑 EMG 变化不确定性的生成分类器 —— 比例混合模型分类器表现出优异的准确性和置信度。

Apr, 2023

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

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

本研究提出一种使用进化计算来选择有用的识别脑电特征并优化人工神经网络拓扑结构的新方法，同时探讨了深度学习和长短时记忆的调整，使用三个分类器对注意状态、情感和数字数据集进行比较，结果表明自适应提升的 LSTM 可以在注意力、情感和数字数据集上分别达到 84.44%、97.06% 和 9.94% 的准确度，进化优化的 MLP 趋近于自适应提升的 LSTM。

Aug, 2019

本文提出一种基于多项式插值的多分辨率分解技术以实现多类肌电信号的去噪和重建，该方法可增强信号质量和保留运动信息，有效应用于康复机器人和多功能义肢等实际场景中。

Nov, 2022

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

电肌电图（EMG）手势识别系统是人机界面的一种有前途的技术，然而其主要限制之一是通常需要较长的校准时间来处理新用户。本文讨论和分析了通过包含 14 名人类主体的 EMG 信号的原始数据集来实现跨主体泛化的挑战。实验结果表明，虽然基于多个主体进行准确的泛化几乎是不可实现的，但通过识别多个主体的稳健低维子空间并将其与目标主体对齐，可以改善跨主体估计。子空间的可视化能够为利用 EMG 信号改善跨主体泛化提供见解。

Dec, 2023

通过使用深度生成模型生成虚拟惯性测量单元信号，将 sEMG 信号和生成的虚拟 IMU 信号输入多模态卷积神经网络模型，可以显著提高基于 sEMG 的手势识别的准确性。

Aug, 2023

通过使用依据动作方向和修改因素定义的综合手势，从而快速实现高准确度的表情人机交互，且最小化了新受试者提供校准数据的时间。通过将真实的单一手势特征向量结合生成合成训练数据，我们从未见过的组合手势进行外推，这样的策略构建了一个大而灵活的手势词汇，而无需新受试者演示大量的示例手势。通过自我监督，我们预先训练了一个编码器和组合操作符，为未见受试者提供有用的合成训练数据。通过收集真实世界的电肌图数据集，并与两个基线方法进行对比评估：仅使用未见受试者的真实单一手势数据进行部分监督训练的模型，以及使用未见受试者的真实单一手势和真实组合手势数据进行完全监督训练的模型。研究结果表明，所提出的方法明显优于部分监督模型，并且在某些情况下达到了接近完全监督模型性能的有用分类准确度。

Oct, 2023