Nov, 2022

多分辨率双多项式分解方法，用于优化肌电控制系统中肌肉意图的刻画

PDF
TL;DR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。
surface electromyogrammultifunctional prosthesesmotor controlemg signalsmyoelectric signals
发现论文，激发创造
  • 基于黎曼流形的手势解码表面肌电信号拓扑学

    通过分析上肢的非侵入性表面肌电图（sEMG）信号，我们展示了一种简单的技术，可以识别不同手势并且解决了信号变异性的问题，并且通过在 Riemann 流形上使用协方差矩阵分析空间模式，成功地模拟了分布在各个肌肉之间的复杂相互作用和评估 sEMG 信号之间的差异。

    Nov, 2023

  • 基于进化计算的肌电控制器功耗优化设计

    本研究提出了一种基于多目标优化算法 NSGA-II 的监督学习框架，通过使用核 SVM 分类器对表面肌电信号（sEMG）进行解码以推断潜在肌肉运动，以设计一种节能的 EMG 控制器。实验结果表明，该方法为设计者在选择分类器参数以优化 EMG 控制器的能量效率方面提供了更高的灵活性。

    Apr, 2022

  • 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

  • 从单模态到多模态：通过深度生成模型改进基于 sEMG 的模式识别

    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

  • 手势识别中的瞬态高密度肌电图的深度学习序列解码器与主体嵌入式迁移学习

    使用 HD-sEMG 和深度学习来实现手势识别，通过主观内嵌结构和预知预培训的方法，在数据有限的情况下，相对于特定用户方法，取得了超过 13% 的平均准确率，为新用户减少了大量数据需求，提高了实用性。

    Sep, 2023

  • 增强基于肌电信号的手势识别表达能力的多标签分类方法

    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

  • SDEMG：基于评分的表面肌电信号抑噪扩散模型

    本研究提出了一种名为 SDEMG 的面向 sEMG 信号去噪的基于评分扩散模型的新方法，实验证明 SDEMG 优于比较方法，并产生了高质量的 sEMG 样本。

    Feb, 2024

  • 电 Ccortico 动态模态分解的快速准确可解释解码

    我们提出了一种将动态模式分解显式地转化为空间动态模式特征的映射函数，这些特征可以应用于任何机器学习算法，用于提高神经解码的准确性和计算时间，并具有更高的可解读性。

    Oct, 2023

  • 手势识别中噪声鲁棒性策略再探：基于表面肌电信号分析的短期增强

    基于表面肌电图的手势识别，通过短期增强模块 (STEM) 和可学习的降噪机制，实现了对噪音的减少和对各种手势识别任务的泛化。

    Apr, 2024

  • 联合脑电肌电数据压缩和分类的多模态深度学习方法

    本文使用深度学习方法，提出了一种针对 EEG 和 EMG 信号的联合压缩和分类方法，基于深度自编码器架构，通过在编码器层处理多模态数据并在解码器层重构和检索数据，显著减少了信号失真，同时实现了更好的分类准确性。

    Mar, 2017