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

本文提出了一种名为“位置尖峰神经元”的新型神经元模型，用于提取基于事件的触觉数据的特征，并探究了其在事件驱动触觉学习中的能力。作者将该模型应用于两个混合模型中，以捕捉事件驱动触觉数据中的复杂时空依赖性，并证明其在节能方面优于人工神经网络（ANNs）。

Oct, 2022

本文提出了一种简单而有效的基于机器学习的方法，使用混合Convolutional Spiking Neural Network和生物启发式事件驱动突触可塑性规则进行手势分类的训练和测试。该方法在不同受试者和任务中进行了测试，可以对不同的手势类别和运动想象任务进行准确的识别，准确率达92.74％至97.07％。

Apr, 2023

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

我们提出了一种基于Vision Transformer (ViT)和模糊神经网络块 (Fuzzy Neural Block, FNB) 的 EMGTFNet 架构，用于通过表面肌电图 (surface electromyography, sEMG) 信号进行手势识别，该架构能够准确分类各种手势，无需数据增强技术、迁移学习或网络参数的显著增加。实验证明，我们的结果优于无 FNB 的 ViT 模型，证明了包含 FNB 可以提高其性能，我们的提议框架 EMGTFNet 具有显著的实际应用潜力，可用于假肢控制。

Sep, 2023

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

通过膜电位作为记忆列表，我们首次将无源领域适应引入脉冲神经网络，以缓解由分布变化引起的准确性降低，并通过新型的脉冲波Jaccard注意力提高了脉冲神经网络对表面肌电图特征的表示能力，从而显著提高了系统的准确性。在收集的新的表面肌电图手势数据集中，SpGesture在不同的前臂姿势中实现了最高的准确率（89.26%），并且在CPU上的实际部署展示了低于100毫秒的系统延迟，完全满足实时要求，这些令人印象深刻的性能展示了SpGesture在实际场景中增强表面肌电图的应用潜力。

May, 2024

通过使sEMG信号的终止形式获得闭式时间特征学习，我们实现了一个轻量级的LSTM-FIN网络，以模仿四个标准的时间特征（熵、均方根、方差、简单平方积分），并探索了迁移学习的能力。我们的结果表明，LSTM网络在特征重构方面可以达到99%的R2准确度，在手部动作识别方面可以达到80%的准确度，而且在主体内和主体间的动作识别以及模拟的低延迟环境中能够具备稳健的应用能力。总体而言，我们的工作展示了在sEMG信号处理的数据缺乏情况下，FIN建模范式的潜力。

May, 2024

新型吸引子神经网络可实现芯片上的运动解码，用于下一代便携式机械假手，同时具有较高的解码准确性和超小的硬件复杂性。

May, 2024

本研究解决了手势感知模型在神经机器人和交互机器人中的准确性和效率问题。通过转向解码肌肉同步而非单独肌肉激活，提出基于相干性的功能肌肉网络作为感知模型的核心，结果显示该方法在Ninapro数据库上实现了85.1%的准确率，显著提高了性能并减少了计算负担，具有重要的应用潜力。

Aug, 2024