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

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

本文提出了一个新的、大规模的 EV-Action 数据集，引入了骨架模态和肌电模态，并且介绍了一个基于肌电模态的动作识别框架，实现了多模态的人体动作分析。

Apr, 2019

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

这篇论文提出了一个自动化的计算机平台，该平台使用先进的特征提取技术和机器学习算法对左右手运动相关的脑电信号进行分类，并使用两种不同的机器学习算法，神经网络和支持向量机，最终取得了分别为 89.8 和 97.1 的最佳分类性能。

Dec, 2013

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

本论文提出了一个新的数据集和基准，旨在推进大脑活动和眼动交叉领域的研究。使用该数据集，我们还提出了一个 EEG 测量下注视预测的基准，并对此进行了广泛的实验，为基础机器学习模型和大型神经网络提供了坚实的基础。

Nov, 2021

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

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

通过提出和应用一种新的肌电控制范式 —— 按需肌电控制，利用唤醒手势的概念，消除日常生活活动中的意外激活，实现了用户在专用控制模式和睡眠模式之间的切换，同时保持了对有意的唤醒手势引发可靠模式切换的敏感性。这些结果突显了唤醒手势作为实现广泛应用的基于需求的肌电控制输入的潜力。

Feb, 2024