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

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

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

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

通过使用多通道肌电信号识别算法，该研究提出通过训练不同通道子集的集合，并利用来自不同电极位置的数据来增加鲁棒性，同时解决电极变动和降低输入维度的问题，从而显著提高了跨受试者和分类算法的会话间性能。

Jan, 2024

提出了一种基于 All-ConvNet+TL 模型和轻量级卷积层的手势识别方法，旨在提高跨会话和跨被试的手势识别性能。实验结果表明，该方法在四个数据集上的表现均显著优于现有复杂方法，并在目标域上表现相当甚至更好，这表明现有的最先进模型可能对 sEMG 基于跨会话和跨被试手势识别任务存在过度参数化现象。

May, 2023

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

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