一种硬件高效的基于吸引子神经网络的EMG解码器,用于下一代手部假肢
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
本文介绍了使用滑动窗口注意力机制代替自注意力机制,以便进行在线处理,同时在使用Leaky-Integrate and Fire单位时提高了网络的稀疏性,从而更准确快速地处理表皮肌电信号,为瞬态信号处理提供了一种快速准确的方法。
Mar, 2023
本文介绍了一种手势识别技术,使用嵌入式电容传感器生成实时信号并利用机器学习技术分析时间序列信号以识别五个手指的三个特征,其性能可与监督式可变自编码器等更高级的方法相媲美,并能通过自适应的误差校正机制进一步提高其分类性能,从而证明了运用此技术实现敏捷手势识别系统的可行性。
May, 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
脑机接口技术(BCI)利用脑电图(EEG)信号实现人脑与计算机之间的通信,本研究介绍了一种专门用于细微运动意象分类的网络,称为FingerNet,通过从EEG信号中提取时空特征,能够在同一只手内提高分类准确性,实验结果显示FingerNet在识别五个手指敲击任务方面表现出优异的性能。
Mar, 2024
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
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
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
本研究解决了传统脑机接口在感染风险和能量限制方面的挑战,提出了一种新颖的递归尖峰神经网络 (RSNN) 方法来从猴子的皮层尖峰列中解码手指速度。研究结果表明,即使在严格的资源约束下,RSNN实现了优于现有解码器的性能,这为完全植入的超低功耗脑机接口提供了新的可能性,显著改善了运动障碍患者的护理质量。
Sep, 2024