MyoSuite是一套体质上准确的生物力学模型，能够支持复杂的接触丰富的现实世界任务，包括肌腱移植、外骨骼辅助和肌肉收缩动力学等生理变化，从而展现出现实中的非稳态条件。

May, 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

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

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

本研究解决了物理信息神经网络在实时应用中依赖固定输入长度和替代模型的限制。引入了一种新颖的物理信息门控递归网络（PiGRN），该模型利用表面肌电图数据预测多关节扭矩，并通过实验验证显示其在10个不熟悉运动中的预测准确性。该成果表明PiGRN在实时外骨骼和康复应用中的潜在价值。

Aug, 2024

本研究针对中等握持操作中使用单一表面肌电图传感器对抓握力进行精准估算的挑战，提出了一种新颖的基于Koopman算子的理论方法。通过对13名受试者进行实验，结果表明该方法能实现抓握力估算平均绝对百分比误差约为5.5%，为高效的实时机器人康复提供了一种有效解决方案。

Sep, 2024