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

提出了一种多分辨率物理信息循环神经网络(MR PI-RNN)，用于同时预测肌肉骨骼(MSK)运动和识别MSK系统参数，该方法利用快速小波变换将混合频率的表面肌电图(sEMG)和关节运动信号分解为嵌套的多分辨率信号，并且采用分层训练的方法设计了一个GRU预测模型，并通过逐步训练的方式获得全尺寸训练结果，在保持动态平衡的同时，提高了肘部屈伸运动的运动预测精度。

May, 2023

本文提出了一种新颖的物理知识驱动的低样本学习方法，将拉格朗日运动方程和反动力学肌肉模型无缝集成到生成对抗网络 (GAN) 框架中，用于动态肌肉力学分析。

Jul, 2023

通过表面肌电信号和步行周期启发的学习策略，该研究提出了一种模型，成功预测人体膝关节角度，并在相关文献中取得了至少9.5%的误差减少，为该领域的最佳表现。

Jul, 2023

该研究论文提出了一种基于肌骨建模的受物理学约束的深度学习方法，用于预测关节运动和肌肉力量，并证明该方法能有效地识别个体特定的肌骨生理参数，并且训练的受物理学约束的前向动力学模型能够准确地预测运动和肌肉力量。

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

采用物理信息引导神经网络（PINN）模型，结合肌电信号从多种负载条件下记录的肌肉周围关节来预测多关节运动动力学；训练过程中采用自定义损失函数和均方角度损失，结果显示了58%至83%的关节角度预测强相关性，显示了将物理原理纳入模型的潜力以增强其准确性，对于动态场景中多关节运动学的精确估计以及人机接口（HMIs）的进一步发展具有重要意义。

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

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