Electromyography
PulseAugur coverage of Electromyography — every cluster mentioning Electromyography across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新型DCGCNet模型实现最先进的房颤检测，具有高泛化能力
研究人员开发了一种名为双码本图协同网络（DCGCNet）的新型深度学习模型，用于从心电图（ECG）信号中检测心房颤动（AF）。该模型集成了对比学习模块以处理噪声，并采用自适应码本以提高在不同数据集和条件下的泛化能力。DCGCNet已展示出最先进的性能，在跨数据集评估中实现了大于0.98的曲线下面积（AUC），并且即使存在基线漂移和肌电干扰等常见伪影，也能保持高精度。
-
新框架利用多个专家模型改进睡眠分期分类
研究人员开发了一种名为个性化评分者建模（PSM）的新颖框架，以提高睡眠分期分类的准确性。这种基于学习的方法通过构建来自多个专家集体行为的更可靠的参考标签来解决评分者间变异性问题，而不是依赖单一的参考睡眠图。PSM使用机器学习导出的混淆矩阵来建模每个评分者的分期特定行为，然后将这些矩阵聚合起来分配最终的周期标签。使用随机森林分类器在DOD-H和DOD-O数据集上进行的评估显示出显著的改进，准确率高达86.07%。
-
Mineng Technology secures funding for brain-like SNN chips in medical devices
Mineng Technology has secured tens of millions in funding to advance its self-developed Spiking Neural Network (SNN) chips, designed to serve as the core processing unit for medical devices. These chips mimic the brain'…
-
Omni-Sleep 基础模型采用层级学习进行高级睡眠分析
研究人员开发了 Omni-Sleep，这是一种新颖的睡眠分析基础模型，它利用层级对比学习。该模型整合了中枢神经系统 (CNS) 和自主神经系统 (ANS) 的生理组织，从多模态多导睡眠图 (PSG) 信号中学习结构化表示。Omni-Sleep 在超过 10 万小时的数据上进行了预训练，在睡眠分期和疾病分类方面表现优于现有基线，显示出更好的泛化性和鲁棒性。
-
新框架KinEMbed从肌电信号中解码手部运动学
研究人员开发了KinEMbed，一个新颖的跨模态对比学习框架，旨在从肌电信号（EMG）中解码手部运动学。该方法侧重于连续回归而非离散手势分类，能够在推理时无需运动学信号即可学习保留关节角度目标几何结构的运动学嵌入。在NinaPro DB8数据集上的评估表明，KinEMbed在复杂拇指运动方面优于PCA、PLS、自动编码器和CEBRA等现有方法，标志着将对比表示学习应用于可穿戴生物信号处理方面迈出了重要一步。
-
新研究探索惯性测量单元（IMU）和肌电图（EMG）用于高级手势识别
研究人员探索了使用生物信号进行手势识别的新方法。一项研究调查了惯性测量单元（IMU）在捕捉肌肉微运动方面的应用，证明了它们在静态手势识别方面的充分性以及在假肢和机器人领域的潜在应用。另一篇论文提出了一个用于主题不变肌电图（EMG）手势识别的多目标学习框架，通过联合优化分类、对抗性主题混淆和度量学习，在基准数据集上显著提高了准确性。
-
肌电信号可准确预测“石头剪刀布”手势
研究人员开发了一种使用肌电图（EMG）信号识别手势的方法，该信号可测量肌肉活动。他们的研究重点是“石头剪刀布”游戏，发现EMG信号的出现时间明显早于可见手势的出现。该系统在识别摆姿势手势方面取得了中等准确率，并显示出识别自发手势甚至从对手的肌肉活动预测其出招的潜力。这项工作为人类计算机交互和辅助技术提供了应用前景。
-
新型多模态系统通过MRI、脑电图和肌电图捕捉语音产生过程
研究人员开发了一种在语音产生过程中同步采集实时MRI视频、脑电图（EEG）和表面肌电图（EMG）数据的新颖方法。这种多模态方法捕捉大脑信号、肌肉激活和发音运动，由于MRI的干扰而带来了重大的技术挑战。引入了一个伪影抑制流程来解决这些问题，旨在提供对语音神经科学前所未有的见解，并推进脑机接口技术。相关的源代码和数据是公开可用的。
-
新的OLIVE框架实现了自适应外骨骼控制
研究人员开发了OLIVE，一个用于可穿戴外骨骼在线学习的新颖框架。该系统通过仅更新控制策略的低秩分量，有效地将外骨骼控制适应于个体用户和动态环境。OLIVE利用机载传感器反馈进行个性化，并根据地形动态调整其更新复杂度，在步态平稳性、省力性和运动稳定性方面取得了显著改进。
-
MyoSem框架将肌电信号与自然语言对齐以实现手部动作理解
研究人员开发了MyoSem，一个旨在将肌电图（EMG）信号与手部动作的自然语言描述对齐的新框架。该方法超越了传统的分类，实现了EMG数据和文本之间的双向检索，允许基于动作描述进行查询。MyoSem在EMG到文本检索方面表现出强大的性能，并在不同用户和场景下表现出良好的泛化能力，为语言介导的EMG动作理解提供了一种新范式。
-
AEMG 框架实现肌电信号可泛化动作表征
研究人员开发了 Any Electromyography (AEMG)，一个新颖的自监督表征学习框架，旨在提高肌电信号 (EMG) 在不同受试者、设备和任务之间的泛化能力。AEMG 将神经肌肉动力学视为一种语言，使用神经肌肉收缩分词器将肌肉收缩转换为单词，并将激活模式转换为句子。这种方法包含了迄今为止最大的跨设备 EMG 信号词汇量，显著提高了零样本准确率和少样本适应性能。
-
人工智能利用先进的机器学习技术解码驾驶员行为和听觉信号
研究人员开发了一个新的框架，通过结合脑电图（EEG）、肌电图（EMG）和皮肤电反应（GSR）等生理信号来对驾驶员行为进行分类。该系统采用基于SHAP的特征选择来识别最具预测性的信号，然后使用XGBoost和LightGBM模型的集成进行分类。该方法在测试准确率上达到了80.91%，宏F1分数达到了0.79，优于单一模态方法，并证明了多模态融合的价值。
-
NAPS模型使用注意力机制融合异构生理信号进行睡眠分期
研究人员开发了NAPS，一个新颖的神经模块，旨在融合异构生理信号以获得更鲁棒的机器学习表示。该模块采用三轴注意力机制和维度自适应训练，以有效管理不同的传感器配置和数据质量。NAPS在多导睡眠图自动睡眠分期方面展示了最先进的泛化能力，通过自适应地加权不同的信号源，其性能优于现有方法。
-
AI学习肌肉驱动控制，实现逼真钢琴演奏
研究人员开发了一种新颖的数据驱动方法，用于控制基于物理的、肌肉驱动的手来演奏钢琴，具有卓越的灵活性。他们的方法结合了高频肌肉控制和低频潜在空间协调，使手能够演奏新的乐曲。该系统利用强化学习进行肌肉激活跟踪，并使用变分自编码器来抽象肌肉动力学，从而实现特定乐曲的协调策略。该方法在基于物理的灵巧钢琴演奏控制方面取得了最先进的性能，并生成了生理上合理的肌肉激活模式。
-
BandRouteNet 神经网络提供自适应脑电图伪影去除
研究人员开发了 BandRouteNet，这是一种新颖的神经网络，旨在去除脑电图 (EEG) 信号中的伪影。这种自适应的、频率感知的模型在特定频带内处理脑电图数据，同时也考虑了全带上下文。BandRouteNet 独特的路由机制使其能够选择性地对每个频带内的不同时间位置进行去噪，从而提高信号质量。实验表明，它在各种伪影类型的基准数据集上优于现有方法，并且参数效率高。
-
研究人员开发出新的AI模型，用于解码肌电信号中的高维手指运动
研究人员开发了一个新的框架，使用消费级硬件从肌电图（EMG）信号中解码高维手指运动。该系统结合了EMG臂带和网络摄像头，收集了新的数据集EMG-FK，其中包含20名参与者的同步EMG和15个手指关节角度。基于GRU网络的Temporal Riemannian Regressor（TRR）模型处理黎曼协方差特征，在Raspberry Pi 5上实现了最先进的回归精度和实时性能，从而能够直观地控制机械手。