Electromyography
PulseAugur coverage of Electromyography — every cluster mentioning Electromyography across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
EVFormer 模型融合视觉和肌电信号以改进手部姿态估计
研究人员开发了EVFormer，一种结合了以自我为中心的视觉和肌电图（EMG）数据以改进双手动姿态估计的新型模型。这种多模态方法通过整合先前的EMG信号，解决了纯视觉方法中的局限性，如自我遮挡和手部-物体交互。在一项可行性研究中，与仅视觉和后期融合基线相比，EVFormer的平均绝对误差降低了13%以上，在虚拟交互和康复等应用中显示出潜力。
-
新的LiteEMG-FM模型提供高效且鲁棒的肌电传感
研究人员开发了LiteEMG-FM，这是一种新颖的混合CNN-Transformer基础模型，专为高效且鲁棒的肌电图（EMG）信号传感而设计。该模型在多样化的EMG数据集上进行了预训练，在不同用户和记录条件下均表现出强大的泛化能力，尤其是在零校准和数据稀疏场景下，其性能优于现有的时间序列基础模型和监督基线。为了在资源受限的可穿戴设备上实现实时部署，LiteEMG-FM采用了一种分层唤醒架构，该架构使用轻量级1D-CNN仅在必要时激活主…
-
新的视觉语言动作模型探索肌电图和视觉标注以增强任务条件化
研究人员开发了两种新的视觉语言动作（VLA）模型，EC-VLA和VA-VLA，以探索超越传统语言提示的条件化。EC-VLA集成了肌电图（EMG）信号，而VA-VLA则纳入了视觉分割标注。在立方体选择任务中，与仅使用语言的基线模型相比，这两种模型在混乱和分布外场景中都表现出性能提升。
-
新的无标记视频分析可量化小鼠震颤
研究人员开发了一种新颖的、非侵入性的方法，仅使用标准的RGB摄像头来量化小鼠模型中的病理性震颤。该方法旨在克服现有方法（如肌电图和加速度计）的局限性，这些方法可能成本高昂、复杂且具有侵入性。新流程包括基于分割的预处理以分离小鼠，以及专门的震颤评分估算模块来检测细微的振荡。实验表明与加速度计测量结果高度相关，验证了该系统在捕捉震颤强度方面的准确性。
-
新的VR情感识别技术融合面部视频与上部面部肌电图
研究人员开发了一种新颖的虚拟现实（VR）情感识别方法，通过结合下半面部视频和上半面部肌电图（EMG）数据来实现。该方法解决了头戴式显示器遮挡上半面部导致传统面部识别不完整的问题。创建了一个包含20名参与者的新数据集，配对下半面部视频和上半面部EMG信号。提出的晚期融合架构实现了51%的宏F1分数，显著优于仅依赖视觉或EMG数据的模型。
-
综述探讨生物信号分析中机器学习的不确定性量化
一篇近期的综述论文探讨了不确定性量化（UQ）在用于生物信号分析的机器学习模型中的应用。研究强调了UQ在提高预测的可解释性和鲁棒性方面的潜力，特别是在脑电图（EEG）、心电图（ECG）和肌电图（EMG）等信号分析中，这些信号通常存在噪声，并且在医疗环境中需要高度的人类可解释性。该论文识别了现有的各种UQ方法及其局限性，并提出了未来研究的建议，强调需要研究在临床环境中人类和系统如何与感知不确定性的模型进行交互。
-
AI模型使用多模态数据对VR平衡状态进行分类
研究人员开发了一种受Mamba启发的卷积神经网络（MI-CNN）模型，用于在虚拟现实（VR）环境中对姿势状态进行分类。该模型利用包括运动学、肌电图（EMG）和皮肤电活动（EDA）信号在内的多模态数据，以高精度区分平衡和不平衡状态。使用SHapley Additive exPlanations（SHAP）的可解释性分析显示，运动学特征是检测不平衡的最有影响力的因素，并且即使在特征集减少的情况下，模型仍能保持性能。
-
软表面肌电图接口实现97.2%精度的静默语音识别
研究人员开发了一种新颖的、可佩戴在手上的用于静默语音识别（SSR）的软表面肌电图（EMG）接口。该设备使用一个靠近嘴唇的指尖电极，仅在需要时捕捉EMG信号，并集成了液态金属互连和柔性电极以提高稳定性。一个基于这些信号训练的深度神经网络在分类30个单词的词汇时达到了97.2%的准确率，展示了强大的语言区分能力。该系统在传统语音识别不适用的环境中通过实时无人机控制得到了进一步的实用性验证。
-
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。