SEMA5B
PulseAugur coverage of SEMA5B — every cluster mentioning SEMA5B across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
Koopman算子理论从肌电信号预测抓握力
研究人员开发了一种新颖的方法，利用Koopman算子理论从表面肌电图（sEMG）信号预测抓握力。该方法旨在通过精确估计和预测手部抓握力来改进机器人康复，即使只有一个sEMG传感器对。该系统在抓握力估计方面实现了约5.5%的加权平均绝对百分比误差，并展示了适合实时应用的快速处理时间。
-
脉冲神经网络提供高能效的肌肉疲劳检测
研究人员开发了一个高能效的框架，利用脉冲神经网络（SNNs）进行肌肉疲劳检测。该方法利用稀疏、事件驱动的计算和时间建模，使其适用于低功耗可穿戴系统。所提出的方法包括一个兼容量化的训练方案，以增强对噪声的鲁棒性，评估表明其性能与现有基线相当或更优，同时显著降低了能耗。
-
SonoRank 使用超声波进行无需校准的假肢手指控制
研究人员开发了 SonoRank，一种使用前臂超声序列检测手指屈曲的新颖方法，旨在克服当前假肢技术技术的局限性。与需要大量用户校准的现有基于超声的系统不同，SonoRank 学习对运动幅度进行排序，然后使用单一静息参考对手指屈曲进行分类。与直接分类方法相比，该方法在交叉验证测试中显示 F1 分数提高了 28%，更接近于实际的、无需校准的假肢部署。
-
新的PGUDA框架提高了sEMG手势识别的准确性
研究人员开发了一种名为PGUDA（带压力的无监督域自适应）的新型框架，以提高使用表面肌电图（sEMG）信号的手势识别准确性。该方法通过使用压力信号来指导自适应过程，解决了因受试者和会话之间数据差异导致性能下降的常见挑战。PGUDA采用跨模态知识蒸馏策略，其中在压力数据上训练的教师网络帮助sEMG学生网络从无标签的目标域学习可迁移知识。实验表明，PGUDA在跨受试者和跨会话任务中取得了领先的性能，准确率达到58.08%，同时显著减少了对…
-
记忆指标可能有助于检测表面肌电信号深度学习中的过拟合
研究人员探索了使用记忆指标来检测表面肌电信号（sEMG）解码器深度学习模型中的过拟合，特别是在受试者特定重新校准的样本量有限的情况下。在这些低样本场景中，诸如验证性能和提前停止等传统方法难以应用。研究表明，修正线性单元（ReLU）激活率的变化可以指示微调过程中学习不成功，为早期识别过拟合提供了一个有前景的工具。
-
北大团队为新型具身AI数据采集技术获得融资
源极雪（SnowOrigin），一个源自北京大学的团队，已获得宫弘嘉、陆奇及海外机构的投资。该公司正在开发一种新一代数据采集终端，利用表面肌电图（sEMG）腕带和AI解码模型。这些设备旨在捕捉详细的人类交互数据，包括意图、力量和微控制，这对于推进具身AI和物理AI应用至关重要。与现有的视频或动作捕捉等方法相比，源极雪的技术提供了更全面、更具成本效益的解决方案，为训练AI模型提供了必要的数据基础设施。
-
无声语音合成结合表面肌电图和唇语识别，并使用掩码技术
研究人员开发了一个新的无声语音合成框架，该框架结合了表面肌电图（sEMG）和唇语数据。这种方法在训练过程中使用模态掩码，以提高对传感器故障或信号退化的鲁棒性。与单一模态方法相比，掩码多模态系统显著降低了词错误率，尤其是在元音和某些辅音组方面，证明了其在辅助技术方面的有效性。
-
新的波建模框架为事件驱动信号提供连续时间表示
研究人员开发了一个新颖的框架，用于对事件驱动信号（如来自肌电图等生物过程的信号）进行连续时间表示建模。该方法将输入信号映射到复值潜在波场，通过相位调制和分量交互来编码时间结构。由此产生的能量域投影在没有显式递归的情况下捕获时间局部化和关系依赖性，为生物力学系统中的下游控制任务提供了改进的表示质量和计算效率。
-
新研究比较了不同语音模式下的表面肌电图编码精度
一项新的研究论文探讨了语音发音编码（SPARC）特征在预测不同语音模式下的表面肌电图（sEMG）包络方面的有效性。研究发现，与传统的音素表示相比，SPARC特征在朗读、模仿和默读语音中提供了更高的预测精度。这些发现表明SPARC是开发无声语音建模技术的稳健的中间目标。