Surface Electromyography
PulseAugur coverage of Surface Electromyography — every cluster mentioning Surface Electromyography across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
持续学习提升表面肌电信号手势识别准确率
研究人员探索了持续学习策略在循环神经网络表面肌电信号（sEMG）手势识别中的应用。他们在NinaPro DB1数据集上的评估显示，经验回放显著优于弹性权重巩固和朴素微调，在类别增量漂移下实现了83.3%的准确率，同时最大限度地减少了准确率损失。研究还发现，在打乱的、独立分窗的片段上训练模型对于稳定学习至关重要，因为时间顺序可能导致单一主导手势的预测。此外，结合手工制作的时域特征可以将每个任务的准确率提高高达40%，而经验回放是唯一能在…
-
新型编码器改进了表面肌电图数据的跨用户手势识别
研究人员开发了一种新颖的、与电极阵列无关的编码器，旨在改进表面肌电图（sEMG）数据的跨用户手势识别。该编码器为每个电极使用共享权重，并通过物理坐标定位它们，使其能够处理任何通道数量而无需特定于电极阵列的参数。在测试中，该编码器在两个数据集上均优于 Hudgins 和线性判别分类器等传统分类器，证明了其在校准轻量级、跨用户场景中的有效性。研究还发现，训练池大小具有稳定作用，而用户基线的信号保真度是性能比较的关键因素。
-
新型编码器改进了肌电假肢的跨用户手势识别
研究人员开发了一种新的、与蒙太奇无关的编码器，旨在改进从表面肌电图（sEMG）信号中进行跨用户手势识别。该编码器为每个电极使用共享权重，通过物理坐标而非索引来定位它们，使其能够处理任何通道数而无需蒙太奇特定的参数。在跨多个用户进行训练时，这种方法在某些数据集上的表现显著优于传统的每个用户分类器，展示了其在更具适应性和有效性的肌电假肢方面的潜力。
-
单通道sEMG在高效手势识别方面展现潜力
研究人员探索了使用单通道表面肌电图（sEMG）进行手势分类，旨在实现更高效、低功耗的系统。通过提取各种时域和频域特征，并应用LDA和PCA等降维技术，他们使用紧凑型神经网络实现了高达90%的准确率。这种方法展示了在嵌入式应用中实现经济高效的手势识别的潜力。
-
LLM将sEMG信号翻译成语言以进行活动识别
研究人员开发了一个名为LLM-sEMG的新框架，该框架利用大型语言模型（LLM）进行基于表面肌电图（sEMG）信号的活动识别。该方法通过面向语言的映射机制将连续的sEMG序列转换为专门的“sEMG语言”。该框架旨在利用LLM从大量语言数据中学到的泛化和推理能力来解释sEMG信号并推断用户意图，实验证明其准确性很高。