Jiang, N.; Docena S, Mueller K. & Farina, D. Control eléctrico muscular de las prótesis: ¿es necesario un cambio de enfoque?[In the spotlight]. Revista de procesamiento de señales IEEE 29152-150 (2012).
Google Académico
Qureshi, F. y Krishnan, S. Diseño de dispositivos portátiles para Internet de las cosas médicas (IoMT). tentáculos 183812 (2018).
Google Académico
Wu, J., Sun, L. y Jafari, R. Un sistema portátil para el reconocimiento del lenguaje de señas estadounidense en tiempo real utilizando IMU y sensores EMG de superficie. Informe de salud IEEE J Biomed 201281-1290 (2016).
Google Académico
Dwivedi, A., Kwon, Y. y Liarokapis, M. en 2020 IEEE Compañia internacionalDos personasM on Systems, Human and Cybernetics (SMC). 3296-3303 (IEEE).
Englehart, K. & Hudgins, B. Un esquema de control robusto en tiempo real para controlar un electromiograma multifuncional. IEEE Trans. biomédico METRO. 50848-854 (2003).
Google Académico
Tavakoli, M., Benussi, C., Lopes, PA, Osorio, LB & de Almeida, A.T. Reconocimiento de gestos vigorosos con la mano con un brazalete portátil EMG de superficie de dos canales y un clasificador SVM. biomédico proceso de señal control 46121-130 (2018).
Google Académico
Clark, A.; y otros. Aprendizaje profundo para una descomposición robusta de señales EMG de superficie de alta intensidad. Trans. IEEE. biomédico METRO. 68526-534 (2020).
Google Académico
Chen, L., Fu, J., Wu, Y., Li, H. y Zheng, B. Reconocimiento de gestos manuales mediante CNN comprimida a través de señales electroquirúrgicas. tentáculos 20672 (2020).
Google Académico
Campbell, E., Phinyomark, A. & Scheme, E. Los modelos profundos de usuarios cruzados reducen la carga de entrenamiento en el control electromuscular. En frente de mí. neurociencia. 15 (2021).
Pradhan, A, He, J y Jiang, N. Inclusión, estrategias de nivel de decisión de rango y nivel para biometría de identificación y validación basada en EMG multicodificado. Informe de salud IEEE J Biomed (2021).
Benatti, S., Farella, E., Gruppioni, E. y Benini, L. en señales biológicas. 45-54.
Amma, C., Krings, T., Böer, J. y Schultz, T. en Actas de la 33.ª Conferencia anual de ACM sobre factores humanos en sistemas informáticos. 929-938.
Chen, J., Bi, S., Zhang, G. & Cao, G. Reconocimiento de gestos basado en EMG de alta densidad utilizando una red neuronal convolucional 3D. tentáculos 201201 (2020).
Google Académico
Kaczmarek, P., Mańkowski, T. & Tomczyński, J. putEMG – Conjunto de datos de reconocimiento de gestos manuales de electromiografía. tentáculos 193548 (2019).
Google Académico
Turgunov, A., Zohirov, K. y Muhtorov, B. en 2020 14.a Conferencia internacional IEEE sobre la aplicación de tecnologías de la información y la comunicación (AICT). 1–4 (IEEE).
Jiang, X.; y otros. Conjunto de datos de acceso abierto, caja de herramientas y resultados de procesamiento estándar de registros EMG de superficie de alta densidad. Trans. IEEE. sistema nervioso. rehabilitación METRO. 291035-1046 (2021).
Google Académico
Giordaniello, F. y otros. en 2017 Conferencia Internacional sobre Robots de Rehabilitación (ICORR). 1148-1153 (IEEE).
Fang, Y., Zhang, X., Zhou, D. y Liu, H. Mejora del reconocimiento de gestos con las manos en la actualidad mediante la incorporación de características de una red neuronal convolucional. Int J HR (2020).
Côte Allard, Yu. y otros. Una red neuronal antagónica conmutable para realidad virtual que realiza reconocimiento de gestos basado en EMG. Trans. IEEE. sistema nervioso. rehabilitación METRO. 29546-555 (2021).
Google Académico
Jiang N, Pradhan A y He J. Reconocimiento de Gestos y EMG Biométrico (GRABMyo) (Versión 1.0.1). FisioNet. https://doi.org/10.13026/701k-gs64 (2022).
Pradhan, A., Jiang, N. & He, J. Conjunto de datos de reconocimiento de gestos y electromiograma biométrico (GRABMyo). puerto de datos IEEE https://doi.org/10.21227/82v9-2b79 (2022).
Pradhan, A., He, J. y Jiang, N. Mejora del rendimiento de un sistema de detección biométrica basado en electrocardiografía de superficie para verificación e identificación. Sensor IEEE. (2021).
He, J. & Jiang, N. Electromiograma biométrico de superficie (sEMG): viabilidad de la verificación e identificación del usuario basada en el reconocimiento de gestos. Frente Bioeng Biotechnol 858 (2020).
Google Académico
Goldberger, Alabama y otros. PhysioBank, PhysioToolkit y PhysioNet: componentes de un nuevo recurso de investigación para señales fisiológicas complejas. 101e215–e220 (2000).
Botros, FS, Phinyomark, A. & Scheme, E. Reconocimiento de gestos basado en electromiograma: ¿es hora de cambiar el enfoque del antebrazo a la muñeca? Informe de la industria trans IEEE 18174-184 (2020).
Google Académico
Sinderby, C., Lindstrom, L. & Grassino, A. Evaluación automática de la calidad del electromiograma. J. Manzana. Fisiol. 791803-1815 (1995).
Google Académico
Shwedyk, E., Balasubramanian, R. & Scott, R. Un modelo inestable del electromiograma. IEEE Trans. biomédico METRO. , 417-424 (1977).
Fraser GD, Chan AD, Green JR y MacIsaac DT en 2013 EEIpasanteUn seminarioMETRO an midimediciones y aplicaciones de cal (MeMeA). 196-200 (IEEE).
Hudgins, B., Parker, P. & Scott, RN: Una estrategia novedosa para el control electromiográfico multifuncional. IEEE Trans. biomédico METRO. 4082-94 (1993).
Google Académico
Bolle, RM, Connell, JH, Pankanti, S., Ratha, NK y Senior, AW Manual de biometría. (Springer Science & Business Media 2013).
Staudenmann, D., Kingma, I., Stegeman, D.F. & van Dieën, J.H. Hacia configuraciones óptimas de electrodos EMG multicanal en la estimación de la fuerza muscular: un estudio EMG de alta intensidad. J. Electromiogr. Kinesiol. 151-11 (2005).
Google Académico
Phinyomark, A., N. Khushaba, R. & Scheme, E. Extracción y selección de características para el control electromuscular basado en sensores EMG portátiles. tentáculos 181615 (2018).
Google Académico
Pradhan, A., Jiang, N., Chester, V. y Kuruganti, U. biomédico proceso de señal control 61101984 (2020).
Google Académico
Castellini, C. & Van Der Smagt, P. EMG de superficie en prótesis avanzadas de mano. Biol. Cibernético. 10035-47 (2009).
Google Académico
Côte Allard, Yu. y otros. Autocalibración de campo no supervisada para el reconocimiento de gestos basado en electromiografía. acceso IEEE 8177941-177955 (2020).
Google Académico
Côte Allard, Yu. y otros. Interpretación de funciones de aprendizaje profundo para el control electromuscular: comparación con funciones hechas por el hombre. Frente Bioeng Biotechnol 8158 (2020).
Google Académico
Vidovic, MM-C. y otros. Mejora de la robustez del reconocimiento de patrones mioeléctricos de prótesis mediante la adaptación al cambio variable. Trans. IEEE. sistema nervioso. rehabilitación METRO. 24961–970 (2015).
Google Académico
Kanoga, S. & Kanemura, A. En 2018 Conferencia Internacional IEEE sobre Tecnología Industrial (ICIT). 1478-1483 (IEEE).
Paaßen, B., Schulz, A., Hahne, J. & Hammer, B. Transferir la maximización de las expectativas de aprendizaje y su aplicación a las prótesis electrónicas de mano. Computación neuronal 298122-133 (2018).
Google Académico
brahm, c. y otros. anulación de los cambios de electrodos en el control protésico de miembros superiores mediante aprendizaje por transferencia. Trans. IEEE. sistema nervioso. rehabilitación METRO. 27956-962 (2019).
Google Académico
«Adicto a la música. Gurú del café. Especialista en zombis. Defensor de las redes sociales. Introvertido. Aficionado extremo a la comida. Evangelista del alcohol».