表面肌电信号的拓扑结构：利用黎曼流形解码手部手势 本论文由Harshavardhana T. Gowda（加利福尼亚大学戴维斯分校电子与计算机工程系）和Lee M. Miller（加利福尼亚大学戴维斯分校心理与脑科学中心、神经生理学和行为系、耳鼻喉科－头颈外科系）联合撰写。该论文发表于《Journal of Neural Engineering》。 研究背景 表面肌电图（sEMG）信号通过在皮肤表面放置传感器来非侵入性地记录来自运动单元（MU）激活的电信号。这些信号在上肢手势解码中的应用，对于截肢者的康复、人造肢体增强、计算机手势控制以及虚拟/增强现实等领域具有重要意义。然而，sEMG信号的实际应用受到了许多因素的限制，比如皮下组织的厚度、依赖于电极位置的信号变异性等。因此，如何解码和区分不...

随着深度学习技术的快速发展，数据挖掘和人工智能训练技术在实际应用中的重要性日益显现。尤其在多变量时间序列异常检测领域，现有方法尽管表现出色，但在面对含有噪声或污染的数据时，依旧存在显著的问题。基于此，本文提出了一种具有双内存模块的多尺度特征提取框架，用以解决上述挑战性问题。 研究背景 多变量时间序列（Multivariate Time Series, MTS）数据通常涉及多个传感器在物联网（IoT）应用中的实时运行状态。有效分析这些数据能够揭示隐藏的信息，对异常情况进行预警，以确保系统的安全运行。然而传统的异常检测方法，如局部异常因子（Local Outlier Factor, LOF）、单一分类支持向量机（One-Class Support Vector Machine, OCSVM）和孤...