卡利亚里·托辛（Mauricio Cagliari Tosin）;朱利亚诺·科斯塔·马查多;亚历山大·巴尔比诺 基于SEMG的上肢运动分类器：当前场景和即将面临的挑战。 （英语） Zbl 07596564号 J.阿蒂夫。智力。研究（JAIR） 75, 83-127 (2022). 小结：尽管在实验室环境中，使用最先进的分类器，通过表面肌电图（sEMG）信号识别上肢运动的准确率高于90%，但肌控假体在实际环境条件下实现类似性能仍有一些问题需要解决。因此，本综述的主要目的是揭示系统中每个模块的策略方面的最新研究，从而对学术研究的当前状态提供一个全局视图。进行了系统回顾，并根据与所提方法相关的系统步骤组织检索的论文。然后，针对上肢运动识别系统的各个阶段，从策略、方法和解决的问题方面对所做的工作进行了描述和比较。另一节旨在描述与信号污染相关的工作，这些工作在基于sEMG的运动分类器的评论中经常被忽视。因此，这一部分是本文的主要贡献。深度学习方法是分类阶段的当前趋势，它提供了基于时间序列和转移学习的策略，以解决与肢体位置、时间/主体间变化和电极位移相关的问题。尽管提出了有希望的污染物检测、识别和清除策略，但仍有一些因素需要考虑，例如同时出现污染物。这篇综述揭示了运动分类系统的当前情况，为新的研究人员提供了有价值的信息，并指导了对肌肉控制设备的未来工作。 MSC公司： 68泰克 人工智能 PDF格式BibTeX公司 XML格式引用 \textit{M.Cagliari Tosin}等人，J.Artif。智力。研究（JAIR）75，83-127（2022；Zbl 07596564） 全文： DOI程序 参考文献： [1] https://doi.org/10.1088/1741-2552/ab0e2e [2] https://doi.org/10.1504/IJMEI.2021.111867 [3] https://doi.org/10.1186/s12984-019-0512-1124 [4] https://doi.org/10.18517/ijaseit.8.5 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。