本研究提出了一种基于物理信息的深度学习方法，解决了无标签数据下的肌肉力量预测问题。通过将Hill肌肉模型嵌入深度神经网络，优化了预测效果，实验结果显示该方法优于现有基线，具有生物力学分析的应用潜力。

本研究将无源领域适应引入脉冲神经网络，通过膜电位作为记忆列表，提高了系统的准确性。通过新型的脉冲波Jaccard注意力提高了对表面肌电图特征的表示能力。实验结果显示SpGesture在不同前臂姿势中实现了最高的准确率（89.26%），并在CPU上实际部署时展示了低延迟。这些结果显示了SpGesture在实际场景中增强表面肌电图的应用潜力。

本文介绍了一种基于LSTM的运动预测模型，能感知静态障碍物和行人互动，与其他方法比较，展现了更高的预测准确性和计算效率，强调了静态障碍物在预测中的重要性。（2017年9月）

该文介绍了一种基于3D卷积神经网络的方法，通过使用多个模态的数据来训练单模态网络，提高手势识别性能。该方法引入了空间时间语义对齐的损失函数和正则化参数，避免直接融合多个模态。实验结果表明，该框架提高了单模态网络的测试时间识别准确性，并在各种动态手势识别数据集上提供了最先进的性能。