@article{matheson2006neural,
  title={A neural network model for reconstructing EMG signals from eight shoulder muscles: Consequences for rehabilitation robotics and biofeedback},
  author={Matheson Rittenhouse, D and Abdullah, Hussein A and John Runciman, R and Basir, Otman},
  journal={Journal of biomechanics},
  volume={39},
  number={10},
  pages={1924--1932},
  year={2006},
  publisher={Elsevier}
}

keywords: ****** , BMM , ML , EMG  , MM , MA , BM ,  Rehabilitation robotics; Electromyography (EMG); Neural networks; Shoulder; Biomechanics; Biofeedback; Physiotherapy

Abstract
This paper demonstrates the ability of a fully connected feed forward neural network (FFNN) using the backpropagation training algorithm to predict the electromyography (EMG) signal from eight muscles of the shoulder for both exercises not used for training and EMG signals from subjects not used for training. The network showed a good predictive ability for subjects not used for training (r2 between 0.33 and 0.84) and for activities not used for training (r2 between 0.56 and 0.89). This may have applications for patients, physical therapists and doctors to monitor patient performance by reviewing the level of agreement between the patient EMG and the predicted EMG. Coupled with traditional methods of evaluation, EMG can provide an excellent measure of how well a patient has responded or is responding to treatment. Incorporating robotic technology could facilitate the use of EMG as an input to an intelligent decision making algorithm used to increase or decrease the level of difficulty according to patient performance.

PResentan resultados del uso de Redes neuronales para predecir valores de señal de un EMG para musculos del hombro, en base a ejemplos de ejercicios pero predicionedo sobre personas y movimientos o ejercicios no antes vistos en el entrenamiento.

Basicamente es uso de ML sobre info de EMG, no es lo que pretendo hacer pero es un antecedente

Hablan de la importancia de la robotica en rehabilistacionde pacientes y proponene este enfoque como una opcion para darle biofeedback a un robot de reabilitacion usando sensores EMG y Machine learning (redes neuronales)    

This paper will determine how well a fully connected feedforward neural network (FFNN) can map shoulder and elbow joint moments and angles to EMG data collected from eight muscles of the shoulder for use in a rehabilitation robotics system buy cialis uk. 

Se usa una red neuronal totalmente conectada feedfowrward con 2 capas ocultas

La experimentacion se explicita en detalle en el trabajo pero se midideron varios musculos de la zona del hombro con distinttos tpos de EMG y se pidio hacer un esfuerzo o contraccion maxima voluntaria para cada uno en individual?.

Esta buena la forma en que se tomaron los datos de EMG , lo explica bastante.

Las entrada a la red fueron momentos al rededor de hombro y codo y angulos de articulaciones y velocidades de articulaciones y las salidas la EMG data de los 8 musculos.

Se querian probar dos cosas o validar: la habilidad del modelo para mpodelar el comportamiento de sujetos nunca vistos y la habilidad de la red para predecir datos de una actividad no antes vista.

Para medir lo primero usan algo que llaman el r^2 entre lo medido y lo predecido mostrando que en general la red predice bien valores de sujetos no antes vistos

Los valores de r^2 para el segundo experimento muestran que tambien en general se pudo predecir EMG de una actividad no ante vista en entrenamiento.

La red simple FFNN con Back propagation fue una  buena propuesta con buenos resultados, pero mejores dicen los autores que se pueden encontrar si se usan tipos distintos y más avanzados de redes NN.

Hablan en el final de los usos de EMG y EMGP entre los que nombran rehabilitacion y robotica (Habria que ampliarlo y entenderlo por que lo lei rapido eso)
Para los datos kinemáticos usan distintos sensores, platos de fuerzas, goniometros y un sistema MoCap Vicon
Se relaciona en la prediccion de EMG pero es en base a otros EMG al parecer y a info Kinemática visual con marcadores algunas forma de capturar.. Ampliar referencias