XiaoMi-AI文件搜索系统
World File Search System手指
使用具有触觉传感的灵巧手指的可变形线性对象
摘要 - 关于可变形线性对象（DLO）操纵的大多数研究都假定刚性抓握。然而，除了刚性的抓握和重新抓紧之外，在掌握的范围之外，人类也是人类使用敏捷操纵DLOS的重要技能，它需要通过握住DLO来防止其掉落的同时通过手动滑动来连续更改抓握点。在没有使用专门设计但不是多功能的最终效果的情况下，实现这种技能对于机器人来说非常具有挑战性。以前的作品尝试使用通用的平行抓地力，但是由于关注和持有之间的冲突，它们的稳健性并不令人满意，这很难与一级自由的抓手保持平衡。在这项工作中，受到人类如何使用手指跟随DLOS的启发，我们探索了具有触觉感知的通用灵巧的手的用法，以模仿人类的技能并获得强大的DLO跟随。为了使硬件系统能够在现实世界中运行，我们开发了一个框架，其中包括笛卡尔空间手臂控制，基于触觉的In-Hand-hand 3-D DLO姿势估计以及特定于任务的运动设计。实验结果证明了我们方法比使用平行抓手的显着优势，以及它的稳健性，可推广性和效率。
灵巧的手指力吸引VR接口
虚拟现实（VR）的进步减少了用户的经验不同。但是，现实与虚拟性之间的差距持续存在，这些任务需要以微妙的方式将用户的多模式物理技能与虚拟环境结合在一起。当物理性感觉不真实时，在VR EASILY中断中的用户实施例，尤其是当用户调用其天生的偏爱以触摸和操纵他们遇到的事物时。在这项研究中，我们研究了力量意识到的VR接口的潜力，可以使自然连接与用户物理学，并在高技能触摸案例中对其进行评估。将表面肌电图（SEMG）与视觉跟踪相结合，我们开发了一个基于端到端学习的系统，势力，从其前臂SEMG信号中解码用户的灵活的手指力，以直接在标准VR管道中使用。这种方法消除了对手持式触觉设备的需求，从而促进了自然实施。一系列有关VR中的操纵任务的用户研究，该势力比替代解决方案更准确，更健壮和直观。两个概念证明VR应用程序，书法和钢琴演奏，证明了Vi-Sual，听觉和触觉方式之间的良好协同作用，因为ForceSense提供了提高用户在VR中的任务学习表现的潜力。我们的源代码和受过训练的模型将在https：// github上发布。com/nyu-icl/vr-force-aware-multimodal-Interface。
通过AI增强的Triboelectric多模式传感器启用了对机器人手指的增强触觉感知
机器人技术的最新发展越来越多地强调了传感技术，尤其是触觉感知的重要性，使机器人能够有效地与其环境互动并解释物理相互作用。由于功率效率和低成本，经常研究底层电离机制，用于测量压力和识别材料以增强机器人感知。尽管如此，尽管它们在日常生活中盛行，但仍有使用互动效应来检测弯曲表面的探索有限。在这里，提出了多层结构设计的摩擦多模式触觉传感器（TMTS），以同时识别不同的材料，曲线和压力，从而将不同的方式解耦以启用更准确的检测。通过将传感器连接到机器人的纤维上并利用深度学习分析，定量曲率测量可为对象的详细几何特征提供更精确的见解，而不是仅仅评估其整体形状，因此可以实现具有99.2％精度的12个Grasped对象的自动识别。传感器可以进一步用于准确识别机器人手的不同触摸手势下的物体的柔软度，达到94.1％的精度，证明了其在未来机器人支持的智能社会中的广泛应用。
智能手表可以移动手指吗？智能手表中紧凑而实用的电肌刺激
图1：（a）通过电肌肉刺激（EMS）操作手腕和手指的常规方法需要前臂上的电极 - 虽然这提供了良好的准确性，但它使EMS的实用性降低了。相反，（b）我们建议将所有电极移动到手腕，然后将它们包装在智能手表频带中。我们发现手腕处的横截面刺激可以使拇指伸展，索引扩展和屈曲，中间屈曲，小指屈曲和手腕屈曲。我们证明，这种紧凑的形式可以实现EMS的实际应用，使我们的参与者可以在社交环境中佩戴肌肉刺激感到满意，例如在研究期间在公共咖啡馆购买咖啡。我们相信（c）为EMS打开了新的应用程序。
成人血糖的自我监测（手指刺测试）和
框4•所有患有1型糖尿病的孕妇和孕妇都有资格使用CGM（请参阅CGM T1DM途径），但如果CGM设备/读取器失败，丢失或丢失或在使用CGM设备时，也需要使用SMBG，则可以使用SMBG。如果一个人无法使用CGM或拒绝CGM设备，则应提供SMBG。•应提供所有患有2型糖尿病或妊娠糖尿病的孕妇和孕妇SMBG 4。他们可能有资格获得CGM（请参阅“ SEL Flash葡萄糖监测指南”。）•患有糖尿病的妇女更有可能患有不良后果，包括胎儿异常，巨糖症和新生儿死亡。胎儿异常和静止出生与怀孕初期的葡萄糖控制质量有关。7•如果计划怀孕的糖尿病女性需要对降血糖疗法的加强，请建议她增加SMBG的频率，以包括禁食水平以及粉刷前和餐后水平的混合物。（请参阅下面的“ SMBG方案的建议”）4。•出生后：将患有糖尿病的妇女推荐给其常规糖尿病护理安排4•请参阅怀孕中糖尿病的良好指南，以获取进一步的建议。
与雷诺现象的全身性硬化症中腹手指微举病的超声定量评估：一项比较研究
使用各种超声技术评估使用Raynaud现象（RP-SSC）的全身性硬化症患者的手指血管性的抽象目标。使用四种超声血管成像技术在室温下成像18种RP-SSC患者的所有手指（拇指）和18个对照。通过计算25 mm 2正方形的血流像素以背侧侧的指甲褶皱和25 mm 2和距腹侧100毫米2平方平方的25 mm 2平方计算血管面积的百分比。平均血管强度是根据背侧和腹侧的相应区域计算的。结果，RP-SSC中血管区域和平均血管强度的百分比明显低于背侧和腹侧的对照组（P <0.01）。无论成像技术和评估方面如何，曲线下的平均血管强度（AUC）（AUC）（AUC）的面积略高于（AUC）（AUC）（0.53-0.91 vs 0.53-0.90）。对于每种成像技术，与背侧相比，腹侧血管表现出更高的AUC（0.74–0.91）（0.53-0.81）。此外，腹侧异常与数字溃疡病史有关。结论超声表现出了量化RP-SSC的手指血管性的潜力。手指的腹侧显示出比背侧比背侧更高的精度。
进化，生物力学和神经生物学收敛以解释选择性手指运动控制
沿进化量表相对有选择地移动纤维的能力增加了。，即使在人类中，当一个数字移动时，其他数字也会移动。意想不到的数字运动的部分原因是手的生物力学及其肌肉的生物力学，部分原因是控制纤维的神经系统。这些神经系统每个都包含许多单个神经元，这些神经元的输出在多个肌肉的脊髓运动神经元库中有差异。由于这些因素会导致运动的运动，因此动力学家移动任何给定的数字的收缩伴随着其他肌肉的收缩，以稳定其他数字和手腕。主要运动皮层（M1）主导着对人类自愿运动的控制，与其他支付的系统一起起作用，以雕刻激动剂，拮抗剂和稳定肌肉的协调作用。在任何手机运动中，神经活动都分布在宽的M1领域，该区域与其他纤维运动过程中的区域广泛重叠。因此，皮质病变永远不会损害仅一位数字的功能。M1或皮质脊髓道的病变损害相对选择性或“个性化”的延伸纤维运动，而不是浮雕。单独的机制可能是强度与个性化的基本恢复。
调查运动历史图像和卷积神经网络，以供孤立的爱尔兰手语手指识别
摘要手语的全球能力有限，是通过重要和必要的计算处理来改善聋人和听力障碍社区的沟通。为了解决这个问题，我们的研究利用了爱尔兰手语形状（ISL-HS）数据集和最先进的深度学习体系结构来识别爱尔兰手语字母。我们通过使用运动历史图像（MHIS）来监视手语动作，简化特征提取方法，并为有效利用卷积神经网络（CNN）铺平道路。在这项研究中研究了许多强大的CNN体系结构在MHI中捕获的复杂运动模式中的有效性。该过程包括从ISL数据集生成MHI，然后使用这些图像训练多个CNN神经网络模型，并评估其识别爱尔兰手语字母的能力。结果证明了使用高级CNN调查MHI以增强手语识别的可能性，并以值得注意的精度百分比。通过为爱尔兰手语的语言处理工具和技术的开发做出贡献，这项研究有可能解决爱尔兰聋哑和听力障碍社区缺乏技术交流的可访问性和包容性。
脉搏血氧仪的组织模仿材料和手指幻影设计
摘要：脉搏血氧饱和度代表现代医学中光学的无处不在的临床应用。最近的研究引起了人们对混杂因素的潜在影响的担忧，例如可变的皮肤色素沉着和灌注对脉搏血氧仪中血氧饱和度测量精度的影响。模拟幻影测试提供了低成本，控制良好的解决方案，用于表征设备性能并研究潜在的误差源，从而可以减少对体内昂贵的体内试验的需求。这项研究的目的是开发基于幻影的脉搏血氧仪的测试方法。材料光学和机械性能审查，选择和调整以达到最佳的生物学相关性，例如，含氧组织的吸收和散射，强度，强度，弹性，硬度以及代表人手指的几何形状和组成的其他参数，例如血管大小和分布和分布和灌注。相关的解剖学和生理特性总结并实施，以创建初步的手指幻影。为了创建初步的手指幻影，我们合成了一个具有散射器的高符合硅胶基质，用于嵌入柔性管，并研究了这些散射物在新颖的3D打印树脂中以进行光学性能控制，而无需改变机械稳定性，而不改变具有与生物学特征的幻象的产生。幻影实用程序。3D印刷幻象在生物学上相关的条件更加相关。这些初步结果表明，幻影具有强大的潜力，可以发展为评估脉搏血氧仪性能的工具。差距，建议和策略是为了持续的幻影开发而提出的。
用于脑机接口的人工神经网络始终能够产生比线性方法更自然的手指运动
脑机接口 (BMI) 旨在通过将神经信号“解码”为行为来恢复脊髓损伤患者的功能。最近，非线性 BMI 解码器的表现优于之前最先进的线性解码器，但很少有研究调查这些非线性方法提供了哪些具体改进。在本研究中，我们比较了时间卷积前馈神经网络 (tcFNN) 和线性方法在开环和闭环设置中如何预测个体手指运动。我们表明，非线性解码器可以生成更自然的运动，产生的速度分布比线性解码器更接近真正的手部控制 85.3%。针对神经网络可能得出不一致解决方案的担忧，我们发现正则化技术将 tcFNN 收敛的一致性提高了 194.6%，同时提高了平均性能和训练速度。最后，我们表明 28 tcFNN 可以利用来自多个任务变体的训练数据来提高泛化能力。这项研究的结果表明，非线性方法可以产生更自然的运动，并显示出在约束较少的任务上进行泛化的潜力。31