XiaoMi-AI文件搜索系统
World File Search System手指
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。
人类后顶叶皮层和运动皮层十指运动的解码和几何学
摘要 目的. 为上肢瘫痪的参与者实现对单个假肢手指的神经控制。方法. 两名四肢瘫痪的参与者分别在左后顶叶皮层 (PPC) 植入一个 96 通道阵列。其中一名参与者还在左侧运动皮层 (MC) 的手旋钮附近植入了一个 96 通道阵列。在数十个疗程中，我们记录了参与者尝试移动右手单个手指时的神经活动。离线时，我们使用交叉验证的线性判别分析根据神经发放率对尝试的手指运动进行分类。然后，参与者在线使用神经分类器来控制脑机接口 (BMI) 的各个手指。最后，我们描述了双手单个手指运动过程中的神经表征几何形状。主要结果. 两名参与者在 BMI 控制对侧手指期间的在线准确率分别为 86% 和 92%（概率 = 17%）。离线时，线性解码器使用各自的 PPC 记录实现了 70% 和 66% 的十指解码准确率，使用 MC 记录实现了 75% 的解码准确率（机会 = 10%）。在 MC 和一个 PPC 阵列中，分解代码将对侧手和同侧手的相应手指运动联系起来。意义。这是第一项从 PPC 解码对侧和同侧手指运动的研究。对侧手指的在线 BMI 控制超过了以前的手指 BMI。PPC 和 MC 信号可用于控制单个假肢手指，这可能有助于四肢瘫痪患者的手部恢复策略。
利用脑机接口恢复暂时瘫痪的非人类灵长类动物的连续手指功能
1 密歇根大学生物医学工程系，美国密歇根州安娜堡 48109 2 凯斯西储大学生物医学工程系，美国俄亥俄州克利夫兰 44106 3 大都会健康医疗中心骨科系，美国俄亥俄州克利夫兰 44106 4 退伍军人事务医疗中心路易斯斯托克斯克利夫兰分部，美国俄亥俄州克利夫兰 44106 5 密歇根大学医学院麻醉系，美国密歇根州安娜堡 48109 6 密歇根大学外科系整形外科科，美国密歇根州安娜堡 48109 7 密歇根大学医学院神经外科系，美国密歇根州安娜堡 48109 8 密歇根大学电气工程与计算机科学系，美国密歇根州安娜堡48109，美国 9 密歇根大学机器人研究所，密歇根州安娜堡 48109，美国 10 密歇根大学神经科学研究生课程，密歇根州安娜堡 48109，美国 11 密歇根大学医学院神经病学系，密歇根州安娜堡 48109，美国 12 上述作者对本研究贡献相同。∗ 任何通讯作者均应致函此联系人。
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。
人类后顶叶皮层和运动皮层十指运动的解码和几何学
摘要 目的. 为上肢瘫痪的参与者实现对单个假肢手指的神经控制。方法. 两名四肢瘫痪的参与者分别在左后顶叶皮层 (PPC) 植入一个 96 通道阵列。其中一名参与者还在左侧运动皮层 (MC) 的手旋钮附近植入了一个 96 通道阵列。在数十个疗程中，我们记录了参与者尝试移动右手单个手指时的神经活动。离线时，我们使用交叉验证的线性判别分析根据神经发放率对尝试的手指运动进行分类。然后，参与者在线使用神经分类器来控制脑机接口 (BMI) 的各个手指。最后，我们描述了双手单个手指运动过程中的神经表征几何形状。主要结果. 两名参与者在 BMI 控制对侧手指期间的在线准确率分别为 86% 和 92%（概率 = 17%）。离线时，线性解码器使用各自的 PPC 记录实现了 70% 和 66% 的十指解码准确率，使用 MC 记录实现了 75% 的解码准确率（机会 = 10%）。在 MC 和一个 PPC 阵列中，分解代码将对侧手和同侧手的相应手指运动联系起来。意义。这是第一项从 PPC 解码对侧和同侧手指运动的研究。对侧手指的在线 BMI 控制超过了以前的手指 BMI。PPC 和 MC 信号可用于控制单个假肢手指，这可能有助于四肢瘫痪患者的手部恢复策略。
非典型神经发育的光谱-Jscholar
短手指，有些手指苗条很长，我们其余的人介于两者之间的某个地方。我们手的结构可能会影响我们更适合我们的任务类型。细长的手指可能更适合精确，细节工作，而强大的宽手指可能更适合基于力量的任务。就像有些手指宽而有些一样，所以它与我们的大脑一样，有些大脑由较宽的褶皱组成，有些则具有更狭窄的褶皱，其余的则介于两者之间。这些区别可能会导致某些大脑结构更适合特定的能力和任务。当我们考虑这些结构上的差异时，通过讨论行为水平（直接可观察到的），认知水平（记忆，语言和处理速度），然后再用脑级（神经结构和过程）来使用Morton and Frith（1995）[3]理论方法可能会产生效率。但是，我们将以相反的顺序作为结构探索它们，可能会影响认知，然后认知会影响行为。
环手指149相关是咽部肌肉命运规范的FGF/MAPK独立调节
摘要：在胚胎发育过程中，细胞敏化的规范产生了组织形成的专用谱系。在构成双膜和脊椎动物的olfactores中，心脏型纤维壁是由心脏和分支肌肉的多能祖细胞形成的。海囊ciona是一个具有细胞分辨率的心咽命运规范的强大模型，因为只有两个双侧双脑脑咽后祖细胞会引起心脏和咽肌肉（也称为咽肌肉（也称为鼻鼻涕siphon siphon suscles assm assm）。这些祖细胞是多琳的，就像它们表达了早期的ASM和心脏特异性文字的结合，这些文字限于其相应的前体，即定向和不对称的划分。在这里，我们确定了引发基因环149相关的基因环（RNF149-R），后来限于心脏祖细胞，但似乎调节心脏咽中脑中咽部中的咽部肌肉命运的规范。CRISPR/CAS9介导的RNF149-R功能的损失会损害心房的虹吸肌肉形态发生，并下调TBX1/10和EBF，这是咽肌命运的两个关键决定因素，同时上调心脏特异性基因的表达。These phenotypes are reminiscent of the loss of FGF/MAPK signaling in the cardiopharyngeal lineage, and an integrated analysis of lineage-specific bulk RNA-seq profiling of loss-of-function perturbations has identified a significant overlap between candidate FGF/MAPK and Rnf149-r target genes.但是，功能交互分析表明RNF149-R不会直接调节FGF/MAPK/ETS1/2途径的活性。相反，我们提出RNF149-R在共享目标上以及通过（a）单独的途径（s）上平行于共享目标的FGF/MAPK信号传递。
皮层内微刺激引起人类指尖感觉
对于感觉运动功能障碍患者来说，恢复手指和指尖的皮肤感觉对于实现灵巧的假肢控制至关重要。然而，通过人类皮层内微刺激 (ICMS) 实现局部和可重现的指尖感觉尚未见报道。本文表明，人类参与者的 ICMS 能够引发双手 7 个手指的感知，包括 6 个指尖区域（即每只手 3 个）。中位感知大小估计包括 1.40 个手指或手掌节段（例如，一个节段是指尖或手指下方的上手掌部分）。这通过更敏感的手动标记技术得到证实，其中中位感知大小对应于指尖节段的大约 120%。感知表现出高度的日内一致性，包括在盲手指辨别任务中的高性能 (99%)。几天内，感知的变化更大，75.8% 的试验包含受刺激电极的模态手指或手掌区域。这些结果表明，ICMS 可以在神经假体操纵物体期间传递局部指尖感觉。
Neuropose：使用EMG可穿戴设备
无处不在的手指运动跟踪可以在增强现实，体育分析，康复 - 医疗保健，触觉等方面进行许多令人兴奋的应用程序。本文介绍了神经蛋白，该系统显示了使用柏拉图可穿戴肌电图（EMG）传感器进行3D手指运动跟踪的可行性。EMG传感器可以通过手指激活引起的肌肉感知电势，从而提供丰富的信息，以获得细粒的手指运动感测。然而，将传感器信息转换为3D手指的姿势是微不足道的，因为来自多个手指的信号以复杂的模式在传感器处叠加。为解决这个问题，神经蛋白与机器学习架构在复发性神经网络（RNN），编码器 - 编码器网络和重新NETS上的机器学习体系结构中融合了信息，从而从噪声EMG数据中解释了3D手指运动。生成的运动模式在时间上是光滑的，并且在解剖学上是一致的。此外，要利用一种转移学习算法将一个用户的验证模型调整到具有最小培训开销的新用户。对12位用户的系统研究表明中位错误为6。24◦和90％的误差为18。33◦在跟踪3D指关节角。准确性对于传感器安装位置的自然变化以及用户的腕部位置变化是可靠的。神经蛋白是在智能手机上实施的，其处理延迟为0.101，并且高能开销。