XiaoMi-AI文件搜索系统
World File Search System手部
BrainWorks 万事达卡列表
穴位敲击 动物漫步：熊爬 动物漫步：螃蟹漫步 动物漫步：大象漫步 动物漫步：青蛙跳 动物漫步：海豹漫步 ASMR 视频 背部按摩 豆袋椅 身体袜 镇静芳香 舒适食物 舒适角落交叉 深层压力 门口滑轮缓冲垫 缓冲垫上的缓冲垫 点和挤压 耳部按摩 大象漫步 鱼缸 手部锻炼 手部按摩 耳机 重活 关节按压 日记或绘画 膝盖和肩部重量 膝盖垫 熔岩灯 冥想音乐（镇静）
短文——开发用于中风患者康复的机械手矫形器
摘要 — 本研究开发了一种机器人矫形器，能够检测佩戴者移动手指的意图，然后增强其肌肉力量。目的是生产一种可用于中风后手部康复的装置。矫形器的设计基于现有设计，使用 BLENDER 2.78 版进行了修改，并用 ABS 塑料打印。执行器安装在矫形器的后端，以提供驱动，使手指进行全范围的屈伸运动。力传感器嵌入在矫形器的指尖，以检测微小的手指运动。对于中风幸存者无法进行小指运动的严重病例，该研究采用脑机接口来检测移动意图。机器人矫形器在检测松开和握紧活动以及响应驱动矫形器手指方面的准确率分别达到 64.1% 和 62%。结果表明，这里提出的设计有助于提供有效的手部康复。研究得出结论，结合 BCI 系统的设计能够在临床环境中进行手部康复，因为它在检测患者移动意图和做出响应方面具有一定程度的准确性。这种设计成本低，因此将减轻资源匮乏国家的中风幸存者的经济负担。
疼痛威胁下的地形选择性运动抑制
摘要 在疼痛发生之前，仅仅因为有疼痛威胁，疼痛相关的运动适应就可能被预测性地激活。然而，在人类中，预期疼痛的运动适应背后的神经生理机制仍然知之甚少。我们追踪了健康成年人学会预测上肢单侧肌肉特定疼痛发生时皮质脊髓兴奋性 (CSE) 变化的演变。使用巴甫洛夫威胁条件反射任务，不同的视觉刺激预测了右前臂或左前臂（实验 1）或手（实验 2）的疼痛。在疼痛发生前的刺激呈现期间，在左侧初级运动皮层施加单脉冲经颅磁刺激以探测 CSE 并从目标右前臂和手部肌肉诱发运动诱发电位。还评估了参与者的特质焦虑与 CSE 之间的相关性。结果表明，疼痛威胁会触发皮质脊髓抑制，特别是在预期出现疼痛的肢体中。此外，皮质脊髓抑制相对于受到威胁的肌肉进行调节，前臂疼痛威胁会抑制前臂和手部肌肉，而手部疼痛威胁仅抑制手部肌肉。最后，皮质脊髓抑制越强，焦虑特质就越强。这些结果推进了对疼痛过程的机制理解，表明疼痛相关的运动适应是在仅仅受到疼痛威胁时发生的，作为一系列预期的、拓扑组织的运动变化，这些变化与预期的疼痛有关，并受个人焦虑水平的影响。将这种预期的运动变化纳入疼痛模型可能会带来新的疼痛相关疾病治疗方法。
秒 gulser corat 创始人兼首席执行官 – 没有偏见的人工智能？
• 语音识别软件 • 招聘软件 • 图像识别（例如：面部或手部识别） • 词嵌入（自动完成、翻译） • 风险评估算法（例如：评估被告犯下更多罪行的风险）
基于残余运动分类的用户界面，用于完全四肢瘫痪患者控制辅助设备
摘要 — 目的：完全性四肢瘫痪会使人失去手部功能。辅助技术可以提高自主性，但用户仍然需要符合人体工程学的界面来操作这些设备。尽管四肢瘫痪的人手臂瘫痪，但他们可能仍保留着残留的肩部运动。在这项研究中，我们探索了这些运动作为控制辅助设备的一种方式。方法：我们用一个惯性传感器捕捉肩部运动，并通过训练基于支持向量机的分类器，将这些信息解码为用户意图。结果：设置和训练过程只需几分钟，因此分类器可以是用户特定的。我们对 10 名身体健全和 2 名脊髓损伤参与者测试了该算法。平均分类准确率分别为 80% 和 84%。结论：提出的算法易于设置，操作完全自动化，所取得的结果与最先进的系统相当。意义：手部功能障碍人士使用的辅助设备在用户界面上存在局限性。我们的工作提出了一种新方法来克服这些限制，即对用户动作进行分类并将其解码为用户意图，所有这些都只需简单的设置和培训，无需手动调整。我们通过对最终用户的实验证明了它的可行性，其中包括完全四肢瘫痪、没有手部功能的人。
一种基于健康脑表面肌电图的机器学习特征提取新方法
摘要：特征提取是基于表面肌电（sEMG）模式识别的多功能假肢控制中最重要的步骤之一。本文提出了一种基于肌肉活跃区域的sEMG特征提取新方法。设计了一个实验，利用不同的特征对四种手部运动进行分类。该实验用于证明新特征具有更好的分类性能。实验结果表明，新特征活跃肌肉区域（AMR）比传统特征平均绝对值（MAV）、波形长度（WL）、零交叉（ZC）和斜率符号变化（SSC）具有更好的分类性能。AMR、MAV、WL、ZC和SSC的平均分类误差分别为13％、19％、26％、24％和22％。新的EMG特征基于手部运动和前臂活跃肌肉区域的映射关系。这种映射关系已经在医学中得到证实。通过新的特征提取算法从原始EMG信号中获得活跃肌肉区域数据。从该算法获得的结果可以很好地表示手部运动。另一方面，新特征向量大小比其他特征小很多，新特征可以降低计算成本，证明了AMR可以提高sEMG模式识别的准确率。
利用神经接口和深度学习感知人手的全部动态
摘要 — 神经控制运动的理论主要基于运动传感设备，这些设备可以捕捉预先定义的解剖标志的动态。神经肌肉接口，例如表面肌电图 (sEMG)，理论上可以通过感知由运动的最终路径（运动单元）传输的运动命令来超越基于运动的技术所施加的限制。运动单元活动的记录可以连续地预测时间和空间中的动力学和运动学，而不受数码相机或惯性传感器所遭受的几个生物和物理限制。然而，目前的 sEMG 解码算法只能预测几个自由度（<3）。通过结合无标记机器视觉和高密度 sEMG 电极，我们旨在检验以下假设：受生理启发的深度神经网络可以像数码相机一样精确地重建人手的运动，并且还具有预测潜在力量（例如，抓住一杯咖啡）的额外好处。我们证明，我们的深度学习模型可以在自然运动任务中，通过仅放置在外部手部肌肉上的 320 个 sEMG 传感器，以可忽略不计的误差持续预测手部的所有自由度。我们的深度学习模型能够显示 3D 手部运动学和等长收缩期间手指的全部力量范围。目前的结果表明，将深度学习应用于 EMG 信号可以前所未有地表示最终的运动神经代码。
基于人工智能的虚拟鼠标
摘要：鼠标是现代所有计算机系统中不可或缺的输入设备。输入设备是我们每天使用的高接触表面，通常一整天都在使用。因此，鼠标上沾满了细菌。尽管无线鼠标让我们摆脱了对杂乱电缆的需求，但仍然需要触摸设备。鉴于疫情，本系统使用内置摄像头或外围网络摄像头捕捉手部动作和指尖检测，可以执行传统的鼠标功能，如左键单击、右键单击、滚动和光标功能。该算法基于机器学习。使用深度学习对算法进行训练，以便可以使用摄像头检测手部。因此，本系统将通过消除人为干预和对物理设备控制计算机系统的依赖来防止 Covid-19 的传播。
COVID-19 疫苗快速指南
在抵达设施之前和之后筛查 COVID-19 症状并与可能感染 COVID-19 的人接触，并尽快隔离有症状的患者。限制和监控设施的入口点，并安装屏障，例如透明塑料防喷嚏罩，以限制与分诊时患者的身体接触。实施 2 岁以上人群使用布面罩的政策（如果可以忍受）。告知患者接种疫苗后，他们仍需在公共场所佩戴面罩。疫苗需要时间才能生效，并且并非 100% 有效，因此仍应采取安全措施。始终佩戴口罩。除了进行手部卫生外，还应在患者之间更换手套。继续确保遵守呼吸卫生、咳嗽礼仪和手部卫生。
镜像治疗在周围神经损伤中的效率
患者和方法：在2017年11月至2018年5月之间，手中包括26例外周神经损伤的患者。将患者随机分配到镜像组（n = 14）和对照组（n = 12）组。两组在我们的诊所接受常规疗法，在工作日连续六个星期，每天45分钟。镜子组又接受了10-15分钟的视觉镜疗法。视觉模拟量表（VAS），Duruöz手指数，手臂，肩膀和手的快速残疾，Jebsen手部功能测试和Semmes-Weinstein单丝测试用于评估基线时和治疗后患者的疼痛，手部功能和感觉。用测功机测量患者的手束强度。