XiaoMi-AI文件搜索系统
World File Search System步态
AI使用BCI设备和基于FBG的感官平台用于足底压力测量的人体步态的大脑信号预测
摘要：为生物医学问题开发现代解决方案（例如人类康复步态的预测）中的人工智能（AI）正在发展。试图通过安装在单孔上的FIL BRAGG光栅（FBG）传感器，与脑部计算机界面（BCI）设备同时使用足底压力信息，以预测与人的坐着，站立和行走姿势相对应的大脑信号。的姿势分类范围。这些型号用于识别从16通道BCI设备的四个用户的坐，站立和步行活动响应的电极。基于10–20脑电图系统（EEG）的六个电极位置被鉴定为对足底活性最敏感的位置，并发现与脚步运动过程中感觉运动皮层的临床研究一致。与均值最低的FBG数据相对应的大脑脑电图（MSE）值（0.065–0.109）是通过选择长期术语记忆（LSTM）机器学习模型进行的，与复发性神经网络（RNN）和门控复发单元（GRU）模型相比，进行了。
帕金森病患者丘脑底核的步态编码原理
帕金森病患者丘脑底核动力学的破坏会导致行走障碍。在此，我们旨在揭示丘脑底核编码帕金森病患者功能性和功能障碍性行走的原理。我们设计了一个神经机器人平台，使我们能够在控制良好的条件下解构行走的关键组成部分。我们在 18 名帕金森病患者身上利用了这个平台，这使我们能够证明丘脑底核编码腿部肌肉激活的开始、终止和活力。我们发现相同的基本原理决定了行走的编码。我们将这种理解转化为机器学习框架，该框架可以解码肌肉激活、行走状态、运动活力和步态冻结。这些结果揭示了丘脑底核动力学编码行走的关键原理，从而有可能利用这些信号操作神经假体系统，以改善帕金森病患者的行走能力。
引用：Seebacher B、Helmlinger B、Pinter D 等人。实际和想象的音乐提示步态训练对运动功能和大脑活动的影响
摘要 简介 运动意象 (MI) 是指在没有肌肉活动的情况下在脑海中演练身体动作。我们之前的研究表明，MI 结合节奏听觉提示可改善多发性硬化症 (pwMS) 患者的步行、疲劳和生活质量 (QoL)。音乐和言语提示的 MI 之后改善最为显著。目前尚不清楚实际提示步态训练是否能对 pwMS 患者的步行产生与提示 MI 类似的效果。此外，在 pwMS 中，尚不清楚这些干预措施是否会导致大脑激活的变化。因此，本研究的目的是比较想象和实际提示步态训练及其组合对 pwMS 患者步行、大脑激活模式、疲劳、认知和情绪功能的影响。方法与分析将在 132 名有轻度至中度残疾的 pwMS 患者中进行一项前瞻性双盲随机平行多中心试验。参与者将随机分成三组，接受音乐、节拍器和口头提示，加上步行 MI（1）、MI 结合实际步态训练（2）或实际步态训练（3），每周 4 次，持续 4 周，每次 30 分钟。在每周电话支持下，参与者将在家中练习，并按照录音说明进行指导。主要终点是步行速度（计时 25 英尺步行）和距离（2 分钟步行测试）。次要终点是大脑激活模式、疲劳、生活质量、MI 能力、焦虑、抑郁、认知功能、音乐引发的活动动机、愉悦感、唤醒和自我效能。将在基线、干预后和 3 个月随访时收集数据。将使用 15 名匹配的健康对照生成 MRI 参考值。伦理与传播本研究遵循标准协议项目：干预试验建议-PRO 扩展。已获得奥地利因斯布鲁克医科大学 (1347/2020) 和格拉茨医科大学 (33-056 ex 20/21) 伦理委员会的伦理批准。结果将通过国内和国际会议传播，并发表在同行评审期刊上。试验注册号 DRKS00023978。
脑损伤后步态康复下肢外骨骼的控制策略：系统评价与临床效果分析
每年都有 3000 多名新发病例 [2]，脑瘫是全球第三大致残原因 [3]。据估计，全球每 1,000 名新生儿中就有近 2-3 名脑瘫患者 [4,5]。创伤性脑损伤是全球另一大致残原因，每年有 6900 万人幸存 [6]。站立和行走困难是脑损伤的主要后果之一。例如，超过 63% 的中风幸存者患有半轻度至重度运动和认知障碍 [7]，30%-36% 的人无法在没有辅助辅助的情况下行走 [8,9]。这会导致独立活动能力的丧失，限制社区参与和社会融合，从而引起继发性健康状况[10]。不同程度脑损伤的人会表现出常见的运动障碍，如瘫痪、痉挛或肌肉协同异常，从而导致代偿性运动和步态不对称[11-15]。这种病理性步态会妨碍熟练、舒适、安全和代谢高效的行走[16]。脑损伤后的恢复过程需要几个月到数年，并且神经系统损伤可能是永久性的[17]。有强有力的证据表明，早期、强化、重复的任务和目标导向训练（逐步适应患者的损伤程度和康复阶段）可改善功能性步行结果 [11, 18 – 23]。然而，由于资源有限和配对的异质性，物理治疗师很难提供所需的训练强度和剂量，同时提取定量信息以最大限度地提高特定患者的功能性步行能力。机器人技术在脑损伤患者的步态康复中可以发挥重要作用。机器人可以执行各种各样的任务，例如，高强度的行走、坐下/起坐或在斜坡上行走。一些机器人控制器还可以促进患者在训练过程中的主动参与和投入，例如通过改变辅助力量的水平[24,25]。训练的高重复性和强度，以及患者的参与，被列为诱导神经可塑性和运动学习的关键因素[26-28]。重要的是，临床证据表明，机器人和传统康复训练相结合对独立行走的能力、行走速度和行走能力有积极影响，尽管目前还没有确凿的证据表明机器人康复优于传统疗法[29-33]。下肢外骨骼可促进任务导向的重复运动、肌肉强化和运动协调，这已被证明对能量效率、步速、和平衡控制[34,35]。与其他机器人相比，外骨骼
基于人类步态的人工智能调查......
我们对 2012 年至 2021 年中期发表的专注于人类步态研究并应用机器学习技术的著作进行了电子数据库搜索。我们确定了使用步态数据的机器学习的六个关键应用：1）步态分析，其中利用人工智能算法改进分析技术和某些生物力学分析因素；2）健康与保健，应用于步态监测以检测异常步态、识别人类活动、跌倒检测和运动表现；3）使用单人或多人跟踪和定位系统（如 OpenPose、同步定位和地图构建 (SLAM) 等）进行人体姿势跟踪；4）基于步态的生物识别，应用于人员识别、身份验证和重新识别以及性别和年龄识别；5）“智能步态”应用，从智能袜子、鞋子和其他可穿戴设备到智能家居和智能零售店，包含持续监控和控制系统；6）动画，利用步态数据、模拟和机器学习技术重建人体运动。我们的目标是对机器学习技术在步态分析中的应用进行一次广泛的调查，并确定未来潜在的研究和发展领域。我们讨论已使用的机器学习技术，重点关注它们执行的任务、它们试图解决的问题以及它们所要权衡的利弊。
个性化步态神经假体的适应策略
3 凯斯西储大学生物医学工程系，美国俄亥俄州克利夫兰，4 西班牙莫斯托莱斯胡安卡洛斯国王大学应用数学、材料科学与技术和电子技术系，5 德国柏林夏利特医学院精神病学和神经科学系神经科学研究中心 (NWFZ) 临床神经技术实验室，6 西班牙巴塞罗那加泰罗尼亚理工大学机械工程系和生物医学工程研究中心生物力学工程实验室，7 西班牙埃斯普卢格斯德略布雷加特圣胡安德德乌研究所，8 荷兰恩斯赫德特温特大学工程技术学院生物力学工程系，9 美国俄亥俄州克利夫兰 MetroHealth 医疗中心物理医学与康复系，10 转化神经科学系神经康复组，西班牙马德里 Cajal 研究所，CSIC，11 美国俄亥俄州克利夫兰凯斯西储大学机械工程系，12 德国科特布斯勃兰登堡工业大学科特布斯-森夫滕贝格计算机工程系，13 德国埃尔朗根-纽伦堡弗里德里希-亚历山大大学工程学院计算机科学系计算机架构系，14 德国法兰克福（奥得河畔）IHP-莱布尼茨创新微电子研究所，15 荷兰恩斯赫德特温特大学生物医学信号与系统组，16 德国埃尔朗根-纽伦堡弗里德里希-亚历山大大学工程学院电气工程系、生物医学工程人工智能自主系统与机电一体化系
用于人类步态恢复的脑机接口
摘要 在这篇评论文章中，我们介绍了十多年来我们在开发脑机接口 (BCI) 系统方面的工作，该系统用于脊髓损伤 (SCI) 或中风等神经系统损伤后的行走恢复。这项工作的大部分都是在基于非侵入性脑电图的 BCI 领域，包括将我们的系统与虚拟现实环境和物理假肢连接起来。我们提供实时在线测试来证明健全受试者和 SCI 患者有目的地操作我们的 BCI 系统的能力。我们还介绍了这项工作的扩展，包括开发适合家庭使用的便携式低成本 BCI、我们为开发完全可植入的 BCI 以恢复 SCI 后的行走和腿部感觉而正在进行的努力，以及我们基于 BCI 的新型中风康复疗法。
便携式移动步态监视器系统基于用于监视步态和电力电子
在1981年，埃文斯（Evans）和马丁（Martin）分离并建立了小鼠胚泡的内部细胞质量（ICM）分离和建立的胚胎干细胞（ESC）线[1，2]。thomson等人成功地隔离了人类ESC（HESC）。[3]在1998年，HESC提供了研究人类胚胎发育和再生医学的无与伦比的工具[4]。此外，分别在2006年和2007年分别产生了小鼠诱导的绒毛干细胞（MIPSC）[5]和人IPSC（HIPSC）[6，7]。ESC和IPSC的两个关键特征是自我更新，具有不合时宜和多能性的能力以及在适当的培养条件下脱离各种组织细胞类型的能力。作为多能干细胞（PSC）的主要类型，ESC和IPSC提供了研究基因功能的强大工具。特别是，HIPSC对生成患者特异性人PSC（HPSC）的巨大希望[8]。除了PSC外，其他类型的干细胞被广泛使用，例如间充质干细胞（MSC）[9]，造血干细胞（HSC）[10]和精子型
通过原子发射光谱在线观察激光覆层过程 使用复杂的有价值的卷积神经网络 便携式移动步态监视器系统基于用于监视步态和电力电子的Triboelectric纳米生成器
摘要：直接金属沉积（DMD）可用于表面的覆层以及修复零件和功能的修复和增材制造。过程监视和控制方法可确保制造过程中的质量一致。通过光发射光谱进行过程辐射进行监测可以提供有关过程条件和沉积层的信息。这项工作的目的是使用光谱仪从过程中测量光学排放，并识别光谱中的元素线。单光谱已从该过程中记录下来。基于CO的粉末（METCOCLAD21）的单个轨道在S235碱基材料上被覆盖。已经研究了各种过程参数对元素线发病率和强度的影响。此外，已经对光谱排放的激光束，粉末射流和底物之间的相互作用进行了单独检查。结果表明元素线不经常发生。因此，单光谱被分类为包括元素线（A型）和不包括元素线（B型）的光谱。此外，只能检测到非离子元素，铬经常出现。表明，增加激光功率会增加A型光谱的发生率和特定CR I线的强度。，元素线仅在激光束与沉积层的熔体池相互作用中经常发生。
整合帕金森氏病中步态冻结的结构和功能间的大脑连通性
步态冻结（FOG）对帕金森氏病（PD）患者产生了毁灭性的后果，但是潜在的病理生理机制尚不清楚。在本研究中，通过有或没有雾的PD患者（分别为PD FOG +和PD FOG-）和健康对照组（HC）受试者对PD患者进行了结构和功能连通性分析。我们对24个PD FOG +患者，37例PD FOG - 患者和24 HCS进行了静止状态功能磁共振成像（fMRI）和扩散张量成像。基于区域的空间统计数据用于识别整个大脑中的白质（WM）异常。比较了组之间异常WM区域的分数各向异性（FA）和平均扩散率（MD），并分析了这些参数与临床严重程度之间的相关性，如FOG问卷（FOGQ）分析。素摩擦的同位连通性（VMHC），以识别具有异常半球间连通性的大脑区域。结构和功能度量。结果表明，PD FOG +和PD FOG - 患者在call体（CC），Cingulum（Hippocampus）和上纵向筋膜上的FA降低，CC，COC，Corona Radiata，Corona Radiata，上等纵向筋膜和thalamus的纵向上肌和MD降低。PD FOG +患者的WM异常比PD FOG - 患者更多。fa和MD在CC的脾，身体和整个组中在所有三个组中的差异显着（p <0.05）。CC中的FA降低与FOGQ评分呈正相关。PD FOG +患者在中央后回（PCG），中央回和壁层下边缘的VMHC降低。在PD FOG +患者中，PCG中的VMHC与FOGQ评分负相关，但与CC中的FA呈正相关。因此，雾与FA，MD和VMHC测得的光敏间脑连接性受损，这与临床雾的严重程度有关。这些结果表明，整合结构和功能性MRI数据可以为PD中雾的病理生理机制提供新的见解。