XiaoMi-AI文件搜索系统
World File Search System运动命令
利用脑机接口探索认知
传统的脑机接口解码皮质运动命令来控制外部设备。这些命令是高级认知过程的产物，发生在大脑区域的网络中，整合感觉信息，规划即将进行的运动并监控正在进行的运动。我们回顾了最近在神经假体临床试验中在人类后顶叶皮质中发现的认知信号。这些信号与皮质的小区域相一致，这些小区域在运动控制和身体监控的认知方面发挥着多种作用，包括感觉运动整合、规划、轨迹表征、躯体感觉、动作语义、学习和决策。这些变量使用绑定相关感觉和运动变量的结构化表示在同一组细胞内进行编码，这种架构称为部分混合选择性。不同的认知信号为传统的运动命令提供互补信息，从而实现对外部设备的更自然、更直观的控制。
Scott-Guenther-Perrachione-2020-大脑和语言.pdf
感觉运动适应（由于感觉反馈而对运动命令进行的持久改变）使说话者能够将其发音与预期的语音声学效果相匹配。大脑如何整合听觉反馈来修改语音运动命令以及限制这些修改程度的因素仍然未知。在这里，我们研究了言语运动皮层在修改存储的言语运动计划中的作用。在受试者内设计中，参与者在说话和接收第一共振峰的改变的听觉反馈时，分别接受言语运动皮层的假刺激和阳极经颅直流电刺激 (tDCS)。阳极 tDCS 增加了反馈扰动的感觉运动适应率。使用发声器速度方向 (DIVA) 语音生成框架对我们的结果进行计算建模，表明 tDCS 主要通过增加前馈学习率来影响行为。这项研究展示了局部非侵入性神经刺激如何增强听觉反馈与言语运动计划的整合。
用于估计 iCub 机器人头部姿势的片上脉冲神经网络
在这项工作中，我们提出了一种用于人形 iCub 机器人头部姿势估计和场景表示的神经形态架构。脉冲神经网络在英特尔的神经形态研究芯片 Loihi 中完全实现，并精确整合发出的运动命令，以在神经路径整合过程中估计 iCub 的头部姿势。iCub 的神经形态视觉系统用于校正姿势估计中的漂移。机器人前方物体的位置使用片上突触可塑性来记忆。我们使用机器人头部的 2 个自由度 (DoF) 进行实时机器人实验，并展示精确的路径整合、视觉重置和片上物体位置学习。我们讨论了将机器人系统和神经形态硬件与当前技术集成的要求。
EMG信号分类和使用机器学习和
在本文中，使用支持向量机（SVM）设计了一个分类器来对肌电图（EMG）信号进行分类。鉴于EMG信号，基于SVM的分类器旨在将十个单独的手指运动命令分类为预定义的运动之一。在分类之前，将EMG数据用DWT（例如平均绝对值（MAV），均方根（RMS）和SD提取，并将每个窗口提取并组合到功能集。提取的特征用作分类系统的输入。线性SVM（单位方法）用于EMG信号的多类分类。DWT大小。还报告了确保手指运动之间最大歧视的最佳功能集。验证表明，支持向量机可以正确分类EMG信号，更高的分类精度为91.7％，适用于为建议的方法设计。
用于双向脑机接口 (BD-BCI) 的完全植入式电荷平衡人工感官刺激器原型
Biopac 摘要 — 用于恢复运动和感觉的双向脑机接口 (BD-BCI) 必须实现同时记录和解码来自大脑的运动命令以及通过体感反馈刺激大脑。之前，我们开发并验证了一种用于运动解码的完全植入式 BCI 系统的台式原型。在这里，原型人工感觉刺激器被集成到台式系统中，以开发完全植入式 BD-BCI 的原型。人工感觉刺激器采用基于脉冲宽度调制的主动电荷平衡机制，以确保对长期接口电极的安全刺激，防止损伤脑组织和电极。在幻影脑组织中测试了 BD-BCI 系统的主动电荷平衡的可行性。通过电荷平衡，可以明显去除电极上的残留电荷。这是迈向完全植入式 BD-BCI 系统的关键里程碑。
自动轮椅
arpita2003chatur@gmail.com, shivaibhonge85@gmail.com, gddalvi09@gmail.com 摘要：本文主要介绍我们的革命性发明：轮椅可以使用加速度传感器和头部运动来驱动，并可以避开障碍物。我们的自动轮椅项目基本上基于加速度原理，一个加速度传感器提供两个轴，加速度传感器的输出根据施加在其上的加速度而变化，通过应用简单的公式，我们可以计算倾斜量，倾斜的输出将决定向哪个方向移动。椅子上将安装雨量传感器。雨量传感器模块是一种简单的雨量检测工具。当雨滴落入雨板时，它可以用作开关，也可用于测量降雨强度。我们正在尝试制造一辆受控轮椅；该系统将理解并服从自然语言运动命令，例如“右转”。开发这样的系统使用了各种技术。关键词：革命性，轮椅，雨量传感器，方向和移动，温度传感器
2024 ISEK抽象书
25年前引入了肌肉激活模式作为肌肉协同作用的组合，作为研究运动神经控制的一种简单但定量的方法。此方法旨在通过识别运动输出中的低维结构来测试模块化运动控制的假设。在模块化控制器中，通过几种不变的肌肉协同作用的柔性组合产生肌肉模式，将目标映射到运动命令中。这些协同作用是具有特定空间（跨肌肉），时间或时空组织的肌肉群的协调激活。肌肉协同作用是通过使用尺寸降低算法（例如非阴性矩阵分解）在多种条件上分解EMG模式来提取的。自从青蛙的原始工作以来，这种方法越来越多地应用于对各种运动行为和实验任务的各种动物，健康的人类和神经病变患者的研究。
使用图像的手势控制智能汽车...
摘要： - 手势控制的智能汽车是人类计算机互动领域的最新计划，它代表了向更自然和更易于使用的用户界面的演变。本文描述了OpenCV和Google的Mediapipe如何错综复杂地制定既敏捷又敏感的控制策略。使用高级图像识别算法从复杂的人体手势转换了动态车辆运动命令。这是交互式技术满足现实世界运动需求的巅峰之作：最先进的计算机视觉和机器学习结合在一起。建议的系统不仅证明了对驾驶等复杂任务的非接触用户输入的生存能力，而且还为在自动驾驶汽车指导和控制系统领域的未来研究树立了道路。这项研究强调了基于手势的界面如何有能力完全改变人们与汽车互动的方式，为更灵活和以人为本的导航系统铺平了道路。
运动皮层 RNN 模型中的内部动态与本体感受反馈在运动执行过程中相互作用
运动皮层通过向下游神经回路发送时间模式来启动运动。运动执行过程中的模式被认为是由运动皮层网络内的内部动态产生的。然而，本体感受等外部输入也会影响运动皮层动态。为了研究内部动态和本体感受反馈对自愿运动执行的贡献，我们构建了几个运动皮层模型，从虚拟手臂接收不同组合的本体感受反馈来执行延迟到达任务。考虑到延迟、噪声和感觉反馈的来源，我们构建了一个感觉估计网络。我们发现抑制稳定网络接收的手部运动学和肌肉力量产生的模式与运动皮层神经元数据中观察到的模式最相似。此外，我们使用了一种破坏策略来剖析内部动态和本体感受反馈的贡献，发现内部动态占主导地位，而本体感受反馈可以微调运动命令。对消融实验的分析表明，本体感受反馈提高了对嘈杂初始条件的鲁棒性。我们的研究结果表明，内在结构和外部输入对于产生类似大脑的神经活动都至关重要。