XiaoMi-AI文件搜索系统
World File Search SystemCURSOR
假肢的感人瞬间：能“感觉”的新型仿生肢体
过去也曾出现过类似的 BCI。然而，这些 BCI 有局限性。用户可以按下按钮——这是一个不需要连续移动的简单动作。事实证明，使用这些 BCI 很难实现更复杂的动作。在何和他的团队的演示中，受试者通过精神控制机械臂跟踪光标。假手指能够像真手指一样连续跟踪光标。他说，该系统可以与用脑电图记录和无线电极编程的智能手机应用程序一起使用。这将消除对脑部手术的需要。
使用MediaPipe和OpenCV -IJRPR
随着技术的快速发展，电子产品每天都在越来越小。现在有无线设备。这项研究提出了一种机制，该机制可能会导致一些将来会塑造HCI（人为计算机相互作用）的小工具。这个想法是使用手势识别来创建虚拟鼠标。目标是用简单的摄像头替换传统或普通的鼠标设备，以控制鼠标光标的功能。仅使用相机，虚拟鼠标可作为用户和计算机之间的管道起作用。它促进了鼠标功能，并允许用户与机器连接，而无需任何物理或机械设备。使用网络摄像头或内置摄像头拿着彩色帽子或彩色粘纸纸，使用这种手势识别技术很有可能记录和跟踪手的指尖。系统将跟踪手的颜色和移动，并与之同时移动光标。通常，我们使用鼠标，键盘或其他交互设备，这些设备主要与计算机计算机紧凑。无线设备还需要电源和连接技术，但是在本文中，用户的裸手是使用网络摄像头的唯一输入选项。因此，这是控制鼠标光标的一种非常互动的方法。使用基于计算机愿景的库OpenCV以Python编程语言实现此系统。该系统有可能替换典型的鼠标和机器的遥控器。唯一的障碍是照明条件。这就是为什么系统仍然不足以替换传统鼠标的原因，因为大多数计算机都在较差的照明条件下使用。
虚拟和机械耦合如何影响双人跟踪
双边训练系统旨在促进偏瘫患者的偏爱手的用途。通常使用机械耦合（即手之间的物理连接）来实现这一点，但是依靠虚拟耦合的虚拟现实系统（即，通过共享的虚拟对象）更简单地使用并防止懈怠。但是，尚不清楚不同的耦合模式是否对任务绩效和手之间的努力分配有所不同。我们探讨了18名健康的右撇子参与者如何通过使用共享光标映射到平均手的位置的共享光标来改变机械辅助的添加以及虚拟耦合，以改变其运动行为。在第二个实验中，我们研究了连接刚度对性能，感知和努力失衡的影响。结果表明，两种耦合类型都可以诱导双手积极贡献任务。但是，通过使用映射到左手或右手的光标引入的任务不对称性仅在不机械耦合时调节手的贡献。对于所有耦合类型的跟踪性能都是相似的，而与连接刚度无关，尽管优选机械结合，并且可以诱导手以更大的相关性移动。这些发现表明，虚拟耦合可以诱导双手积极贡献健康参与者的任务，而不会阻碍他们的表现。进一步研究耦合类型对偏瘫患者的性能和手的努力分配的影响可以允许设计更简单的训练系统，从而促进受影响的手的使用。
具有人工智能副驾驶的非侵入式脑机接口控制
运动脑机接口 (BMI) 解码神经信号，帮助瘫痪患者移动和交流。尽管在过去二十年中取得了重大进展，但 BMI 仍面临着临床可行性的关键障碍。侵入式 BMI 可以实现熟练的光标和机械臂控制，但需要神经外科手术，对患者构成重大风险。非侵入式 BMI 没有神经外科手术风险，但性能较低，有时使用起来非常令人沮丧，阻碍了广泛采用。我们通过构建高性能的非侵入式 BMI 朝着打破这种性能风险权衡迈出了一步。17 限制非侵入式 BMI 解码器性能的关键限制是其较差的神经信噪比。为了克服这个问题，我们贡献了 (1) 一种新颖的 EEG 解码方法和 (2) 人工智能 (AI) 副驾驶，可以推断任务目标并帮助完成行动。我们证明，借助这种“AI-BMI”，结合使用卷积神经网络 (CNN) 和类似 ReFIT 的卡尔曼滤波器 (KF) 的新型自适应解码方法，健康用户和瘫痪参与者可以自主且熟练地控制计算机光标和机械臂。使用 AI 副驾驶可将目标获取速度提高 4 倍。在标准的中心向外光标控制任务中，目标获取速度提高了 3 倍，并使用户能够控制机械臂执行顺序拾取和放置任务，将 4 个随机放置的块移动到 4 个随机选择的位置。随着 AI 副驾驶的改进，这种方法可能会产生临床上可行的非侵入式 AI-BMI。26
融合肌肉和运动信号的混合体机界面
摘要 目的。体机接口 (BoMI) 建立了一种操作各种设备的方法，让用户能够利用脊髓损伤或中风后仍可用的肌肉和运动冗余来扩展其运动能力的极限。在这里，我们考虑了两种信号的整合，即来自惯性测量单元 (IMU) 的运动信号和用肌电图 (EMG) 记录的肌肉活动，这两种信号都有助于 BoMI 的运行。方法。由于 IMU 和 EMG 信号的性质不同，直接组合它们可能会导致控制效率低下。因此，我们使用基于非线性回归的方法从 EMG 信号预测 IMU，然后将预测和实际 IMU 信号组合成混合控制信号。这种方法的目标是为用户提供在运动和 EMG 控制之间无缝切换的可能性，使用 BoMI 作为促进选定肌肉参与的工具。我们在 15 名未受损参与者的队列中以三种控制模式（仅 EMG、仅 IMU 和混合）测试了界面。参与者通过引导计算机光标经过一组目标来练习伸手动作。主要结果。我们发现，所提出的混合控制可实现与基于 IMU 的控制相当的性能，并且明显优于仅使用 EMG 的控制。结果还表明，混合光标控制主要受 EMG 信号的影响。意义。我们得出结论，将 EMG 与 IMU 信号相结合可能是针对肌肉激活的有效方法，同时克服了仅使用 EMG 的控制的局限性。
庞巴迪挑战者 605 - 飞行仪表 - SmartCockpit
正常运行期间，左侧 MFD 的上部窗口显示 EICAS 页面，包括发动机指示、全时系统指示和 CAS 消息。右侧 MFD 的上部窗口显示 SUMMARY 页面或电子检查表。对于维护操作，右侧 MFD 的上部窗口还可以显示维护诊断系统信息。左右 MFD 的下部窗口均可显示概要页面或导航信息。TCAS 交通、地形、天气和闪电等叠加层可以以 PPOS 导航格式显示。使用光标控制面板 (CCP) 控制 MFD。
感觉和运动责任纠缠的影响
四肢瘫痪患者表示，恢复手臂和手部功能是恢复独立性最重要的因素之一。我们研究的总体目标是开发辅助技术，使四肢瘫痪患者能够控制功能性伸手动作。这项研究是朝着我们的总体目标迈出的第一步，它评估了在实验环境中使用眼球运动来控制效应器运动的可行性。我们旨在了解对眼睛施加的额外运动要求如何影响功能性伸手过程中的眼手协调。我们特别感兴趣的是，当眼睛的感觉和运动功能因额外的运动责任而纠缠在一起时，眼球注视误差会受到怎样的影响。我们记录了参与者在伸手去拿显示器上的目标时的眼球和手部运动。我们在参与者的注视点位置处显示一个光标，这可以被认为类似于对辅助机器人手臂的控制。为了测量眼球注视误差，我们使用离线过滤器从原始眼球运动数据中提取眼球注视。我们将注视点与显示器上显示的目标位置进行了比较。结果表明，人类不仅能够利用眼球运动将光标引导至所需位置（1.04 ± 0.15 厘米），而且误差与手的误差相似（0.84 ± 0.05 厘米）。换句话说，尽管在直接控制效应器的眼球运动时，眼睛承担了额外的运动责任，但协调功能性伸展运动的能力并未受到影响。这项研究的结果支持使用眼睛作为控制运动的直接命令输入的有效性。
2 1. 关于计算机 练习 1. 勾选（✓）正确的...
(iii) 箭头键 2. 在正确语句中写“ T ”，在错误语句中写“ F ”： 答：a. Enter 键用于将光标移动到下一行。 ：[ T ] b. Page Up 键将页面上移。 ：[ T ] c. Delete 键用于删除光标左侧的字母。 ：[ F ] d. Back Space 键删除光标右侧的字符。 ：[ F ] e. Caps Lock 键用于输入大写或小写字母。 ：[ T ] 3. 填空： 答：a. 键盘上有许多键，它们的作用不同。 b. Delete 键用于删除光标右侧的字母。 c. 空格键是键盘上最长的键。 d. 键盘通常称为 QUERTY 键盘。 e. Enter 键也称为 Return 键。 4. 写出以下键的功能： 答：a. Caps Lock 键：Caps Lock 键用于输入大写字母。按此键一次，可打开该键以输入大写字母。再次按此键可关闭该键以输入小写字母。b. 空格键：空格键是键盘上最长的键。此键用于在各种类型的数据和信息之间留出空格。数据和信息可以是字符、单词、句子和其他结构。c. Enter 键：Enter 键用于将光标移动到显示器的下一行。它也被称为回车键。d. 字母键：字母键显示从 A 到 Z 的字母。这些键帮助我们输入单词和句子。字母键共有 26 个。
使用手势识别的AI虚拟鼠标设计和实现
随着技术的快速发展，我们在常规日常生活中使用的设备正在以蓝牙或其他无线技术的形式紧密包装。本文采用不同的方法来对鼠标的一般使用，而鼠标不需要鼠标。这可以通过虚拟软件来实现，该虚拟软件使用称为手势识别的概念并检测执行鼠标功能的手提示。手工检测技术并不新鲜，并且在行业中已经使用了很长时间，例如在自动化领域，IT枢纽，银行业，医学科学等。提出虚拟鼠标的主要动机是使用网络摄像机或内置摄像机与计算机进行交互以执行光标函数，例如滚动等。
通过交互式系统中的感觉幻觉的触觉反馈调查
Number of Publications Included Publications Proprioception and Body Schema Illusions 8 (8.89%) - Rubber Hand Illusion 3 (3.33%) [ 3 , 26 , 100 ] - Virtual Hand Illusion 3 (3.33%) [ 80 , 105 , 117 ] - Other 2 (2.22%) [ 94 , 124 ] Phantom Sensations 24 (26.67%) - On-Body 11 (12.22%) [ 22 , 25 , 31 ，52，56，61，79，79，81，93，103，119] 139 , 145 ] Geometry Illusions 9 (10.00%) - Shape Illusion 5 (5.56%) [ 7 , 8 , 12 , 21 , 133 ] - Size Illusion 4 (4.44%) [ 6 , 11 , 132 , 147 ] Weight Illusions 17 (18.89%) - Size-Weight Illusion 3 (3.33%) [ 43 , 82 , 116 ] - Visual simulation of moving objects inside 2 (2.22%) [ 55 , 146 ] - Asymmetric oscillation 2 (2.22%) [ 1 , 128 ] - Control-display ratio 5 (5.56%) [ 58 , 92 , 108 , 112 , 115 ] - Other 5 (5.56%) [ 2 , 59 , 85 , 96 , 120 ] Stiffness Illusions 13 (14.44%) - Visual texture deformation 4 (4.44%) [ 4 , 57 , 67 , 144 ] - Control-display ratio 2 (2.22%) [ 20 , 141 ] - Simulated deformation sounds 2 (2.22%) [ 69 , 134 ] - Friction grain model 4 (4.44%) [ 46 , 47 , 60 , 63 ] - Restricting Deformation 1 (1.11%) [ 129 ] Surface Texture Illusions 13 (14.44%) - Cursor representation 3 (3.33%) [ 71 , 72，87] - 滚动屏幕2（2.22％）[62，136] - 叠加的视觉/听觉纹理5（5.56％）[14，23，33，34，149] - 天鹅绒手幻觉2（2.22％）[101，148] [101，148] - manipulate velecity 1（1.11％） 113]环境错觉1（1.11％）[16]表1。在调查的出版物中发现的触觉幻觉的分布，首先由其针对的主要触觉财产分类。这些群体不构成全面的分类法，而是源自我们的编码数据中的群集。