XiaoMi-AI文件搜索系统
World File Search SystemFinger
当视频遇到惯性传感器：使用惯性传感器进行手指运动分析的零样本域自适应
无处不在的手指运动追踪使增强现实、体育分析、康复医疗保健等领域的许多激动人心的应用成为可能。虽然使用摄像头的手指运动追踪非常成熟，这很大程度上归功于大量训练数据集的可用性，但是对于为带有惯性测量单元 (IMU) 传感器的可穿戴物联网设备开发强大的机器学习 (ML) 模型来说，训练数据却十分匮乏。为了解决这个问题，本文提出了 ZeroNet，这是一个展示以零训练开销为 IMU 传感器开发 ML 模型的可行性的系统。ZeroNet 从公开的视频中收集训练数据以对 IMU 进行推理。由于传感器-摄像头坐标系、用户身体大小、手势过程中的速度/方向变化、传感器位置变化等差异，视频和 IMU 域之间的数据差异带来了许多挑战。ZeroNet 通过系统地从视频中提取运动数据并将其转换为 IMU 传感器测量的加速度和方向信息来解决这些挑战。此外，还利用数据增强技术在收集的训练数据中创建合成变化，以增强 ML 模型对用户多样性的通用性和鲁棒性。对 10 位用户的评估表明，对于 50 个手指手势的识别，top-1 准确率为 82.4%，top-3 准确率为 94.8%，这表明前景光明。虽然我们只是触及了表面，但我们概述了许多有趣的可能性，可以将这项工作扩展到计算机视觉、机器学习和可穿戴物联网等跨学科领域，从而实现手指运动跟踪的新应用。
采用非线性自回归外生模型的可穿戴 sEMG 传感器多自由度假手指关节控制器
摘要：手臂、手和指尖的活动功能和感觉信息的丧失妨碍了患者的日常生活活动 (ADL)。现代仿生假手可以弥补失去的功能并实现多自由度 (DoF) 运动。然而，由于传感器有限和缺乏稳定的分类算法，市售的假手通常具有有限的自由度。本研究旨在提出一种通过表面肌电图 (sEMG) 估计手指关节角度的控制器。用于训练的 sEMG 数据是使用商用 EMG 传感器 Myo 臂带收集的。提取时域中的两个特征并将其输入到具有外生输入的非线性自回归模型 (NARX) 中。使用 Levenberg-Marquardt 算法对 NARX 模型进行预选参数训练。与目标相比，模型输出的回归相关系数 (R) 在所有测试对象中均大于 0.982，信号范围为 [0, 255] 的任意单位时均方误差小于 10.02。研究还表明，所提出的模型可用于日常生活运动，具有良好的准确性和泛化能力。
Lamco LFL®（层压指接木材）结构木材或高级工程木材
∆ = 挠度，单位为英寸 (mm) W = 均匀载荷，单位为磅/英寸 (N/mm) L = 跨度，单位为英寸 (mm) E = 弹性模量，单位为磅/平方英寸 (MPa) b = 梁宽度，单位为英寸 (mm) h = 梁深度，单位为英寸 (mm) 5. 这些表中的弯曲值基于 12 英寸 (305 mm) 的参考深度。对于其他深度，1.6E 级的弯曲值应按体积系数 (12/d) 0.34 进行调整，其中 d 以英寸为单位，最小深度为 2.5 英寸 (64 mm)。对于 1.7E、1.9E 和 2.1E 等级的其他深度，弯曲值应通过体积调整 (12/d) 0.25 进行调整，其中 d 以英寸为单位测量，最小深度为 2.5" (64 mm)。弯曲值进一步限制为 1.9E 等级的 2,455 psi 和 2.1E 等级的 2,795 psi。对于平面弯曲，对于 2" 厚和 4" 及更大的宽度，允许将值增加 1.1 倍。6. 1.6E 等级的张力 F t 值基于 24" 的参考长度。对于长达 24' 的长度，将 F t 乘以体积系数 (24/L) 0.15，其中 L 是以英寸为单位的长度。 7. 1.7E 和 1.9E 等级的张力 F t 值以 88" (7'4") 为基准长度。对于超过 88" 的长度，将 F t 乘以体积系数 (88/L) 0.1335 ，其中 L 是以英寸为单位的长度。8. 2.1E 等级的张力 F t 值以 88" (7'4") 为基准长度。对于超过 88" 的长度，将 F t 乘以 KL 。KL = (88/L) 0.125 ，其中 L 是以英寸为单位的长度。9. 当结构构件根据适用规范符合重复构件的条件时，允许 F b 增加百分之四 (4%)。
同型联合学习中的加密DNN的白盒水印调制
侵入性真菌感染每年在全球造成超过160万患者，由于抗真菌药物数量有限（偶氮，echinocandins和polyeners）以及抗真菌耐药性的出现，因此难以治疗。转录因子CRZ1是细胞应激反应和毒力的关键调节剂，是一个有吸引力的治疗靶标，因为该蛋白在人类细胞中不存在。在这里，我们使用了CRISPR-CAS9方法在两个抗Caspofungin的c临床分离株中产生同基因CRZ1Δ菌株。glabrata分析了该转录因子在非脊椎动物（Galleria mellonella）和脊椎动物（小鼠）念珠菌病模型中对eChinocandins，胁迫耐受性，生物膜的形成和致病性的敏感性的作用。在这些临床分离株中，CRZ1破坏恢复了体外和体内模型中echinocandins的敏感性，并影响其氧气应激反应，生物膜形成，细胞大小和致病性。这些结果强烈表明，考虑到抗真菌抗性的出现和可用的抗真菌药物数量少，CRZ1抑制剂可能在针对真菌感染的新型雌激素中起重要作用。
运动学特征与脑血流动力学之间的相关性表明单指和双指运动协调性的变化
方法：招募 21 名右利手受试者，要求他们在同一平面上以相同方向（同相，IP）和相反方向（反相，AP）完成单指和双指的圆周运动。记录每个任务的运动数据（包括半径和角速度）以及使用功能性近红外光谱 (fNIRS) 同步的血氧浓度数据，覆盖前额叶皮层、运动皮层和枕叶等六个脑区。使用一般线性模型定位激活的脑区，并使用与基线相比血氧浓度的变化来评估脑区激活程度。使用小世界特性、聚类系数和效率来测量运动过程中大脑活动中的信息交互。
手指滑行运动的临床有效性接受触发手指的患者接受类固醇注射：一项随机临床试验
手指滑翔练习被认为可以增强屈肌肌腱偏移。这项研究评估了接受类固醇注射以触发手指后，手指滑翔锻炼的有效性。随机分配接受皮质类固醇注射的触发手指的患者（1：1）以对照和干预组。干预小组必须进行手指练习并定期提交在线练习日志。在24周内触发手指的临床结果，并通过在线调查评估了对手指滑翔练习的符合性。总共分配了38名参与者。基线特征相似，除了干预组的症状持续时间更长（5.2±2.9 vs. 3.6±2.6个月，p = 0.002）。在24周，34（89.5％）和33（86.8％）干预小组参与者对在线调查做出了回应。在数值疼痛评分，Quinelle分级，手指改善率，触发触发的复发，重复注射的需求以及新触发手指位点的发生中没有观察到统计学上的显着差异。运动对数响应率和合规率为85.6％和68.6％。总而言之，与常规护理相比，我们的研究没有建立手指滑翔运动的临床有效性。
单侧手指运动过程中的镜像视觉反馈与皮质脑电图躯体运动型alpha Rhythms
抽象使用镜子足够定向，另一只手的运动与另一只手诱导了运动的液化。在这里，我们检验了以下假说：这种镜像现象可以由脑脑摄影（EEG）事件相关的dengronic/同步（ERD/ERS）的基础（EEG）中央alpha节奏（ERD/ERS）（约10 Hz）作为神经物理学的相互作用，以及在糖果中的神经物理学测量，以及在糖果群体之间的相互作用，并在糖果中的互动量。 执行。十八位健康的右手男性参与者在没有镜子（M-）条件下进行了标准听觉触发的单侧（右）或双侧手指运动。在镜子（M +）条件下，在镜子前面进行单侧右手指运动，以诱导同时左手手指运动的幻觉。EEG活性记录在64个头皮电极中，并使用与事件相关的EEG时期进行计算αERD。在M-条件下，在双侧运动中观察到双侧突出的中央αERD，而在单侧右运动中，左中央alpha ERD和右中央alpha ers均观察到。相反，M +条件显示出明显的双侧和广泛的alpha erd dur-
用于有针对性刺激电极放置的体感手指表征的新型术中在线功能映射：技术说明
术中定义功能皮质（传统上由神经外科医生执行以保护患者功能）现在可以帮助植入目标电极以恢复功能。脑机接口 (BMI) 有可能恢复瘫痪患者的上肢运动控制，但需要准确放置记录和刺激电极才能实现对假肢的功能控制。除了从记录阵列进行运动解码外，在与手指和指尖感觉相关的皮质区域精确放置刺激电极还可以提供感官反馈，从而改善对假肢的灵巧控制。在这项研究中，作者展示了使用一种新颖的术中在线功能映射 (OFM) 技术与高密度皮层脑电图来定位人类初级体感皮质中的手指表征。结合传统的术前和术中定位方法，该技术能够准确植入刺激微电极，这通过植入后对手指和指尖感觉的皮质内刺激得到证实。这项工作证明了术中 OFM 的实用性，并将为未来人类闭环 BMI 的研究提供参考。
用于脑机接口的人工神经网络始终能够产生比线性方法更自然的手指运动
脑机接口 (BMI) 旨在通过将神经信号“解码”为行为来恢复脊髓损伤患者的功能。最近，非线性 BMI 解码器的表现优于之前最先进的线性解码器，但很少有研究调查这些非线性方法提供了哪些具体改进。在本研究中，我们比较了时间卷积前馈神经网络 (tcFNN) 和线性方法在开环和闭环设置中如何预测个体手指运动。我们表明，非线性解码器可以生成更自然的运动，产生的速度分布比线性解码器更接近真正的手部控制 85.3%。针对神经网络可能得出不一致解决方案的担忧，我们发现正则化技术将 tcFNN 收敛的一致性提高了 194.6%，同时提高了平均性能和训练速度。最后，我们表明 28 tcFNN 可以利用来自多个任务变体的训练数据来提高泛化能力。这项研究的结果表明，非线性方法可以产生更自然的运动，并显示出在约束较少的任务上进行泛化的潜力。31
非人类灵长类动物的实时脑机接口利用浅前馈神经网络解码器实现高速假肢手指运动
尽管用于恢复运动功能的脑机接口技术发展迅速，人们对此也产生了浓厚的兴趣，但假手指和假肢的性能仍无法模仿自然功能。将脑信号转换为假肢控制信号的算法是实现快速逼真的手指运动的限制因素之一。为了实现更逼真的手指运动，我们开发了一个浅层前馈神经网络来解码两只成年雄性恒河猴的实时双自由度手指运动。使用两步训练方法，引入重新校准的反馈意图训练 (ReFIT) 神经网络以进一步提高性能。在对两只动物进行 7 天的测试中，神经网络解码器的手指运动速度更快、更自然，与代表当前标准的 ReFIT 卡尔曼滤波器相比，吞吐量提高了 36%。这里介绍的神经网络解码器展示了优于当前最先进水平的连续运动的实时解码，并可以为使用神经网络开发更自然的脑控假肢提供一个起点。