XiaoMi-AI文件搜索系统
World File Search SystemGRASPS
基于对象分类的上肢假肢用户-假肢界面
摘要 — 用户-假肢接口 (UPI) 的复杂性，用于控制和选择主动上肢假肢的不同抓握模式和手势，以及使用肌电图 (EMG) 所带来的问题，以及长时间的训练和适应，都会影响截肢者停止使用该设备。此外，开发成本和具有挑战性的研究使得最终产品对于绝大多数桡骨截肢者来说过于昂贵，并且经常为截肢者提供无法满足其需求的界面。通常，EMG 控制的多抓握假肢将一组肌肉的特定收缩的具有挑战性的检测映射到一种抓握类型，将可能的抓握次数限制为可区分的肌肉收缩次数。为了降低成本并以定制方式促进用户和系统之间的交互，我们提出了一种基于图像和 EMG 对象分类的混合 UPI，与 3D 打印上肢假肢集成，由 Android 开发的智能手机应用程序控制。这种方法可以轻松更新系统，并降低用户所需的认知努力，从而满足功能性和低成本之间的权衡。因此，用户可以通过拍摄要交互的物体的照片来实现无数预定义的抓握类型、手势和动作序列，只需使用四种肌肉收缩来验证和启动建议的交互类型。实验结果表明，假肢在与日常生活物体交互时具有出色的机械性能，控制器和分类器具有很高的准确性和响应能力。
使用 LSTM 网络进行基于上下文的文本生成
基于序列的模型上的长短期记忆 (LSTM) 单元因其学习长期依赖关系的能力而被用于翻译、问答系统和分类任务。在自然语言生成中，LSTM 网络通过学习具有语法稳定的句法的语言模型，在文本生成模型上提供了令人印象深刻的结果。但缺点是网络不会学习上下文。网络只学习输入输出函数，并根据一组输入词生成文本，而不考虑语用。由于模型是在没有任何此类上下文的情况下训练的，因此生成的句子之间没有语义一致性。所提出的模型经过训练，可为给定的一组输入词生成文本以及上下文向量。上下文向量类似于段落向量，它掌握句子的语义（上下文）。本文提出了几种提取上下文向量的方法。在训练语言模型时，除了输入输出序列之外，还会与输入一起训练上下文向量。由于这种结构，模型可以学习输入词、上下文向量和目标词之间的关系。给定一组上下文术语，训练有素的模型将围绕提供的上下文生成文本。基于计算上下文向量的性质，该模型已尝试了两种变体（单词重要性和单词聚类）。在单词聚类方法中，还探索了各个领域之间的合适嵌入。根据生成的文本与给定上下文的语义接近度来评估结果。
2024年1月31日16-848的参考文献
2024年1月31日的16-848的参考文献我们谈到了许多分类法。这是幻灯片中提到的。也很有趣。第一个参考是纳皮尔的作品，他优雅地描述了权力和精确的掌握之间的差异。Napier，John R.“人类手的前运动运动。”骨骼和关节手术杂志。英国第38卷，第38页。4（1956）：902-913。 然后，我们查看了从机械师grasps获得的Cutkosky分类法。 请注意，目标是开发一个专家系统，以确定掌握需求的选择：Cutkosky MR。在掌握选择，掌握模型和用于制造任务的手的设计。 机器人技术和自动化，IEEE交易。 1989 Jun; 5（3）：269-79。 这张照片显示了显示联系人的图片（以及这些可能是我们需要的所有掌握的评论！） Kamakura N，Matsuo M，Ishii H，Mitsuboshi F，Miura Y. 正常手中静态预性的模式。 美国职业治疗杂志。 1980年7月1日; 34（7）：437-45。http：//ajot.aota.org/article.aspx?articleId=1889836我们以前在班级早些时候见过这个。 抓握部分“预性模式”始于PDF的第265页。 kapandji ia。 关节的生理学：上肢，第1卷 Elsevier健康科学； 1987。http：//graphics.cs.cmu.edu/nsp/course/16899-s16/papers/kapandji.pdf这是当今幻灯片的一些其他参考：Iberall，Thea，Thea。 “人类的预性和灵巧的机器人手。”4（1956）：902-913。然后，我们查看了从机械师grasps获得的Cutkosky分类法。请注意，目标是开发一个专家系统，以确定掌握需求的选择：Cutkosky MR。在掌握选择，掌握模型和用于制造任务的手的设计。机器人技术和自动化，IEEE交易。1989 Jun; 5（3）：269-79。 这张照片显示了显示联系人的图片（以及这些可能是我们需要的所有掌握的评论！） Kamakura N，Matsuo M，Ishii H，Mitsuboshi F，Miura Y. 正常手中静态预性的模式。 美国职业治疗杂志。 1980年7月1日; 34（7）：437-45。http：//ajot.aota.org/article.aspx?articleId=1889836我们以前在班级早些时候见过这个。 抓握部分“预性模式”始于PDF的第265页。 kapandji ia。 关节的生理学：上肢，第1卷 Elsevier健康科学； 1987。http：//graphics.cs.cmu.edu/nsp/course/16899-s16/papers/kapandji.pdf这是当今幻灯片的一些其他参考：Iberall，Thea，Thea。 “人类的预性和灵巧的机器人手。”1989 Jun; 5（3）：269-79。这张照片显示了显示联系人的图片（以及这些可能是我们需要的所有掌握的评论！）Kamakura N，Matsuo M，Ishii H，Mitsuboshi F，Miura Y.正常手中静态预性的模式。美国职业治疗杂志。1980年7月1日; 34（7）：437-45。http：//ajot.aota.org/article.aspx?articleId=1889836我们以前在班级早些时候见过这个。抓握部分“预性模式”始于PDF的第265页。kapandji ia。关节的生理学：上肢，第1卷Elsevier健康科学； 1987。http：//graphics.cs.cmu.edu/nsp/course/16899-s16/papers/kapandji.pdf这是当今幻灯片的一些其他参考：Iberall，Thea，Thea。“人类的预性和灵巧的机器人手。”国际机器人研究杂志16，第1期。3（1997）：285-299。 https://journals.sagepub.com/doi/abs/10.1177/027836499701600302 Thomas Feix, Javier Romero, Heinz-Bodo Schmiedmayer, Aaron M. Dollar, and Danica Kragic, The GRASP Taxonomy of Human Grasp Types, IEEE TRANSACTIONS ON HUMAN-MACHINE SYSTEMS 2015. http://grasp.xief.net/ http://ieeexplore.ieee.org/document/7243327/3（1997）：285-299。 https://journals.sagepub.com/doi/abs/10.1177/027836499701600302 Thomas Feix, Javier Romero, Heinz-Bodo Schmiedmayer, Aaron M. Dollar, and Danica Kragic, The GRASP Taxonomy of Human Grasp Types, IEEE TRANSACTIONS ON HUMAN-MACHINE SYSTEMS 2015. http://grasp.xief.net/ http://ieeexplore.ieee.org/document/7243327/
使用触觉感知和监督政策学习
引言强大而稳定的抓握是成功机器人操作的关键要求之一。尽管在抓住领域取得了很大进步（Bohg等人2014），最新方法仍可能导致失败。iDe，机器人将足够快地检测出故障以纠正它们。此外，机器人应该能够从错误中学习，以避免将来的类似失败。为了应对这些挑战，我们建议在掌握的初始阶段使用早期的掌握稳定性预测。我们还提出了一种机器学习方法，该方法能够学习一种基于触觉感知并随着时间的推移而改善的纠正失败的graSps行为。在我们以前的工作中（Chebotar等人2016b），我们迈出了使用时空触觉特征和增强学习的第一步，朝着自主重新审向行为。我们能够证明，如果提供了足够的数据，则可以使用线性策略来学习简单的重新制定策略。但是，这些策略并不能比接受过培训的策略对其他类别的对象进行概括。造成这种缺点的主要原因是策略不足以捕获对象的不同形状和物理特性的丰富性。学习一个更复杂且可推广的策略的潜在可能是采用更复杂的政策类别，并收集许多带有各种对象的现实机器人数据来学习策略参数。在中提出了类似的方法（Finn等人这种解决方案的主要弱点是，除了需要大量数据外，这些复杂的政策通常会导致学习者陷入贫困的本地优点（Deisenroth，Neumann和Peters 2013）。在本文中，我们建议以监督的方式学习一项复杂的高维重新制定政策。我们的方法使用简单的线性策略来指导一般政策，以避免本地最小值差，并从较少的数据中学习一般政策。在政策搜索中使用监督学习的想法已在（Levine，Wagener和Abbeel 2015）中使用，在该搜索中，作者使用轨迹优化来指导政策学习过程，并将学习的政策应用于各种操纵任务。2015），作者在
估计标准偏差占其真实值的百分比所需的样本量
当需要估计标准差时，经常需要合理选择样本量。在许多情况下，将估计的允许误差从绝对误差改为相对误差是可以接受的，并且可以对样本量问题进行精确的先验解，而无需涉及任何先前的估计。在许多实际工程情况下，需要估计特征的线性离散度。这样的例子有低空炸弹瞄准器的纵向或范围误差，或测量设备的误差。与工程师合作的经验表明：1）他掌握了标准差作为离散度度量的概念；2）他接受将样本标准差表示为在先前商定的正常总体真实值的百分比范围内的概念； 3) 他对置信系数有足够的直观理解，愿意采取相应的行动。因此，有一种快速的方法可以告诉他获取不同置信系数的各种置信区间内的估计值所需的样本量。这些估计值是将真实标准差的置信区间的半长表示为真实标准差的百分比。为估计这一点所需的样本量而提出的解决方案不使用任何先前的离散估计或其真实值，因此适用范围很广。假设正在对正态总体进行抽样。让 82 成为总体 o2 的平方标准差的估计值，使得 ns2/o-2 分布为具有 n 个自由度的 X2。那么 s2 的平均值将为 E(s2) = u2，其中 u2 是真实但未知的总体方差。设 0 如果我们知道概率{s>(1+u)u} =pi，以及概率{s<(1-u)u} =P2，那么 s 位于 u 的给定分数 u 内的时间比例将是已知的。 pi 和 P2 的值是通过以下关系获得的。如果我们知道概率{s>(1+u)u} =pi，以及概率{s<(1-u)u} =P2，那么 s 位于 u 的给定分数 u 内的时间比例将是已知的。pi 和 P2 的值是通过以下关系获得的。
使用用户友好型、可穿戴的基于 EMG 的神经接口解码偏瘫慢性中风幸存者的手部和手腕运动意图
€ 这些作者的贡献相同。 * 通讯作者：meyerse@battelle.org 摘要：几十年来，假肢和矫形器一直被认为是恢复中风患者手部功能和独立性的潜在手段。然而，75% 的中风幸存者、护理人员和医疗保健专业人员 (HCP) 认为当前的做法还不够，特别指出上肢是需要创新的领域，以开发适用于中风人群的高度可用的假肢/矫形器。控制上肢技术的一种有前途的方法是从表面肌电图 (EMG) 活动中非侵入性地推断运动意图。虽然这种方法在文献中引起了广泛关注，但现有技术通常仅限于研究环境，难以满足所述的用户需求。为了解决这些限制，我们开发了 NeuroLife ® EMG 系统，它由一个可穿戴的前臂套组成，其中嵌入了 150 个电极以及相关的硬件和软件来记录和解码表面肌电图。在这里，我们展示了对 12 种功能性手部、腕部和前臂运动的准确解码，包括来自中风后不同程度慢性损伤的参与者的多种抓握类型，总体准确率为 77.1±5.6%。重要的是，我们展示了以 85.4±6.4% 的准确率解码严重手部损伤患者的 3 种基本运动子集的能力，凸显了其作为辅助技术控制机制的潜力。测试该系统的中风幸存者的反馈表明，袖套的设计满足了各种用户需求，包括舒适、便携和轻便。袖套的外形尺寸使其可以在家中使用，无需专业技术人员，并且可以佩戴数小时而不会感到不适。总而言之，NeuroLife EMG 系统代表了一种平台技术，用于记录和解码高清 EMG，最终以符合用户需求的外形尺寸实时控制辅助设备。
临床上很重要的毛皮配位 -
抽象目的：使用脑部计算机界面（BCI）控制的神经假体来证明自然主义运动控制速度，协调的掌握和从训练到新物体的延长。设计：与前臂功能电刺激（FES）集成的心脏内BCI的I期试验。报告的数据跨越了植入后的第137天至1478年。设置：三级护理门诊康复中心。参与者：一名27岁的C5级A类（在美国脊柱损伤协会损伤量表上）创伤性脊髓损伤干预措施：在其左侧（主要）运动皮层中植入阵列后，接受了BCI-FES训练的参与者，以控制动态，辅助的，具有辅助的固定的固定的固定固定的固定固定剂，Wrist，Wrist和手动运动。主要结果措施：对ARM运动能力的标准化测试（对强度，敏感性和预性评估评估评估[GRASSP]，行动研究ARM测试[ARAT]，GRASP和释放测试[GRT]，Box and Block测试），Grip肌度测试和功能活性测量的功能[CUE-TIPLIPE-STROTIA QUIFIA]，QUADIA QUADIA QUADIA QUADIA QUADIA，有或没有BCI-FES的脊髓独立测量自我报告[SCIM-SR]）。结果：随着BCI-FES的分数，分数从基线上提高了：握力（2.9 kg）； Arat杯子，气缸，球，酒吧和块； grt罐，分叉，钉，重量和胶带；草p强度和预性（从瓶中倒出的盖子，转移钉子）；以及提示曲手和手工技能。QIF-SFAND SICIM-SR饮食，美容和厕所活动有望改善BCI-FES的家庭使用。Pincer抓地力和移动性不受影响。BCI-FES抓地力技能使参与者能够玩改编的“战舰”游戏并操纵家庭对象。结论：使用BCI-FES，参与者执行了熟练和协调的抓手，并在上肢功能的测试中取得了显着的临床收益。练习从培训对象到家庭用品和休闲活动的练习。Palmar，横向和
g-hop：相互作用重建的生成性手动对象和掌握合成
和一个锅的不同）或意图（例如通过刀与使用它进行切割），我们人类可以毫不费力地描绘出与日常生活中日常物体的这种互动。在这项工作中，我们的目标是构建一个可以同样生成合理的手动配置的计算系统。具体来说，我们学习了一个基于扩散的常规模型，该模型捕获了3D相互作用期间手和对象的关节分布。给定一个类别的描述，例如“握着板的手”，我们的生成模型可以合成人手的相对配置和表达（见图1个顶部）。我们解决的一个关键问题是，该模型是什么好的HOI表示。通常通过空间（签名）距离场来描述对象形状，但人的手通常是通过由发音变量控制的参数网格建模的。我们提出了一个均匀的HOI表示，而不是在生成模型中对这些不同的代表进行建模，并表明这允许学习一个共同生成手和对象的3D扩散模型。除了能够合成各种合理的手和物体形状的综合外，我们的扩散模型还可以在跨任务的辅助推理之前作为通用，而这种表示是所需的输出。例如，重建或预测相互作用的问题对于旨在向人类学习的机器人或试图帮助他们的虚拟助手来说是核心重要性。重建的视频重新投影错误）或约束（例如我们考虑了这些行沿着这些行的两个经过深入研究的任务：i）从日常交互剪辑中重建3D手对象形状，ii）鉴于任意对象网格，合成了合理的人类grasps。为了利用学到的生成模型作为推论的先验，我们注意到我们的扩散模型允许在任何手动对象配置给定的（近似）log-likelihood梯度计算（近似）log-likelihoodhoodhood。我们将其纳入优化框架中，该框架结合了先前的基于可能性的指南与特定于任务的目标（例如已知对象网格的合成）推理。虽然理解手动相互作用是一个非常流行的研究领域，但现实世界中的数据集限制了3D中这种相互作用的限制仍然很少。因此，我们汇总了7种不同的现实世界交互数据集，从而导致157个对象类别的相互作用长期收集，并在这些范围内训练共享模型。据我们所知，我们的工作代表了第一个可以共同生成手和对象的生成模型，并且我们表明它允许综合跨类别的各种手动相互作用。此外，我们还经验评估了基于视频的重建和人类掌握合成的任务的先前指导的推断，并发现我们所学的先验可以帮助完成这两个任务，甚至可以改善特定于特定于任务的状态方法。