XiaoMi-AI文件搜索系统
World File Search SystemHandwriting
使用框架级手写嵌入
摘要 - 在这项研究中，我们探讨了使用频谱图代表了用于评估神经退化性疾病的手写信号，包括42个健康对照（CTL），35名患有帕金森氏病的受试者（PD），21例患有阿尔茨海默氏病（AD）和15例患有帕克森病的疾病模仿（PDM）。我们使用基于多通道的固定尺寸和基于框架的频谱图应用了CNN和CNN-BLSTM模型进行二进制分类。我们的结果表明，手写任务和频谱渠道组合会显着影响分类性能。AD与CTL的F1得分最高（89.8％），而PD与CTL达到74.5％，PD与PDM的得分为77.97％。CNN始终优于CNN-BlstM。测试了不同的滑动窗口长度，以构建基于框架的频谱图。一个1秒的窗口最适合AD，更长的Windows改进的PD分类，并且窗口长度对PD与PDM的影响很小。索引项 - 手写，神经退行性疾病，固定尺寸频谱图，基于框架的频谱图，通道。
书写能力培养指导和补充材料
1. 书写是一种用于跨内容领域写作的技能。2. 缓慢而费力的书写需要更高水平的写作任务所需的脑力资源。3. 教学生字母的形成和建立流畅的书写能力可以减少认知负荷，让他们能够通过书写更加关注内容、细节和表达。4. 学习如何形成字母有助于了解字母本身（字母名称、字母发音），并在大脑中建立熟练阅读所需的网络（James，2017 年）。5. 书写是一项重要的基础技能，影响阅读、写作、语言使用和批判性思维（Saperstein，2012 年）。6. 接受过书写指导的学生往往会写出更长、更好的作文（Limpo 等人，2020 年）。
从笔迹中检测阿尔茨海默氏病的一种新型方法：三重整体学习模型
➢可以根据患者的写作技巧获得有关阿尔茨海默氏病的信息。/根据患者写作技巧的恶化，可以获得有关阿尔茨海默氏病的信息。➢在这项研究中，将梯度提升机，分类提升，自适应机学习分类算法与硬投票的分类器结合使用，并通过手写数据集对公开可用的阿尔茨海默氏症进行培训和测试。/在这项研究中，梯度提升机，分类增强和适应性提升机学习分类算法与硬投票分类器结合使用，并在公共诊断阿尔茨海默氏症中与手写数据集进行了培训。aïm：这项研究的目的是通过结合基于机器学习的分类器来快速和高度敏感性地检测阿尔茨海默氏病。/这项研究的目的是将基于机器学习的分类器结合在一起，并通过手写快速，高精度地检测阿尔茨海默氏病。
手写而非打字可以促进广泛的大脑连通性：一项对课堂有影响的高密度脑电图研究
随着传统手写逐渐被数字设备取代，研究其对人脑的影响至关重要。研究人员记录了 36 名大学生的脑电活动，当时他们正在使用数字笔手写视觉呈现的单词，并在键盘上打字。研究人员对使用 256 通道传感器阵列记录的 EEG 数据进行了连接分析。手写时，大脑连接模式比键盘打字时复杂得多，如顶叶和中脑区域的网络枢纽和节点之间广泛的 θ/α 连接一致性模式所示。现有文献表明，这些大脑区域和此类频率的连接模式对于记忆形成和编码新信息至关重要，因此对学习有益。我们的研究结果表明，通过使用笔时精确控制的手部运动获得的视觉和本体感受信息的时空模式对促进学习的大脑连接模式有很大贡献。我们敦促孩子们从小就必须在学校接触手写活动，以建立为大脑提供最佳学习条件的神经元连接模式。虽然在学校保持书写练习至关重要，但跟上不断发展的技术进步也很重要。因此，教师和学生都应该知道在什么情况下，哪种练习能产生最好的学习效果，例如在记课堂笔记时或写论文时。
使用计算机化的视觉反馈
摘要：最近的研究分析了使用计算机系统的发育协调障碍（DCD）儿童的写作指标。迄今为止，尚未研究使用计算机化的视觉反馈来改善手写。本研究旨在检查计算机视觉反馈对DCD儿童的时间，空间取向以及压力指数的影响。27岁的7至12岁儿童，由儿童运动评估电池评估，发育协调障碍问卷进行了每周一次的干预课程，为期8周，在此期间，他们两次将摘录复制到平板电脑上。一次，他们收到视觉反馈，其中写作颜色与写作表面的压力程度相对应，一旦他们收到视觉反馈。在整个课程中，这两个条件都平衡了。将干预前的课程与干预后会议以及时间，空间或压力度量的新文本进行了比较。发现的发现显着减少了总和写作，空中以及写作时间以及在视觉反馈条件下的容量增加。在空间变量中，发现字母高度方差的显着降低。在整个干预过程中，压力通过视觉反馈显着增加，而在两种条件下的写作任务中的测试后降低，并在新文本中保持了。培训有效性是可以转移的，干预可及性可以提高学生的自主权。视觉反馈干预可以增加在写作过程中调节压力所需的动力 - 热反馈，促进更多有效的前馈过程并提高产出质量和容量。
利用神经信号进行语音和手写检测的机器学习方法：综述
摘要：近年来，脑机接口 (BCI) 因其在医疗领域（运动和/或沟通障碍人士）、认知训练、游戏、增强现实/虚拟现实 (AR/VR) 等领域的潜在应用而越来越受欢迎。BCI 可以解码和识别语音和手写中的神经信号，有可能极大地帮助有严重运动障碍的人满足他们的沟通和互动需求。该领域的创新和前沿进步有可能为这些人开发一个高度可访问和交互的通信平台。这篇综述论文的目的是分析现有的从神经信号进行手写和语音识别的研究。这样对这个领域感兴趣的新研究人员就可以在这个研究领域获得全面的知识。目前基于神经信号的手写和语音识别研究主要分为两类：侵入性研究和非侵入性研究。我们研究了关于将基于语音活动的神经信号和基于手写活动的神经信号转换为文本数据的最新论文。本综述还讨论了从大脑中提取数据的方法。此外，本综述还简要总结了这些研究中使用的数据集、预处理技术和方法，这些研究发表于 2014 年至 2022 年之间。本综述旨在全面总结当前文献中基于神经信号的手写和语音识别方法。本质上，本文旨在为希望在工作中研究基于神经信号的机器学习方法的未来研究人员提供宝贵的资源。
使用人工智能神经网络和图像处理的手写识别
由于数字技术在各个领域的使用增加以及几乎全天的日常活动以存储和传递信息，手写角色识别已成为研究的流行主题。手写仍然相关，但是人们仍然希望将笔迹副本转换为可以通过电子方式传达和存储的电子副本。手写字符识别是指计算机从手写来源（例如触摸屏，照片，纸质文档和其他来源）检测和解释可理解的手写输入的能力。手写字符仍然很复杂，因为不同的个人具有不同的手写样式。本文旨在报告开发手写字符识别系统，该系统将用于阅读学生和讲座笔记。该发展基于人工神经网络，该网络是人工智能研究领域。不同的技术和方法用于开发手写字符识别系统。但是，很少有人专注于神经网络。与其他计算技术相比，使用神经网络识别手写字符更有效，更健壮。本文还概述了手写字符识别系统以及系统开发的测试和结果的方法，设计和架构。目的是证明神经网络对手写性格识别的有效性。
（IJACSA）国际先进计算机科学与应用杂志，2020 年第 11 卷第 7 期 使用人工智能神经网络和图像处理进行手写识别
摘要 —由于数字技术在所有领域和几乎所有日常活动中用于存储和传递信息的应用越来越多，手写字符识别已成为一个热门的研究课题。手写仍然很重要，但人们仍然希望将手写副本转换为可以进行电子通信和存储的电子副本。手写字符识别是指计算机检测和解释来自手写源（例如触摸屏、照片、纸质文档和其他来源）的可理解手写输入的能力。手写字符仍然很复杂，因为不同的人有不同的笔迹风格。本文旨在报告手写字符识别系统的开发，该系统将用于阅读学生和讲座的手写笔记。该开发基于人工神经网络，这是人工智能的一个研究领域。开发手写字符识别系统使用了不同的技术和方法。然而，很少有人关注神经网络。与其他计算技术相比，使用神经网络识别手写字符更高效、更稳健。本文还概述了手写字符识别系统的方法、设计和架构以及系统开发的测试和结果。目的是证明神经网络对手写字符识别的有效性。
草书手写对于课堂学习的重要性超过打字：一项针对 12 岁儿童和青少年的高密度脑电图研究
手写、打字还是绘画——哪种策略最能提高课堂学习效率？随着数字设备越来越多地取代传统的手写，研究这种做法的长期影响至关重要。研究人员对 12 名年轻人和 12 名 12 岁儿童进行了高密度脑电图 (HD EEG)，以研究他们在手写草书、打字或绘制难度各异的视觉呈现单词时的脑电活动。对使用 256 通道传感器阵列记录的 EEG 数据进行了时间频谱演变 (TSE，即随时间变化的幅度变化) 分析。对于年轻人，我们发现，当使用数字笔在触摸屏上手写时，顶叶和中部大脑区域在 θ 范围内显示出与事件相关的同步活动。现有文献表明，这些特定大脑区域的这种振荡神经元活动对于记忆和新信息的编码非常重要，因此为大脑提供了最佳的学习条件。在绘画时，我们发现顶叶区域存在类似的激活模式，此外，alpha/beta 范围内还存在与事件相关的去同步化，这表明绘画和手写时的激活模式既相似又略有不同。在键盘上打字时，我们发现顶叶和中脑区域的 theta 范围内存在与事件相关的去同步化活动，alpha 范围内存在与事件相关的去同步化活动，但程度较轻。然而，由于这种活动是不同步的，并且与手写和绘画时的活动不同，因此其与学习的关系仍不清楚。对于 12 岁的儿童，也发现了相同的激活模式，但程度较轻。我们认为，儿童从小就必须在学校接触手写和绘画活动，以建立有利于学习的神经元振荡模式。我们得出的结论是：由于感觉运动整合的益处，即由于手写和绘画时感官的广泛参与以及精细和精确控制的手部动作，在学习环境中保持这两种活动对于促进和优化学习至关重要。
