XiaoMi-AI文件搜索系统
World File Search SystemKinect
通过定量分析的定量分析和GO（TUG）
摘要 - 轻度认知障碍（MCI）是异常的认知能力下降，而不是预期的正常下降。MCI患者中对阿尔茨海默氏病（AD）的进展率估计在6年内为80％。但是，在老年人中识别正常认知的MCI仍然是早期AD检测的临床挑战。我们研究了一种基于患者的步态和平衡来检测MCI的新方法。我们的方法基于Kinect V.2摄像机的首次应用来记录并提供运动措施和机器学习，以区分有MCI和健康对照组（HC）的两组，对定时和GO测试（TUG）进行了全面分析（TUG）。，我们通过Kinect V.2摄像头从身体的25个关节收集了运动数据，作为30 HC和25名MCI受试者进行了TUG。收集的数据提供了步态和平衡度量的全面列表，其中包括61个功能，包括拖船持续时间，过渡阶段的持续时间和速度以及微观和宏步态特征。我们的分析证明了MCI和HC受试者之间的25个特征有显着差异，其中20个是独特的特征，如我们的相关分析所示。使用三个不同的支持矢量机（SVM），随机森林和人工神经网络的分类结果表明，我们方法检测具有最高性能的MCI受试者的能力是使用SVM的精度为94％，精度为100％，精度为93.33％的F-SCORE和0.94 AUC。这种工具非常适合在临床环境和疗养院中广泛应用，以检测认知障碍的早期迹象并促进健康的衰老。这些观察结果表明，我们的方法可能是一种低成本，易于使用的MCI筛选工具，可客观地检测出高风险开发AD的受试者。
第二代抗精神病药物 (SGA)、食欲、饮食和活动
> 了解孩子在屏幕前花了多少时间。试着逐渐减少这段时间。每天少一点！ > 询问孩子想如何利用屏幕时间 > 避免在孩子的卧室里放电视 > 将电脑放在家庭区域 > 晚上有一个公共区域可以插上手机 > 与孩子签订合同：在屏幕时间内安排活动休息时间 > 在遥控器上贴上贴纸，上面写着广告休息时间的活动创意——上下楼梯跑 5 次，做 10 个仰卧起坐等。 > 尝试 Wii Fit 或 Xbox Kinect 等活跃的视频游戏 > 在你的一天中安排无屏幕休息时间——从用餐时间开始，然后扩大
通过人类机器人来衡量儿童的心理健康...
健康的79个个性评估儿童Lipro音频视觉记录和诸如远程人格估计的特征平均年龄：使用机器人进行的深度记录，进行了5年的时间，Microsoft Kinect在机器人周围花费了5年的时间，成功使用9个月的凝视和微笑比率，与使用SVM Chance 5％的友谊估计（11-1-12年友谊）相比，与分类相比，与分类相比，将其与SVM Chance Fressiation（11-1-12年）相比摄像机和识别是环境中的估计麦克风，使用问卷15％的儿童，具有80％精度的调查表数据以及基于机器人的执行器和传感器，并估算了视频信息，并以相互作用的50％准确性一致性
物理康复中的运动模式识别
摘要：本文提出了一种解决方案，以支持现有和未来的运动康复应用。所提出的方法结合了基于人机交互的运动疗法的优势以及智能决策系统的认知特性。通过这种解决方案，治疗可以完全适应患者和病情的需求，同时保持患者的成功感，从而激励他们。在我们现代数字时代，人机交互界面的发展与用户需求的增长同步。现有技术存在局限性，这可能会降低现代输入设备（如 Kinect 传感器或任何其他类似传感器）的有效性。本文介绍了多种新开发和改进的方法，旨在克服这些局限性。这些方法可以使运动模式识别完全适应用户的技能。主要目标是将该方法应用于运动康复，其中主管、治疗师可以通过基于距离矢量的手势识别（DVGR）、基于参考距离的同步/异步运动识别（RDSMR/RDAMR）和实时自适应运动模式分类（RAMPC）方法来个性化康复练习。
单眼视频的动态头部重建
我们提出了来自单眼RGB视频的动态3D头部重建的单眼神经参数头模型（Mono NPHM）。到此为止，我们提出了一个潜在的空间空间，该空间在神经参数模型的顶部参数化纹理场。我们限制了预测的颜色阀与基础几何形状相关，以便RGB的梯度有效地影响反向渲染过程中的潜在几何代码。为了提高表达空间的代表能力，我们使用超二维增强了向后变形场，从而在拓扑具有挑战性的表达式中显示出颜色和几何表示。使用Mono NPHM作为先验，我们使用基于符号距离字段的体积渲染来处理3D头重建的任务。通过nu毫无反转，我们使用面部锚点构成了具有里程碑意义的损失，这些损失与我们的规范几何表示紧密相关。为了评估单眼RGB视频的动态面部重建任务，我们在休闲条件下记录了20个具有挑战性的Kinect序列。单nphm超过 -
传感器与人工智能人机智能交互方法与算法：系统映射研究
摘要：为了使计算机具备人类的沟通技能并实现计算机与人类之间的自然交互，需要基于人工智能 (AI) 方法、算法和传感器技术的智能解决方案。本研究旨在识别和分析现有人机智能交互 (HCII) 研究中最先进的 AI 方法和算法以及传感器技术，以探索 HCII 研究的趋势，对现有证据进行分类，并确定未来研究的潜在方向。我们对 HCII 研究主体进行了系统的映射研究。我们识别并分析了 2010 年至 2021 年期间在各种期刊和会议上发表的 454 项研究。HCII 和 IUI 领域的研究主要集中在使用传感器技术（例如摄像头、EEG、Kinect、可穿戴传感器、眼动仪、陀螺仪等）对情绪、手势和面部表情进行智能识别。研究人员最常应用深度学习和基于实例的 AI 方法和算法。支持向量机 (SVM) 是用于各种识别（主要是情绪、面部表情和手势）的最广泛使用的算法。卷积神经网络 (CNN) 是用于情绪识别、面部识别和手势识别解决方案的常用深度学习算法。
通过身体姿势控制无人机
摘要 无人机在军事应用和民航领域越来越受到爱好者和企业的欢迎。实现自然的人机交互 (HDI) 将使不熟练的无人机飞行员能够参与这些设备的飞行，并使无人机的使用更加容易。本文的研究重点是自然用户界面 (NUI) 的设计和开发，使用户能够通过肢体动作驾驶无人机。Microsoft Kinect 用于捕获用户的身体信息，并通过动作识别算法进行处理并转换为无人机的命令。图形用户界面 (GUI) 的实现为用户提供反馈。无人机机载摄像头的视觉反馈显示在屏幕上，并实现了由肢体动作控制的交互式菜单，允许选择照片和视频捕捉或起飞和降落等功能。这项研究产生了一个高效且实用的系统，比使用物理控制器驾驶更直观、更自然、更具沉浸感、更有趣，包括创新方面，例如为无人机驾驶和飞行速度控制实现附加功能。关键词：人机交互、自然用户界面、设计工程、界面设计、以用户为中心的设计联系人：Gio, Nicolas Clément 思克莱德大学 DMEM 法国 nicolas.gio@gadz.org
评估各种视觉系统以检测协作机器人应用中的人姿势
摘要：跟踪在协作机器人附近工作的人类操作员可以改善安全体系结构，人体工程学的设计以及在人与机器人协作场景中执行汇编任务。使用了三个商业空间计算套件及其软件开发套件，可提供各种实时功能来跟踪人类姿势。本文探讨了结合不同硬件系统和软件框架功能的可能性，这些功能可能会导致在协作机器人应用中检测人姿势的更好的性能和准确性。本研究在六个深度水平上评估了他们的性能，并比较了原始数据和降噪的过滤数据。此外，将激光测量设备用作地面真相指标，以及平均均方根误差作为误差度量。根据位置准确性和可重复性进行了分析并比较所获得的结果，表明传感器的性能在跟踪距离上的依赖性。使用基于卡尔曼的过滤器融合了人类骨架数据，然后考虑其在不同距离区域的性能，重建操作员的姿势。结果表明，在小于3 m的距离下，Microsoft Azure Kinect显示出更好的跟踪性能，其次是Intel Realsense D455和Stereolabs Zed2，而在范围高于3 m的范围内，ZED2的跟踪性能出色。
Sarahome的开发
早期发作（EOA）一词包括一组异质的神经系统疾病，具有遗传或获得的Aetiol-ogy，其特征是平衡，步态和协调障碍，在25年之前发病[1]。eaos是罕见的条件（估计的欧洲流行率26/10 0,0 0 0 0）[2]，此外，它们代表了导致残疾人残疾和高成本的严重严重的异质性疾病，这些疾病仍然缺乏有效的表现和特定的积分措施[3-5]。共同使用的共济失调疾病的临床评分是共济失调评估和评级的量表[6]。量表由与步态，姿势，坐姿，语音，协调相关的8个项目组成（手机练习测试，鼻子 - 手机测试，手快速交替运动和脚跟刺测试）。通常，临床量表基于外部检查员对特定任务的主观评估和毕业。因此，地板和天花板效应或评估者间的可变性限制了可靠性以及并发神经系统障碍的存在（例如运动障碍）[7]。此外，萨拉（Sara）是年龄依赖的，实际上它在11岁以下的患者中失去了准确性，并且缺乏准确性，尤其是在检测疾病严重程度的较小变化方面[1，8，9]。在过去的几年中，新型技术，包括计算机相互之间，视频游戏或“严肃游戏”以及可穿戴的传感器，在神经病学和神经疗法中的临床和实验应用中都出现了[10-14]。虽然这种技术的潜力无疑是很高的，但它们在医疗领域的实际应用将其潜在用户的接受下属。“医学事物的互联网”（IOMT）和信息通信技术（ICT）的出现，这些信息允许对此类设备的遥控器和与临床医生的实时通信进一步促进了传统的医疗保健系统[15，16]。这种技术的目标之一是确定新的可靠结果，这可以改善疾病课程的评估或对治疗干预措施的反应，超过基于临床仪器的限制[17]。近年来，已经有两种设备Microsoft Kinect和Leap运动控制器（LMC）据报道，这些设备最初是用于娱乐的，但后来用于康复[11，12，18，19]和临床评估[20，21]。的确，尽管在与工作有关的环境中进行了高度讨论和建模技术接受[22-26]，但这在很大程度上仍未在临床框架中。迄今为止，已经开发了一份特定的问题来评估老年人和残疾人的技术接受程度[27，28]。在这里，我们采用了新型的低成本技术来开发一种用于自动评估共济失调患者的工具，塑造了SARA的结构，以提高准确性，而不是常规管理的临床分数获得的精确度，并提高了无需训练有素的病人而提高可行性。然后，我们进行了一项试点研究，以测试临时问卷的可行性和可接受性，以评估其在临床实践中的未来翻译。尤其是在第一次，我们将Kinect，LMC和IOMT范式组合起来，以生成一种创新的系统（我们称为“ Sara-Home”），以在患者的标准化和客观的量化患者中，即使在非医疗环境中也是如此。
通过身体姿势控制无人机
摘要 无人机在军事应用和民航领域越来越受到爱好者和企业的青睐。实现自然的人机交互 (HDI) 将使不熟练的无人机飞行员能够参与这些设备的飞行，并且更普遍地简化无人机的使用。本文的研究重点是设计和开发自然用户界面 (NUI)，允许用户通过身体姿势驾驶无人机。使用 Microsoft Kinect 捕获用户的身体信息，这些信息通过运动识别算法进行处理并转换为无人机的命令。图形用户界面 (GUI) 的实现为用户提供反馈。无人机机载摄像头的视觉反馈显示在屏幕上，并且已实现由身体姿势控制的交互式菜单，允许选择照片和视频捕捉或起飞和降落等功能。这项研究产生了一个高效且实用的系统，比使用物理控制器驾驶更直观、更自然、更具沉浸感、更有趣，包括创新方面，例如为无人机驾驶和飞行速度控制实现附加功能。关键词：人机交互、自然用户界面、设计工程、界面设计、以用户为中心的设计 联系人：Gio, Nicolas Clément 斯特拉斯克莱德大学 DMEM 法国 nicolas.gio@gadz.org