XiaoMi-AI文件搜索系统
World File Search SystemVisuomotor
人工智能在慢性病健康管理中的应用：书目分析
方法：行为和神经生理学测试是在被诊断为FEP（n = 20），精神分裂症（SCZ，n = 20），自闭症谱系障碍（ASD，n = 20）和健康对照受试者（n = 20）的人中进行的。五个平板电脑任务评估了不同的电动机和认知功能：效应子选择和心理旋转的手指识别，用于时间控制的节奏敲击，用于控制运动序列的控制/记忆的序列启动，手指攻击的多手指攻击以及用于视觉运动器控制的线跟踪。通过基于片剂的措施对FEP（来自其他组）的歧视与通过临床神经系统软迹象（NSS）进行了比较。皮质兴奋性/抑制作用和小脑脑抑制。
代谢和功能连通性研究
在人类运动中，不同身体部位的协同运动可确保向前运动，同时在不断变化的环境条件下保持姿势平衡。尽管经常被认为是高度自动化的运动，但人的步行仍需要将多个大脑和脊柱过程的精细整合，并融合证据，表明脑皮质的主要作用。特别是，分布式皮质区域的动态相互作用对于整合额叶，感觉运动和视觉运动信息可能至关重要，1,2将适应脊柱中央模式发生器的刻板印象活动以满足环境需求3,4。可以通过同步神经元振荡来实现这种显着的运动控制，这是一种协调功能专业神经网络中信息流的平均值（供回顾4-6）。这些细微调整的动力学的改变会妨碍运动的控制并导致步态障碍。这些细微调整的动力学的改变会妨碍运动的控制并导致步态障碍。
机器人运动学习的Riemannian流量匹配政策
摘要 - 我们引入了Riemannian流匹配策略（RFMP），这是一种用于学习和合成机器人视觉策略的新型模型。RFMP利用流量匹配方法的有效训练和推理能力。通过设计，RFMP继承了流量匹配的优势：编码高维多模式分布的能力，通常在机器人任务中遇到，以及非常简单且快速的推理过程。我们证明了RFMP对状态和视觉条件的机器人运动策略的适用性。值得注意的是，正如机器人状态位于里曼尼亚歧管上一样，RFMP固有地包含了几何意识，这对于逼真的机器人任务至关重要。为了评估RFMP，我们进行了两个概念验证实验，将其性能与扩散策略进行了比较。尽管两种方法都成功 - 完全学习了所考虑的任务，但我们的结果表明，RFMP提供了更平稳的推理时间的动作轨迹。
将电机工作记忆链接到显式和隐式运动学习
虽然已经广泛研究了显式和隐式运动学习，但在最近运动（MWM）的近期运动记忆中，对这些过程的贡献尚不清楚。先前的研究表明，视觉空间的工作记忆可能有助于明确的运动学习，但对隐式学习没有参与或有害。在这里，我们询问这些发现是否以及如何扩展到非视觉MWM。基于最近指向独立效应和效应特异性的MWM代码的工作，我们假设：（1）明确的运动学习过程将与效应无关的MWM相关，（2）隐式运动学习过程将与效应特异性MWM相关。为了检验这些假设，人类参与者既完成MWM任务又完成了视觉运动适应任务。我们的结果表明，与效应子无关的MWM质量与显式运动学习程度之间存在显着相关性，从而扩展了有关视觉空间工作记忆的先前发现。此外，我们提供了支持我们的第二个假设的证据，该假设是效应特异性MWM与隐式运动学习相关的。
错误过程中运动准备的因果作用
目前的理论认为，错误驱动的学习过程会通过一次次的试验进行更新，以促进运动适应。这一过程如何与运动皮层准备活动相互作用（目前的模型表明运动皮层准备活动在运动启动中起着关键作用）仍不得而知。在这里，我们评估了运动准备在视觉运动适应过程中的作用。我们发现准备时间与当前试验的错误方差和后续试验的平均错误呈负相关。我们还发现了因果证据，表明运动准备期间的皮层内微刺激足以扰乱学习。令人惊讶的是，刺激并没有影响当前试验，而是扰乱了学习过程的更新计算，从而影响后续试验。这与贝叶斯估计框架一致，在该框架中，运动系统在面对不确定性时通过降低错误敏感性来降低其学习率。运动准备和错误驱动的学习系统之间的这种相互作用可能有助于对逐次试验适应背后的机制进行新的探索。
基于块设计的脑电图实验中眼部伪影消除方法的比较
摘要：人们已经对眼球运动及其作为眼部伪影 (OA) 对脑电图 (EEG) 记录的贡献进行了深入研究。然而，它们的存在通常被认为会妨碍分析。一种被广泛接受的绕行方法是避免伪影。OA 处理通常简化为拒绝受污染的数据。为了克服数据丢失和行为限制，研究小组提出了各种校正方法。最先进的方法是数据驱动的，通常要求 OA 与大脑活动不相关。这对于视觉运动任务并不一定成立。为了防止相关信号，我们研究了一种双块方法。在第一个块中，受试者根据视觉引导范式进行扫视和眨眼。然后，我们为这些数据拟合了 5 种伪影去除算法。为了测试它们在伪影衰减和大脑活动保存方面的平稳性，我们在一小时后记录了第二个块。我们发现，扫视和眨眼仍可减弱到偶然水平，而休息试验期间的大脑活动仍可保留。
vilabot：连接有助于人类在家的机器人的视觉和语言
摘要 - 尽管在视觉，语言和机器人技术领域取得了重大进步，但整合创建自主机器人助手的能力仍然是一个挑战。本文介绍了Vilabot（视觉和语言机器人），该系统旨在帮助人类在家中进行日常活动。Vilabot将语言模型与基本视觉运动技能库相结合，以了解人类需求，创建行动计划并执行它们。该系统仅依赖于车载视觉和本体感受感测，消除了对预构建的地图或精确对象位置的需求，并在各种环境中促进现实世界的部署。在11个现实的家庭环境中进行的实验验证，使用栖息地模拟器模拟人类试剂，表明Vilabot在使用地面真实图像分割时可以实现有希望的结果，但在涉及不完美视觉感知的场景中表现出劣质的性能。结果支持拟议管道的有效性，并突出了系统的关键组成部分，应改进该系统以提高其总体成功率和可靠性。索引条款 - 人类机器人交互，辅助任务，任务计划，导航和操纵。
层次行动理解，学习和模仿
我们推进了一种新型的认知处理的活跃推理模型，该模型是对层次作用库的获取及其用于观察，理解和模仿的使用。我们在四个模拟中说明了一个网球学习者的模型，该网球学习者观察一名教师进行网球射击，形成观察到的动作的层次结构表示并模仿它们。我们的模拟表明，代理的眼动活动实现了一种主动信息抽样策略，该策略允许推断观察到的运动的运动学方面，该运动位于动作层次结构的最低水平。反过来，这种低级运动学推理支持有关观察到的行动更深层方面的更高层次推论：近端目标和意图。最后，推断的动作表示可以引导模仿响应，但会干扰执行不同的动作。我们的模拟表明，层次的主动推论提供了一项统计的动作观察，理解，学习和模仿的说明，并有助于解释视觉运动认知的神经生物学基础，包括在背侧和腹部和腹流和镜像机制中采取多种操作理解的途径。©2023作者。由Elsevier B.V.这是CC根据许可证（http：// creativecommons .org /licenses /by /by /4 .0 /）的开放访问文章。
虚拟身体部位的即时分离——罗兰·菲斯特
摘要 多感官身体错觉的证据表明，身体表征可能是可塑的，例如，通过体现外部物体。然而，根据当前任务需求调整身体表征也意味着，如果不再需要外部物体，它们就会脱离身体表征。在当前的网络研究中，我们引入了二维 (2D) 虚拟手的具象化，可以通过计算机鼠标或触摸板的主动移动来控制。在初始具象化之后，我们通过比较两种情况来探索脱离身体的情况：参与者要么继续移动虚拟手，要么停止移动并保持手静止。基于将身体表征概念化为一组多感官绑定的理论解释，如果身体表征不再通过相关的视觉运动信号更新，我们预计虚拟手会逐渐脱离身体。与我们的预测相反，一旦参与者停止移动虚拟手，它就会立即脱离身体。这个结果在两个后续实验中得到了复制。观察到的瞬间脱离肉身可能表明人类对虚拟环境中动作和身体的快速变化很敏感，因此会特别迅速地调整相应的身体表现。
Wildlma：野生中的长范围内部操作
摘要 - “野外”移动操作旨在在不同的现实世界环境中部署机器人，这要求机器人具有（1）具有跨对象配置的技能； （2）能够在各种环境中进行长马任务执行； （3）在接地之外执行复杂的操作。用操纵器的四倍的机器人有望扩展工作空间并实现强大的运动，但是现有的结果并未调查这种能力。本文提出了Wildlma具有三个组成部分来解决以下问题的三个组合：（1）为支持VR的全身远程操作和遍历性，对学识渊博的低级控制器的适应； （2）Wildlma-Skill - 通过模仿学习或启发式方法获得的可推广的视觉运动技能的库以及（3）Wildlma-Planner，这是一种学习技能的界面，允许LLM Planners协调长途任务的技能。，我们通过仅使用数十种示范来实现与现有RL基准相比，实现高质量培训数据的重要性。Wildlma利用剪辑进行语言条件模仿学习，从经验上概括到在培训演示中看不见的对象。除了进行广泛的定量评估外，我们定性地展示了实用的机器人应用，例如清理大学走廊或室外地形的垃圾，操作清晰的物体以及在书架上重新安排物品。