XiaoMi-AI文件搜索系统
World File Search Systemmovement
数据缺乏时代的社会运动社会
抽象数据在当代行动主义中增加了货币，并已成为当今社会运动的行动曲目中不可或缺的一部分。，但是数据和数据基础架构不仅是支持运动斗争的工具：它们是动作运行的环境的构成部分，也是束缚物体本身的对象。这些发展挑战了社会运动和集体行动的学者。在数据缺陷的压力下，Chan Ging的运动如何？哪些“新的”机制，参与者和策略符合日益增长的公民参与的需求？社会运动学者船是否“适合”捕获和解释这一进化？这篇理论文章使社会运动研究与批判性数据研究进行了对话，目的是鼓励急需的交叉授粉。它提出了“数据式运动”的概念，以解决数据缺乏时代有争议政治的新结构条件，并探讨数据和数据基础设施对运动动力学的社会技术，全身影响。它反映了社会运动研究的概念工具箱中的五个关键社会运动动态以及相关元素如何通过数据缺乏和社会智能系统的发展而改变。这样做，本文列出了社会运动中未来的未来研究计划的基础。
通常健康的肠运动频率异常的个体显示出与肾功能降低相关的微生物衍生的血液代谢物的富集
。cc-by 4.0国际许可（未经Peer Review尚未获得认证）是作者/资助者，他已授予Biorxiv的许可证，以永久显示预印本。它是制作
Healthtm的未来：雇主如何激发运动...
卫生TM的未来：雇主如何激发运动，以帮助我们寿命更长，更健康的生活版权所有©2024 Deloitte Development LLC。保留所有权利。10卫生TM的未来：雇主如何激发运动，以帮助我们寿命更长，更健康的生活版权所有©2024 Deloitte Development LLC。保留所有权利。10
功能运动过程中重力对手动时空运动特征的影响
身体健全的人能够在他们的一生中进行各种复杂而充满挑战的运动活动。艺术，运动或与劳动有关的，所有动作都不可避免地受到一个恒定环境参数的影响：重力。的确，从他们的第一天开始，人类经历了控制自己的身体的必要性，同时沉浸在重力领域并与不同惯性特性的物体互动。由于适应过程，成年人随后能够在日常生活中进行基本活动，以保持个人福祉和独立性。在生理上，在整个人类发展中，大脑的特征是一种称为神经塑性的过程，其中神经连接适应环境变化。这允许学习现象，涉及获得新的运动计划和执行能力1。大脑会产生身体的认知表示及其与外部环境的相互作用。这种称为内部模型的框架允许预测身体对动作，运动和感觉输入23的反应23。尤其是内部运动学模型转换了任务空间的信息（即与关节空间的上线手轨迹，同时，内部动力学模型计算执行给定活性2，4所需的关节扭矩。 尽管如此，电动机计划过程对运动5，6的执行产生了运动和动态约束。手轨迹，同时，内部动力学模型计算执行给定活性2，4所需的关节扭矩。尽管如此，电动机计划过程对运动5，6的执行产生了运动和动态约束。中枢神经系统（CNS）考虑了在特定任务执行7之前的重力效应，这要归功于几个负责“助攻” 3、8、9的体感通道的激活。这对于垂直任务尤其明显，在垂直任务中，路径执行在向上和向下移动之间有所不同。10
婴儿发声与身体动作相一致
图 2 发声过程中运动的时间特性变化。（a）每个年龄组在发声前 3 秒开始并在发声后 3 秒结束的身体运动中位旋转速度的 z 分数。垂直实心黑线表示发声的开始，而垂直阴影区域表示该年龄组的发声持续时间中值。（b）每个年龄组在发声前 3 秒开始并在发声后 3 秒结束的身体运动中位旋转速度。垂直实心黑线表示发声的开始，而垂直阴影区域表示该年龄组的发声持续时间中值。水平阴影区域表示自举 95% 置信区间，黑线表示中值。红色中值区域表示旋转速度超出自举显着性检验界限的时间点。（c）发声前、发声中和发声后的中位身体速度。发声前后时间段的中位数与发声持续时间相同。误差线表示自举的 95% 置信区间。星号表示 p < 0.0001 的显著性。
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
基于EEG的手指运动分类，具有内在的时间尺度分解
简介：大脑计算机界面（BCIS）是获取大脑电活动并提供外部设备的系统。由于脑电图（EEG）是捕获大脑电活动的最简单的非侵入性方法，因此基于EEG的BCIS是非常流行的设计。除了分类肢体运动外，最近的BCI研究还集中于通过使用机器学习技术通过其分类的同一手的精确编码。最先进的研究对忽略大脑的闲置病例（即大脑没有执行任何心理任务的状态）对编码五个夹角运动感兴趣。这可能很容易引起更多的假阳性，并急剧降低分类性能，从而表现出BCIS的性能。这项研究旨在提出一个更现实的系统，以解码五个手术的运动和脑电图信号的无精神任务（NOMT）案例。
在人类脑机接口控制过程中，运动的意志控制与运动皮层的本体感受反馈相互作用
1 华盛顿大学生理学和生物物理学系，美国华盛顿州西雅图，2 华盛顿大学计算神经科学中心，美国华盛顿州西雅图，3 艾伦神经动力学研究所，美国华盛顿州西雅图，4 匹兹堡大学康复神经工程实验室，美国宾夕法尼亚州匹兹堡，5 匹兹堡大学物理医学与康复系，美国宾夕法尼亚州匹兹堡，6 认知神经基础中心，美国宾夕法尼亚州匹兹堡，7 匹兹堡大学生物工程系，美国宾夕法尼亚州匹兹堡，8 卡内基梅隆大学生物医学工程系，美国宾夕法尼亚州匹兹堡，9 芝加哥大学生物生物学和解剖学系，美国伊利诺伊州芝加哥，10 卡内基梅隆大学机械工程系，美国宾夕法尼亚州匹兹堡， 11 美国宾夕法尼亚州匹兹堡卡内基梅隆大学神经科学研究所
µSim：一个通过肌肉骨骼建模阐明运动神经控制的目标驱动框架
运动皮层 (MC) 如何在动态环境中从复杂的肌肉骨骼系统产生有目的且可推广的运动？为了阐明潜在的神经动力学，我们使用目标驱动的方法来对 MC 进行建模，将其目标视为控制器，通过期望状态驱动肌肉骨骼系统以实现运动。具体来说，我们将 MC 制定为循环神经网络 (RNN) 控制器，该控制器产生肌肉命令，同时接收来自生物学上准确的肌肉骨骼模型的感觉反馈。鉴于在高级物理模拟引擎中实现的这种实时模拟反馈，我们使用深度强化学习来训练 RNN，以在指定的神经和肌肉骨骼约束下实现所需的运动。训练模型的活动可以准确解码实验记录的神经群体动态和单个单元 MC 活动，同时很好地推广到与训练明显不同的测试条件。同时进行目标和数据驱动的建模，其中我们使用记录的神经活动作为 MC 的观察状态，进一步增强了直接和可推广的单个单元解码。最后，我们表明该框架阐明了神经动力学如何实现灵活控制运动的计算原理，并使该框架易于用于未来的实验。