XiaoMi-AI文件搜索系统
World File Search System上下肢
平稳的追捕眼动动作有助于下肢长期反射调制
抽象的体感介导的反应在适应环境变化方面起着基本作用，尤其是通过长期响应（LLRS）。我们研究了用于跟踪移动物体的缓慢移动的平滑追捕眼运动（SPEM）如何在机械与移动物体的机械相互作用期间影响上肢和下肢的LLR。17名参与者在站立时以25 cm/s接近的虚拟物体发生碰撞，稳定了肢体。此任务发生在受试者在视觉上追踪对象或固定中心位置时发生。在两个时间点应用机械扰动：在预期碰撞之前约为200ms和60ms。在随机的试验子集中，机器人在预期的碰撞之前应用了200ms（早期）或60ms（晚）的机械扰动。与以前的研究一样，在腿部肌肉中观察到上肢位移。此外，腿部LLR是通过凝视调节的，在追捕过程中比固定更大，但仅在晚期扰动中。这种特定时序调制与先前关于反馈控制中的政策转变的报告在影响之前大约60ms。上肢LLR不受目光的影响，表明对姿势控制电路有优先排序。这项工作扩展了我们对感觉运动积分基础的神经机制的理解，并突出了人类运动控制系统的复杂性，以与全身姿势反应协调眼运动。
X连锁低磷酸盐ricket的儿童下肢和骨盆畸形的定量分析
虽然已经对骨质质量进行了几项研究[4-7]，但很少有人专注于XLH儿童的腿几何和骨盆的骨骼几何形状和骨盆。骨畸形目前是通过临床测量间距离距离（ICD）和肌间距离（IMD）和常规2D射线照相[2-5]评估的。这提供了有关畸形的一般信息，特别是在额叶平面（varus/valgu s）和矢状平面（Flessum/recurvatum）中。虽然ICD和IMD测量值对临床医生的前瞻性监测有用，但它们不是很可重复[3] [8]。还使用了两个分数来评估2D X光片上的RITCETS。用于与缺乏症相关的鼠的Thacher评分分析了腕部生长板的变化，并以1至10的尺度分析膝盖[9]。“放射线全球变化印象”从–3到+3的额定值，评估了腿部畸形和在相隔3个月相隔3个月间拍摄的两个X光片之间的RICKETS病变的进展[7]。，但这两个分数不是定量的，并且基于主观评估。此外，使用2D图像研究复杂的三维（3D）畸形会受到投影偏差的影响[10-11]。
下肢危及肢体指征患者的截肢与保肢决策
讨论风险—效益概况选择截肢还是保肢，首先要考虑的是不同适应症的风险—效益概况的差异。从伦理角度来看，这两种手术能否最大限度地为患者带来利益（效益）在很大程度上取决于患者群体。尽管如何最大限度地为患者带来利益的讨论通常是考虑如何进行手术的基础，但医生也必须遵守无恶意原则，即避免可预防的伤害。鉴于危及肢体的医疗状况会改变生活，可预防伤害的范围应该很广泛，可能包括休假时间、住院时间和财务成本等因素。对于所有患者，选择截肢还是保肢的决定都基于保留下肢活动能力的目标，并且必须考虑每个患者的功能能力，包括行走潜力和执行日常生活活动的能力。然而，实现这一目标必须权衡每种选择的风险。此外，我们比较了急性和慢性适应症的具体风险-收益状况，必须针对这些适应症做出截肢或保肢的决定。
脑损伤后步态康复下肢外骨骼的控制策略：系统评价与临床效果分析
每年都有 3000 多名新发病例 [2]，脑瘫是全球第三大致残原因 [3]。据估计，全球每 1,000 名新生儿中就有近 2-3 名脑瘫患者 [4,5]。创伤性脑损伤是全球另一大致残原因，每年有 6900 万人幸存 [6]。站立和行走困难是脑损伤的主要后果之一。例如，超过 63% 的中风幸存者患有半轻度至重度运动和认知障碍 [7]，30%-36% 的人无法在没有辅助辅助的情况下行走 [8,9]。这会导致独立活动能力的丧失，限制社区参与和社会融合，从而引起继发性健康状况[10]。不同程度脑损伤的人会表现出常见的运动障碍，如瘫痪、痉挛或肌肉协同异常，从而导致代偿性运动和步态不对称[11-15]。这种病理性步态会妨碍熟练、舒适、安全和代谢高效的行走[16]。脑损伤后的恢复过程需要几个月到数年，并且神经系统损伤可能是永久性的[17]。有强有力的证据表明，早期、强化、重复的任务和目标导向训练（逐步适应患者的损伤程度和康复阶段）可改善功能性步行结果 [11, 18 – 23]。然而，由于资源有限和配对的异质性，物理治疗师很难提供所需的训练强度和剂量，同时提取定量信息以最大限度地提高特定患者的功能性步行能力。机器人技术在脑损伤患者的步态康复中可以发挥重要作用。机器人可以执行各种各样的任务，例如，高强度的行走、坐下/起坐或在斜坡上行走。一些机器人控制器还可以促进患者在训练过程中的主动参与和投入，例如通过改变辅助力量的水平[24,25]。训练的高重复性和强度，以及患者的参与，被列为诱导神经可塑性和运动学习的关键因素[26-28]。重要的是，临床证据表明，机器人和传统康复训练相结合对独立行走的能力、行走速度和行走能力有积极影响，尽管目前还没有确凿的证据表明机器人康复优于传统疗法[29-33]。下肢外骨骼可促进任务导向的重复运动、肌肉强化和运动协调，这已被证明对能量效率、步速、和平衡控制[34,35]。与其他机器人相比，外骨骼
双模式智能鞋，用于偏瘫患者的定量评估“下肢”肌肉力量
摘要 - 中风会导致患者下肢和偏瘫的运动能力受损。准确评估下肢运动能力对于诊断和康复很重要。可以数字化此类评估，以便可以避免任何时间和主观性来追溯每个测试，我们测试如何将配备压力敏感鞋垫和惯性测量单元配备的双模式智能鞋用于此目的。设计了5m步行测试协议，包括左和右转弯。数据是从23名患者和17名健康受试者中收集的。对于下肢的运动能力，两名医生观察到了测试，并使用五个分级的医学研究委员会进行肌肉检查评估。同一患者的两个医生得分的平均值被用作地面真相。使用我们开发的功能集，在对患者和健康受试者进行分类时可以达到100％的精度。使用我们的功能集和回归方法实现了患者的肌肉强度，平均绝对误差为0.143，最大误差为0.395，比每个医生的得分更接近地面真实（平均绝对误差：0.217：最大误差：最大误差：0.5）。因此，我们验证了使用此类智能鞋的可能性，可以客观，准确地评估中风患者的下肢肌肉强度。索引术语 - 中途，机器学习，智能鞋，下肢的肌肉力量
全面训练的外骨骼使用者的下肢生物力学揭示了通过人类在循环的最佳
有助于脚踝植物的外骨骼可以改善运动的能源经济。表征这些减少能源成本背后的联合级别机制可以使人们更好地了解人们如何与这些设备互动，并改善设备设计和培训协议。我们检查了对经过延长协议训练的外骨骼使用者中对外骨骼辅助的生物力学反应。在未辅助关节处的运动学通常没有辅助不变，这在其他踝部外骨骼研究中已经观察到。峰值plotharflexion角的峰值随着植物的援助而增加，尽管生物关节扭矩和全身净代谢能量成本降低，但仍会增加总和生物机械能力。脚踝plantarflexor活性也随着辅助而减少。对无助的关节作用的肌肉也增加了大量援助的活动，并应长期使用以防止过度损害进行调查。
利用脑机接口康复系统进行上肢训练和下肢训练
脑机接口 (BCI) 利用用户的大脑活动来控制外部设备，而无需实际运动（Wolpaw 等人，2002 年；Belkacem 等人，2020 年）。这种大脑活动可以使用脑电图 (EEG)、皮层电图、立体脑电图、功能性近红外光谱 (fNIRS) 或功能性磁共振成像 (fMRI) 记录，其中 EEG 使用最多（Orban 等人，2022 年；Islam 和 Rastegarnia，2023 年）。最近，使用 EEG 的 BCI 已成为中风后 UE 运动康复的有前途的技术（Mane 等人，2022 年）。在这种情况下，BCI 在用户和外部设备之间建立了一个闭环系统。通过响应与运动相关的神经活动提供有意义的实时反馈来促进 BCI 和用户之间的这种交互。用户自己执行运动执行、运动尝试或运动想象 (MI)，其中 MI 是运动的心理排练。重要的是，所有三种策略都伴随着事件相关的去同步 (ERD) 和同步 (ERS)，这反映了振荡功率的降低和增加 (Pfurtscheller 和 Lopes da Silva，1999 年；Pfurtscheller 等人，2006 年；Miller 等人，2010 年)。可以使用不同的外部设备（例如，机器人、手臂矫形器、视觉反馈、功能性电刺激 (FES)）向用户提供反馈，其中提供本体感受反馈的设备可能比仅提供视觉反馈更有效 (Ono 等人，2014 年；Bai 等人，2020 年)。具体而言，触发 FES 的 BCI（BCI-FES）被认为是最有效的 (Bai 等人，2020 年)。荟萃分析表明，用于 UE 运动康复的 BCI 可以改善 UE 运动功能（Bai 等人，2020 年；Kruse 等人，2020 年）。然而，人们对下肢 (LE) 运动康复的了解较少。最近基于运动相关皮质电位（Mrachacz-Kersting 等人，2016 年）、BCI-FES（Chung 等人，2020 年；Sebastián-Romagosa 等人，2023 年）和功能性近红外光谱介导的神经反馈（Mihara 等人，2021 年）的 BCI 研究显示步态表现有所改善。Sebastián-Romagosa 等人（2023 年）显示在 25 个疗程中步行速度提高了 0.19 米/秒。然而，迄今为止尚未研究多种 BCI 治疗对中风患者功能状态的影响。
下肢关节置换术后预测持续使用阿片类药物的机器学习方法
摘要背景本研究的目的是为下肢关节置换术后持续使用阿片类药物使用的预测模型，并确定集合学习和超采样技术是否可以改善模型性能。我们比较了各种预测模型，以识别持续的术后阿片类药物使用，使用各种术前，术中和术后数据，包括手术程序，患者人口统计学/特征，过去的手术病史，阿片类药物使用历史，使用历史，经历了，合并症，生活方式，生活方式，生活方式，Anthesia详细信息和邮政课程。评估了六个分类模型：逻辑回归，随机森林分类器，简单喂养神经网络，平衡的随机森林分类器，平衡的装袋分类器和支持向量分类器。表现。重复分层的k-折叠交叉验证是为了计算接收器操作特性曲线（AUC）下的F1分数和面积。结果有1042例患者接受了膝关节或髋关节置换术，其中242例（23.2％）报告了持续使用的阿片类药物。没有SMOTE，逻辑回归模型的F1得分为0.47，AUC为0.79。所有合奏方法的性能都更好，平衡的包装分类器的F1得分为0.80，AUC为0.94。SMOTE基于F1分数的所有模型的性能提高了。具体来说，平衡袋分类器的性能提高到F1分数为0.84，AUC为0.96。在平衡装袋模型中最重要的特征是术后第1天使用阿片类药物，体重指数，年龄，术前阿片类药物，出院时处方的阿片类药物和住院时间。结论集合学习可以极大地改善持续使用阿片类药物的预测模型。对高危患者的准确和早期鉴定可以在临床决策和通过个性化干预措施的早期优化中发挥作用。
通过马哈拉诺比斯距离识别下肢外骨骼中的用户意图
摘要 — 现有的下肢机器人外骨骼控制策略对用户意图的侧重点有所不同，这些意图的分辨率各不相同，从高级目标（提高速度）到中级动作（增加步幅）再到低级关节行为（增加髋关节屈曲）。虽然外骨骼上的传感器只能通过人机界面间接感知人类，但它们在穿戴设备所需的时间方面比更直接的方法更具优势。在本研究中，要求外骨骼用户（包括身体健全和脊髓损伤）改变他们的预期步行速度。机载传感器测量结果用于离线测试基于马哈拉诺比斯距离的意图识别算法。该算法的目标是识别意图变化并正确分类其类型，但不是通过外骨骼实现该变化。该算法正确识别了用户希望以比设备标称速度更快或更慢的速度行走的情况。对于体格健全的受试者，已知意图变化与算法正确识别之间的平均延迟为 0.63 秒。对于体格不健全的受试者，这一延迟平均为 0.93 秒。这些概念验证结果表明，基于马哈拉诺比斯距离的意图识别是可能的，而对该方法的分析表明，还有进一步改进的空间。
研究论文通过基于脑电图的大脑网络解码涉及下肢的运动协调意象
相较于传统物理治疗的疗效，一种利用运动想象疗法治疗脑卒中偏瘫患者的新疗法可诱导大脑可塑性并可使患者部分恢复运动能力。本文提出了一种利用下肢运动协调想象（正常步态想象和中风后偏瘫步态想象）的更新范式，并通过基于脑电图的脑网络对此类想象进行解码。招募30名受试者在下肢运动协调想象期间采集脑电图。采用时域分析、功率谱分析、时频分析、脑网络分析和统计学分析探讨下肢运动协调想象的神经机制。提取10个基于脑电图的脑网络特征，并使用支持向量机进行解码。结果显示，两种运动协调想象主要激活感觉运动区域，频带功率主要集中在θ和α带，脑功能连接主要发生在右前额。基于脑电信号的脑网络的网络属性与邻接矩阵的空间特征的组合对两种步态表象具有良好的可分离性（p < 0.05），组合特征的平均分类准确率为 92.96% ± 7.54%。综合来看，我们的研究结果表明脑网络特征可用于识别中风后的正常步态表象和偏瘫步态表象。