XiaoMi-AI文件搜索系统
World File Search System伦克
虚拟现实和弗伦克尔的练习的比较效果...
方法：在Sialkot伊斯兰中央医院门诊病患者门口进行了一项随机临床试验，样本样本是通过非概率便利性抽样选择的36名中风患者。参与者被随机分为两组：A组（虚拟现实）和B组（Frenkel的练习），每个组成18个参与者。平衡，步态和生活质量分别通过Berg Balance量表（BBS），定时和GO（TUG）测试以及中风特定的生活质量（SS-QOL）评估评估。每周三次进行每次干预措施在六周内每节30分钟。数据正态性，并将参数测试（包括配对和独立样品t检验）用于统计分析。<0.05的p值被认为是显着的。
正方形的步进练习与弗伦克尔的
根据这项研究，患有慢性TBI的人可以通过将Frenkel的练习和方形步进练习与传统待遇相结合来改善其平衡和协调。fe更好地改善了本体感受和精细的运动控制，而SSE最好在动态平衡和认知运动的整合中。我们的发现支持了将特定于任务的培训整合到神经康复计划中，以满足慢性TBI患者的个人要求。在该组中，这些疗法有可能通过治疗特定运动障碍并鼓励神经可塑性来增强功能独立性和生活质量。
最初发表于：托马斯的Bohnstingl；苏里纳（Surina），安贾（Anja）； Fabre，Maxime； Demirag，Yigit；夏洛特的弗伦克尔； Payvand，Melika； Indiveri，Giacomo；裤子
摘要 - 急流尖峰神经网络（SNN）的灵感来自生物神经系统的工作原理，这些原理提供了独特的时间动态和基于事件的处理。最近，通过时间（BPTT）算法的错误反向传播已成功地训练了局部的SNN，其性能与复杂任务上的人工神经网络（ANN）相当。但是，BPTT对SNN的在线学习方案有严重的局限性，在该场景中，需要网络同时处理和从传入数据中学习。特别是，当BPTT分开推理和更新阶段时，它将需要存储所有神经元状态以及时计算重量更新。要解决这些基本问题，需要替代信贷分配计划。在这种情况下，SNN的神经形态硬件（NMHW）实现可以极大地利用内存计算（IMC）概念，这些概念（IMC）概念遵循记忆和处理的脑启发性搭配，进一步增强了他们的能量效率。在这项工作中，我们利用了与IMC兼容的生物学启发的本地和在线培训算法，该算法近似于BPTT，E-Prop，并提出了一种支持使用NMHW的经常性SNN推理和培训的方法。为此，我们将SNN权重嵌入了使用相位变更内存（PCM）设备的内存计算NMHW上，并将其集成到硬件中的训练设置中。索引术语 - 在线培训，尖峰神经网络，神经形态硬件，内存计算，相位变化内存我们使用基于PCM的仿真框架和由256x256 PCM Crossbar阵列的14NM CMOS技术制造的内存内计算核心组成的NMHW开发了模拟设备的精确度和瑕疵的方法。我们证明，即使对4位精确度也是强大的，并实现了32位实现的竞争性能，同时为SNN提供了在线培训功能，并利用了NMHW的加速收益。
计算机和智能（1950）——爱德华·弗伦克尔
讨论和详述；直到 1999 年才发表，这一重要的补充材料为理解图灵测试提供了新的启示。2 模仿游戏涉及三名参与者：一台计算机、一名人类询问者和一名人类“陪衬”。3 询问者试图通过向另外两名参与者提问来确定他们中的哪一位是计算机。所有通信都是通过键盘和屏幕或等效装置进行的（图灵建议使用电传打字机链路）。询问者可以随心所欲地提出深入而广泛的问题，而计算机可以尽一切可能迫使对方做出错误识别。（因此，计算机可能会在回答“你是计算机吗？”时回答“否”，并可能在要求将一个大数乘以另一个大数后停顿很长时间并给出一个可能不正确的答案。）陪衬必须帮助询问者做出正确识别。成功玩模仿游戏的能力是图灵提出的“思考”标准（第 442、443 页）。他给出了两个例子，说明询问者和成功玩模仿游戏的机器之间可能发生的交流。以下内容来自第 452 页。