XiaoMi-AI文件搜索系统
World File Search System位置变化
Neuropose：使用EMG可穿戴设备
无处不在的手指运动跟踪可以在增强现实，体育分析，康复 - 医疗保健，触觉等方面进行许多令人兴奋的应用程序。本文介绍了神经蛋白，该系统显示了使用柏拉图可穿戴肌电图（EMG）传感器进行3D手指运动跟踪的可行性。EMG传感器可以通过手指激活引起的肌肉感知电势，从而提供丰富的信息，以获得细粒的手指运动感测。然而，将传感器信息转换为3D手指的姿势是微不足道的，因为来自多个手指的信号以复杂的模式在传感器处叠加。为解决这个问题，神经蛋白与机器学习架构在复发性神经网络（RNN），编码器 - 编码器网络和重新NETS上的机器学习体系结构中融合了信息，从而从噪声EMG数据中解释了3D手指运动。生成的运动模式在时间上是光滑的，并且在解剖学上是一致的。此外，要利用一种转移学习算法将一个用户的验证模型调整到具有最小培训开销的新用户。对12位用户的系统研究表明中位错误为6。24◦和90％的误差为18。33◦在跟踪3D指关节角。准确性对于传感器安装位置的自然变化以及用户的腕部位置变化是可靠的。神经蛋白是在智能手机上实施的，其处理延迟为0.101，并且高能开销。
通过表面引起的环复合聚合物
大多数刺激性反应部分是通过酯和酰胺键直接将吊坠链束缚在聚合物链上，或者在较小程度上，或较小的程度。18 - 22在SP的领域，即装饰SP的取代基的类型，例如，绘制电子或电子捐赠，在基于SPS的聚合物的刺激敏感性方面具有潜在的显着意义。23 - 25然而，尚未研究位于SPS芳族部分（区域异构体）不同位置的酯组的影响。实际上 - 据我们最大的知识，只有两项研究探讨了苯甲基部分中可聚合基团的取代基位置变化，从而导致拉伸诱导的诱导的环环和异构化的不同水平的嵌入式SP单位的异构化。11,26然而，设计基于SPS的单体使SP部分和可聚合手柄的酯组通过亚甲基组（ - CH 2 - ）连接到Chromene部分。批判性地，未探索这些设计对所得的照片和pH响应性能的影响。有趣的是，经常探索硝基取代的SP（NO-2-SP），这很可能是由于产生的红色ED电子吸收以及提高电子吸引人的量子效率的增强。27,28
双原子碱分子的势能曲线-...
势能（超）表面描述分子系统电子态的能量及其随原子核位置变化而变化，形成分子几何的“能量景观”。它是分析分子构象、过渡态和化学反应动力学的重要工具（Thru lar 等人，1987 年）。在只有两个原子的双原子分子中，原子核的位置只能用一个坐标表示，因此势能表面简化为势能曲线 (PEC)。每条曲线对应一个电子态的群表示和角动量。数据集中核间距离的范围取决于所述系统。我们的数据集由几个选定的双原子分子系统组成，由碱金属原子对创建。这种二聚体在超冷（内部温度在 mK 范围内）分子系统、玻色-爱因斯坦凝聚和化学反应相干控制的应用中特别受关注。强极性超冷分子的可能应用包括利用极性分子之间的长距离电偶极-偶极相互作用来设计光学量子系统。极性分子的内部自由度可用作量子信息的媒介。在强激光场产生的光学晶格中创建、存储和控制此类分子可用于构建量子计算机（Pazyuk，2015 年）。
配备自动门的先进 ATM 安全系统......
1,2,3,4,5 Annamacharya 理工学院，拉贾姆佩特，安得拉邦，印度。摘要：自动柜员机可用于多种用途，最显著的是现金提取。ATM 客户将进行数十亿笔交易并使用广泛的服务。同时，由于安全性较差，ATM 的抢劫案数量也很大。因此，有必要提出可以解决此问题的新技术。我们研究的主要目标是减少 ATM 抢劫案的数量。这里使用 MEMS 传感器来检测每次发生抢劫时 ATM 位置的变化。ATM 的振动传感器检测振动并启动适当的操作。一旦检测到振动和/或位置变化，Arduino 处理器就会收到信息。随后，使用直流电机关闭 ATM 室门，并启动继电器将气体排放到 ATM 中，使窃贼失去知觉。将使用 ESP Cam 拍摄事件照片，并启动第二个继电器自动锁定 ATM 门。GSM 模块将消息与 OTP 一起发送给相关银行当局和附近的警察局。最后，蜂鸣器会发出警报。要解锁 ATM 门，请使用门上的键盘输入 OTP；OTP 将显示在 LCD 上。由于此系统，ATM 系统无需警卫即可得到保护，这也使抓捕小偷变得容易。关键词：自动柜员机、抢劫检测、GSM 通知、电磁锁、安全措施。
当视频遇到惯性传感器：使用惯性传感器进行手指运动分析的零样本域自适应
无处不在的手指运动追踪使增强现实、体育分析、康复医疗保健等领域的许多激动人心的应用成为可能。虽然使用摄像头的手指运动追踪非常成熟，这很大程度上归功于大量训练数据集的可用性，但是对于为带有惯性测量单元 (IMU) 传感器的可穿戴物联网设备开发强大的机器学习 (ML) 模型来说，训练数据却十分匮乏。为了解决这个问题，本文提出了 ZeroNet，这是一个展示以零训练开销为 IMU 传感器开发 ML 模型的可行性的系统。ZeroNet 从公开的视频中收集训练数据以对 IMU 进行推理。由于传感器-摄像头坐标系、用户身体大小、手势过程中的速度/方向变化、传感器位置变化等差异，视频和 IMU 域之间的数据差异带来了许多挑战。ZeroNet 通过系统地从视频中提取运动数据并将其转换为 IMU 传感器测量的加速度和方向信息来解决这些挑战。此外，还利用数据增强技术在收集的训练数据中创建合成变化，以增强 ML 模型对用户多样性的通用性和鲁棒性。对 10 位用户的评估表明，对于 50 个手指手势的识别，top-1 准确率为 82.4%，top-3 准确率为 94.8%，这表明前景光明。虽然我们只是触及了表面，但我们概述了许多有趣的可能性，可以将这项工作扩展到计算机视觉、机器学习和可穿戴物联网等跨学科领域，从而实现手指运动跟踪的新应用。
比较边缘到...
分布式系统之间涉及通信的数据传输和涉及的设备的数量增加使其具有挑战性，但要具有高效且可靠的网络中间件。在机器人技术和自主系统中，ROS 2的广泛应用带来了使用各种网络中间Wares与ROS 2中的DDS一起使用的可能性，以更好地在边缘设备之间或边缘设备和云之间进行更好的通信。但是，缺乏将这些网络中间件与ROS 2进行整合的全面沟通性能比较。在这项研究中，我们提供了用于使用多个主机系统中ROS 2中的DDS（包括MQTT和ZenoH）在内的使用网络中间Wares的通信性能的定量分析。为了进行完整可靠的比较，我们通过通过以太网，Wi-Fi和4G（包括以太网，Wi-Fi和4G）发送不同的数据和数据来计算这些中间Wares的潜伏期和吞吐量。将评估扩展到现实世界的应用程序方案，我们评估了这些网络中间Wares引起的漂移误差（位置变化），机器人以相同的方形路径移动。我们的结果表明，在以太网下，Cyclonedds的性能较好，而在Wi-Fi和4g下表现更好。在实际的机器人测试中，通过Zenoh随时间时间（96 s）的机器人移动轨迹漂移误差是最小的。值得注意的是，我们对这些网络中间Wares的CPU利用率以及通过在本文末尾在ROS 2中启用安全功能造成的性能影响进行了讨论。
当视频遇到惯性传感器：使用惯性传感器进行手指运动分析的零样本域自适应
无处不在的手指运动追踪使增强现实、体育分析、康复医疗保健等领域的许多激动人心的应用成为可能。虽然使用摄像头的手指运动追踪非常成熟，这很大程度上归功于大量训练数据集的可用性，但是对于为带有惯性测量单元 (IMU) 传感器的可穿戴物联网设备开发强大的机器学习 (ML) 模型来说，训练数据却十分匮乏。为了解决这个问题，本文提出了 ZeroNet，这是一个展示以零训练开销为 IMU 传感器开发 ML 模型的可行性的系统。ZeroNet 从公开的视频中收集训练数据以对 IMU 进行推理。由于传感器-摄像头坐标系、用户身体大小、手势过程中的速度/方向变化、传感器位置变化等差异，视频和 IMU 域之间的数据差异带来了许多挑战。ZeroNet 通过系统地从视频中提取运动数据并将其转换为 IMU 传感器测量的加速度和方向信息来解决这些挑战。此外，还利用数据增强技术在收集的训练数据中创建合成变化，以增强 ML 模型对用户多样性的通用性和鲁棒性。对 10 位用户的评估表明，对于 50 个手指手势的识别，top-1 准确率为 82.4%，top-3 准确率为 94.8%，这表明前景光明。虽然我们只是触及了表面，但我们概述了许多有趣的可能性，可以将这项工作扩展到计算机视觉、机器学习和可穿戴物联网等跨学科领域，从而实现手指运动跟踪的新应用。
ico 大脑 ms 5.1
多发性硬化症 (MS) 是一种慢性自身免疫性炎症性中枢神经系统神经疾病。目前，其诊断通常包括进行 MRI 扫描，因为它是 MS 最敏感的成像测试。MS 斑块通常从液体衰减反转恢复 (FLAIR) 图像中识别为形状、大小和位置变化很大的高强度区域，并根据 McDonald 标准进行常规分类。近年来，旨在开发各种半自动和自动方法以检测、分割和分类 MS 斑块的研究越来越多。在本文中，我们提出了一种基于两种管道的自动组合方法：传统的无监督机器学习技术和深度学习注意门 3D U-net 网络。深度学习网络经过专门训练，以解决传统方法的弱点，即在现实世界的临床 MRI 中难以分割幕下和皮质旁斑块。它在一个包含 159 个病例的多中心多扫描仪数据集上进行了训练和验证，每个病例都有 T1 加权 (T1w) 和 FLAIR 图像，以及 MS 斑块的手动描绘，由一组评分员进行分割和验证。检测率使用病变 Dice 评分进行量化。实施了一个简单的标签融合来组合两个管道的输出分割。与用作性能评估基线的无监督机器学习管道相比，这种组合方法分别将幕下和近皮质病变的检测率提高了 14% 和 31%。
基于主题无关变压器的神经语音解码，从表面和深度电极信号进行解码
摘要。目的：本研究探讨颅内电极捕获的神经信号的语音解码。大多数先前的研究只能使用 2D 网格上的电极（即脑皮层电图或 ECoG 阵列）和来自单个患者的数据。我们的目标是设计一个深度学习模型架构，可以同时适应表面（ECoG）和深度（立体定向 EEG 或 sEEG）电极。该架构应允许使用来自多个参与者的数据进行训练，这些参与者的电极位置变化很大，并且训练后的模型应该在训练期间未见过的参与者身上表现良好。方法：我们提出了一种名为 SwinTW 的新型基于变压器的模型架构，该架构可以与任意定位的电极一起工作，通过利用它们在皮层上的 3D 位置而不是它们在 2D 网格上的位置。我们使用来自单个参与者的数据训练特定于主题的模型，以及利用来自多个参与者的数据的多患者模型。主要结果：仅使用低密度 8x8 ECoG 数据的受试者特定模型在 N=43 名参与者中实现了高解码皮尔逊相关系数与地面实况频谱图 (PCC=0.817)，优于我们之前的卷积 ResNet 模型和 3D Swin Transformer 模型。在每个参与者 (N=39) 中加入额外的条带、深度和网格电极可带来进一步的改进 (PCC=0.838)。对于只有 sEEG 电极的参与者 (N=9)，受试者特定模型仍然具有可比的性能，平均 PCC=0.798。多受试者模型在看不见的参与者身上实现了高性能，在留一交叉验证中平均 PCC=0.765。意义：提出的 SwinTW 解码器使未来的语音神经假体能够利用任何对特定参与者来说临床上最佳或可行的电极位置，包括仅使用更常规的深度电极
针对具有感觉处理能力的儿童和青少年的学校策略
感觉处理：这是组织来自不同感觉系统的信息以便做出适当反应的能力。这是一种自动反应，有助于我们应对日常环境的所有需求。我们接收的有关世界的所有信息都来自味觉、嗅觉、视觉、听觉、触觉、运动、重力和身体位置。我们所有的感官都有受体，它们会接收信息，供大脑整合和理解。我们皮肤中的细胞会发送有关轻触、疼痛、温度和压力的信息。我们的内耳可以检测到头部运动和位置变化。我们肌肉、肌腱和关节中的受体让我们意识到自己的身体位置，内脏器官中的受体告诉我们我们的内部状态，例如我们是否饿了、渴了或需要上厕所。儿童和青少年对来自身体 8 种感觉系统的信息可能反应过度（过度反应）或反应不足（反应迟钝），这 8 种感觉系统包括：触觉、本体感觉、前庭、听觉、视觉、口腔、嗅觉、内感觉系统。儿童/青少年可能对一种或多种感觉反应不足，而对其他感觉反应过度。他们的体验会有所不同，如果他们焦虑或处于紧张状态，他们的敏感度可能会增加。感觉调节：这是大脑平衡传入感觉信息的能力，决定哪些感觉信息值得关注、响应和过滤。它帮助人们保持适当的警觉水平，以学习、控制行为和完成日常活动。大多数患有感觉处理障碍 (SPD) 的儿童，尤其是那些对来自触觉、听觉（声音）、视觉、嗅觉等感官的信息反应过度（过度反应）的儿童，可能难以适应学校生活，并可能经历感官超负荷或“关机”。有时，儿童/年轻人可能会做出负面反应，例如，如果儿童对来自触觉系统（触摸）的信息反应过度，他们可能会因自己的衣服、体验而感到烦躁