XiaoMi-AI文件搜索系统
World File Search System假手
使用仿生假手进行手势设计
摘要：脑机接口 (BCI) 系统通过检索脑电波并将其解释为机器指令来控制外部设备。该系统利用脑电图 (EEG) 接收、处理和分类信号，通过大脑产生的信号进行控制。本文重点介绍 BCI 的心理任务设计，通过放置在三维 (3D) 打印耳机上的 EEG 梳状电极获取心理活动产生的信号。实验涉及眨眼左眼和右眼来控制原型轮椅的前后移动。实验测量是使用 Cyton 板进行的，信息通过蓝牙传输，随后经过处理并翻译给轮椅以执行活动。该系统已成功实现利用大脑信号对辅助设备的实时控制。关键词：辅助设备；脑机接口；Cyton；心理活动；心理任务；轮椅。
高级康复工程 – SBMA5301
能够进行复杂运动和感觉的假手：手部截肢者希望现代假手能够像完整的手一样运作。目前最先进的假手只能控制两个动作“张开”和“闭合”。因此，NIBIB 研究人员正在开发新的假手系统，该系统可以根据截肢者前臂剩余肌肉的残留电信号测量结果执行复杂的手部动作。来自肌肉（在一个项目中）和神经（来自另一个项目）的信号有可能使假手对手指的控制更加精细。此外，其中一个团队正在努力捕捉触觉，因此将来用户也将能够“感觉”到他们用假手握着的东西。
触觉套管作为肌电假手用户机械触觉反馈恢复方法
目前的肌电上肢假肢无法恢复感觉反馈，从而损害了精细运动控制。使用触觉套进行机械触觉反馈恢复可能会纠正这个问题。这项随机交叉参与者内对照研究旨在评估原型触觉套对八名健全参与者执行的常规抓握任务的影响。每位参与者完成三项任务的 15 次重复：任务 1——正常抓握，任务 2——强抓握和任务 3——弱抓握，使用视觉、触觉或组合反馈所有数据均于 2021 年 4 月在英国爱丁堡苏格兰微电子中心收集。与任务 1（p < 0.0001）、任务 2（p = 0.0057）和任务 3（p = 0.0170）中的单独视觉相比，组合反馈与明显更高的抓握成功率相关。类似地，在任务 1 ( p < 0.0001) 和任务 2 ( p = 0.0015) 中，触觉反馈与视觉相比具有显著更高的抓取成功率。在任务 1 ( p < 0.0001) 和任务 3 ( p = 0.0003) 中，与视觉反馈相比，组合反馈与显著更低的能量消耗相关。同样，在任务 1 ( p < 0.0001)、任务 2 ( p < 0.0001) 和任务 3 ( p < 0.0001) 中，与视觉反馈相比，触觉反馈与显著更低的能量消耗相关。这些结果表明，触觉套管提供的机械触觉反馈可有效增强抓握能力并降低其能量消耗。
肌电假手的人工感知和半自主控制可提高性能并减少工作量
摘要 — 由于肌电人机界面的局限性，对具有多关节腕部/手部的上肢假肢进行灵巧控制仍然是一个挑战。多种因素限制了这些界面的整体性能和可用性，例如需要按顺序而不是同时控制自由度，以及从虚弱或疲劳的肌肉中解读用户意图的不准确性。在本文中，我们开发了一种新型人机界面，该界面赋予肌电假肢 (MYO) 人工感知、用户意图估计和智能控制 (MYO-PACE)，以在准备假肢进行抓取时持续为用户提供自动化支持。我们在实验室和临床测试中将 MYO-PACE 与最先进的肌电控制 (模式识别) 进行了比较。为此，八名健全人和两名截肢者进行了一项标准临床测试，该测试由一系列操纵任务（SHAP 测试的一部分）以及在杂乱场景中更复杂的转移任务序列组成。在所有测试中，受试者不仅使用 MYO-PACE 更快地完成了试验，而且还实现了
使用 Arduino 和
摘要 — 本文介绍了使用 Arduino 和 Mindflex 技术开发脑控假手的过程。本研究的目的是设计一个系统，使残疾人士能够通过他们的脑信号控制假手。脑电图 (EEG) 信号用于捕获和解释用户执行特定手部动作的意图。Neurosky 芯片与 Arduino 集成以获取实时 EEG 信号，而 Mindflex 技术采用 EEG 耳机，可作为捕获脑信号的非侵入式用户友好界面。通过分析这些信号，生成命令来控制假手的运动。原型实现包括集成伺服电机等机电元件以激活假肢。进行了广泛的测试和模拟，以评估系统性能和效率。分析并比较了来自 openbci 设备和 Mindflex 的验证数据，以评估大脑命令的准确性和可靠性。结果显示用户和伺服电机之间的交互成功，表明使用 EEG 信号控制手假肢的可行性。生成大脑命令所实现的准确性验证了所开发系统的有效性。这项研究有助于假肢技术的进步，为提高残疾人的生活质量提供了新的可能性。
采用非线性自回归外生模型的可穿戴 sEMG 传感器多自由度假手指关节控制器
摘要：手臂、手和指尖的活动功能和感觉信息的丧失妨碍了患者的日常生活活动 (ADL)。现代仿生假手可以弥补失去的功能并实现多自由度 (DoF) 运动。然而，由于传感器有限和缺乏稳定的分类算法，市售的假手通常具有有限的自由度。本研究旨在提出一种通过表面肌电图 (sEMG) 估计手指关节角度的控制器。用于训练的 sEMG 数据是使用商用 EMG 传感器 Myo 臂带收集的。提取时域中的两个特征并将其输入到具有外生输入的非线性自回归模型 (NARX) 中。使用 Levenberg-Marquardt 算法对 NARX 模型进行预选参数训练。与目标相比，模型输出的回归相关系数 (R) 在所有测试对象中均大于 0.982，信号范围为 [0, 255] 的任意单位时均方误差小于 10.02。研究还表明，所提出的模型可用于日常生活运动，具有良好的准确性和泛化能力。
通过使用增强现实眼镜进行跟踪，对个性化假手/外骨骼进行非接触式视觉控制
目前控制电动神经假体的方法是基于测量仍然存在的肌肉的肌电图 (EMG) 信号，或使用脑机或神经机接口概念来评估神经元模式，并从脑阵列、束内神经电极或组合脑电图/眼电图 (EEG/EOG) 设备中获取假体的命令 [1]。这些神经假体概念很有趣并且发展很快，尽管其中一些对用户来说是侵入性的或令人不适的，并且可能并不总是反映用户对智能但尽可能简单的假体的愿望，这些假体可以独立地连接、使用和控制[2]。一些令人鼓舞的非侵入性且低成本的方法已经开发出来，但它们中的大多数仍然需要扩展支持，例如当必须连接非侵入性 EEG/EOG 系统的电极时。在我们的新概念（图 1）中，患者唯一的界面是配备前置摄像头的光学透视眼镜 (OSTG) 的增强现实 (AR) 技术。手假肢可以是任何有源电动手假肢或机械臂。假手上附有标记，可以是（红外）发光二极管 (LED) 或胶点。如果
假肢手控制视角：从大脑到手
摘要：人类的手是一个复杂而多功能的器官，它使人类能够与环境互动、交流、创造和使用工具。大脑对手的控制是人类认知和行为的一个重要方面，但也是神经科学和工程学面临的一个挑战性问题。本研究的目的是从神经科学的角度回顾手和抓握控制的当前最新技术，重点关注手控制感觉整合背后的大脑机制以及开发可以模仿和与人脑交互的假手的工程意义。大脑通过使用不同的神经通路处理和整合来自视觉、本体感觉和触觉的感觉信息来控制手。可以使用不同的接口（例如肌电图、神经电图和脑电图）来获取用户控制假手的意图。这种和其他感官信息可以通过不同的学习机制来利用，这些机制可以帮助用户适应感官输入或输出的变化，例如强化学习、运动适应和内部模型。本研究总结了手部和抓握控制研究各个方面的主要发现和挑战，并强调了当前方法的差距和局限性。在最后一部分，通过强调需要一种能够弥合大脑和手部之间差距的神经科学方法，提出了手部和抓握控制研究的一些未解决的问题和未来方向。