XiaoMi-AI文件搜索系统
World File Search System手指
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。
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。
使用Motoneuron放电信息同时估算手指屈曲和延伸力
摘要 - 目的：可靠的神经机界界面提供了控制高敏捷的高级机器人手的可能性。这项研究的目的是开发一种解码方法，以同时估计单个手指的屈曲和延伸力。方法：首先，通过表面肌电图（EMG）分解确定了电动机（MUS）发射信息，并将MUS进一步分为不同的池中，以通过细化程序屈曲和扩展单个手指。MU发射速率，然后通过双变量线性回归模型（神经驱动方法）估算单个手指力。基于常规EMG振幅的方法被用作比较。结果：我们的结果表明，与常规方法相比，神经驱动方法的性能明显更好（估计误差和较高的相关性）。结论：我们的方法为灵巧的手指运动提供了可靠的神经解码方法。的意义：进一步探索我们的方法可能会提供强大的神经机界面，以直观地控制机器人手。
新型术中在线体感手指表征功能映射，用于有针对性的刺激电极放置
刺激电极放置 David P. McMullen，医学博士，1 Tessy M. Thomas，理学士，2 Matthew S. Fifer，博士，3 Daniel N. Candrea，理学硕士，2 Francesco V. Tenore，博士，3 Robert W. Nickl，博士，4 Eric A. Pohlmeyer 博士，3 Christopher Coogan，理学硕士，5 Luke E. Osborn，博士，3 Adam Schiavi，医学博士，博士，6 Teresa Wojtasiewicz，医学博士，7 Chad Gordon，DO，8 Adam B. Cohen，医学博士，3,5 Nick F. Ramsey，博士，9 Wouter Schellekens，博士，9 Sliman J. Bensmaia，博士，10 Gabriela L. Cantarero，博士，4 Pablo A. Celnik，医学博士，4 Brock A. Wester，博士，3 William S. Anderson，医学博士，博士，7 Nathan E. Crone， MD 5 1 美国马里兰州贝塞斯达市国立卫生研究院国家精神卫生研究所 2 美国马里兰州巴尔的摩市约翰霍普金斯大学生物医学工程系 3 美国马里兰州劳雷尔市约翰霍普金斯大学应用物理实验室研究与探索性开发部 4 美国马里兰州巴尔的摩市约翰霍普金斯大学物理医学与康复系 5 美国马里兰州巴尔的摩市约翰霍普金斯大学神经病学系 6 美国马里兰州巴尔的摩市约翰霍普金斯大学麻醉学与重症监护医学系 7 美国马里兰州巴尔的摩市约翰霍普金斯大学神经外科系 8 美国马里兰州巴尔的摩市约翰霍普金斯大学整形与重建外科系 9 荷兰乌得勒支市联合医学中心乌得勒支脑中心 10 美国伊利诺伊州芝加哥市芝加哥大学生物与解剖学系 60637 摘要 定义传统上，神经外科医生在术中对功能皮质进行定位以保留患者的功能，现在可以帮助植入目标电极以恢复功能。脑机接口 (BMI) 有可能恢复瘫痪患者的上肢运动控制，但需要准确放置记录和刺激电极才能对假肢进行功能控制。除了从记录阵列进行运动解码之外，在与手指和指尖感觉相关的皮质区域精确放置刺激电极还可以传递感觉反馈，从而改善对假手的灵巧控制。在我们的研究中，我们展示了使用一种新颖的术中在线功能映射 (OFM) 技术和高密度皮层脑电图 (ECoG) 来定位人类初级体感皮质中的手指表征。结合传统的术前和术中定位方法，该技术能够准确植入刺激微电极，这通过植入后对手指和指尖感觉的皮质内刺激得到了证实。这项研究证明了术中 OFM 的实用性，并将为人类闭环脑机接口的未来研究提供参考。关键词术中功能映射；在线功能映射；脑机接口；皮层内微刺激；微电极阵列 (MEA)；皮层电图 (ECoG)
使用运动单位放电信息在手指屈曲和延伸过程中的灵活力估计
摘要 - 随着高级机器人手的发展，可靠的神经机界面对于充分利用机器人的功能灵活性至关重要。在这项初步研究中，我们开发了一种新的方法，可以在灵巧的手指屈曲和伸展过程中连续和同时估计单个手指的等距力。具体而言，分别从手指伸肌和屈肌记录的表面高密度肌电图（EMG）信号中提取运动单元（MU）排放活性。MU信息被分为不同的组，与单个手指的屈曲或伸展相关，然后在多手指屈曲和扩展任务期间用于预测单个手指力。与常规EMG振幅方法相比，当使用线性回归模型时，我们的方法可以获得更好的力估计性能（预测力和测量力之间的较高相关性和较小的估计误差）。对我们方法的进一步探索可以潜在地提供强大的神经机界面，以直观地控制机器人手。
癌症靶向治疗新手指南
责任限制/免责声明 本作品的内容仅用于促进一般科学研究、理解和讨论，并非旨在且不应被视为推荐或推广医生针对任何特定患者的科学方法、诊断或治疗。鉴于正在进行的研究、设备改造、政府法规的变化以及与药品、设备和设备使用相关的持续信息流，我们敦促读者查看和评估每种药品、设备或设备的包装说明书或说明中提供的信息，以了解说明书或使用指示的任何变化以及增加的警告和注意事项等。尽管出版商和作者已尽最大努力编写本作品，但他们不对本作品内容的准确性或完整性作出任何陈述或保证，并明确否认所有保证，包括但不限于任何对适销性或特定用途适用性的默示保证。销售代表、书面销售材料或本作品的促销声明不得创建或延长任何保证。本作品中引用某个组织、网站或产品作为引文和/或潜在进一步信息来源，并不意味着出版商和作者认可该组织、网站或产品可能提供的信息或服务或可能提出的建议。出售本作品时，出版商不提供专业服务。本文包含的建议和策略可能不适合你的处境。你应在适当的情况下咨询专家。此外，读者应注意，本作品中列出的网站可能在撰写本作品和阅读本作品之间发生变化或消失。出版商和作者均不对任何利润损失或任何其他商业损失负责，包括但不限于特殊、偶然、后果或其他损失。