XiaoMi-AI文件搜索系统
World File Search System手指
阅读策略
孩子们在阅读时需要指向单词，以确保他们不会添加任何多余的单词或遗漏任何单词。我们称之为 1:1 对应。当孩子掌握了这一点后，他们需要拿出手指并用眼睛阅读（通常大约在红色带子处，但如果有必要，孩子可以使用手指更长时间）。这是因为不指向的阅读应该节奏更快、更流畅，不像机器人！一旦停止指向，一个很好的提示是“像说话一样阅读”。成人模仿一个好的读者的声音也很有用。一旦孩子停止指向单词，他们可以将手放在页面底部，如果他们不确定某个单词，只需将手指放进去。将手放在页面底部也对孩子独立翻页非常有用。一旦孩子加快阅读速度，短语就会出现。这可以为他们做榜样，因为孩子们并不总是确定哪些单词可以放在一起，以及他们需要在哪里喘口气
调查糖尿病提交26
我还去了糖尿病教育者，以更好地了解我可以做些什么来改善我的日常血糖水平和整体HBA1C。她不是很有帮助，我走开了，感觉自己浪费了好钱，几乎没有结果。快速前进了更多时间，尽管我的药物治疗，我仍在努力管理血糖水平。我决定自学，我发现了很多与食物有关的信息，这些信息没有告诉我。为了了解食物如何影响我，我开始手指更频繁地刺。醒来，在用餐前，饭后2小时和睡前。每天8个手指刺，有时候如果我感到有些不适，有时会更多。这太过分了，有时不便，我的手指开始受伤。我决定尝试CGM。我很沮丧地得知我没有资格获得补贴，因为我不是1型糖尿病患者。i然后决定以全价购买一个尝试。我穿了两个星期。在第一周，我正常吃，第二周，我根据自己收集的新信息吃饭。
只是一个 - 国防部
这种重新思考最终催生出了一种创新设备，该设备具有双频率超声换能器双阵列——一种微型超声仪器，当手指插入时，一只手完全自由，另一只手的手指和拇指也完全自由。高频线性阵列（位于指尖下方）可以检测气胸（占常规战争伤害的 15%）、肌肉骨骼问题和外周血管；低频相控阵（位于指尖）可进行深层身体扫描，以检测内出血、异物并评估深层器官。
使用OpenCV
摘要 - 如今，计算不限于台式机和笔记本电脑，它已经找到了移动设备，例如棕榈台面，甚至手机。但是，在过去的50年左右的情况下，信息小工具没有变化，Qwerty控制台消失了。虚拟键盘使用传感器技术允许用户像键盘一样在任何地方操作。本文使用图像处理概念开发了计算机键盘查看应用程序。虚拟键盘必须可访问且功能正常。将使用相机恢复键盘图像。文本将由摄像机捕获，因为我们在屏幕上使用手势在工作空间控制台上的手势。相机在打字时将捕获手指的运动。因此，这提供了一个视觉键盘。本文还引入了基于视觉的鼠标，该鼠标将手动将链接作为输入。鼠标将用我们的手指看我们的鼠标。在构建将充当虚拟键盘的系统时，将在键盘的相机图像的帮助下下载。键入。相机将在输入时捕获手指的运动
使用计算机视觉创建空气画布（...
II。 文献调查1。 具有Kinect传感器的强大手识别：在拟议的系统中，使用Kinect传感器的深度和颜色信息来检测手的形状。 用于手势识别，使用Kinect传感器是一个困难的问题。 这种Kinect传感器的分辨率仅为640×480。 它可以很好地跟踪大物体，例如人体。 ，但是像手指一样小的东西很复杂。 [5] 2。 LED拟合的手指运动：它提出了一种将LED安装在用户手指上的方法，并使用网络摄像头跟踪手指。 将绘制的字符与数据库中存在的字符进行比较。 它返回与绘制模式匹配的所有字母。 它需要一个尖的红色LED灯源，该灯光源连接到手指上。 另外，假设网络摄像头的焦点中没有LED灯以外没有其他红色对象。 [3] 3。 增强的桌面接口：在增强的分段桌面接口方法中，提出了用于交互的方法。 此系统使用投影仪和带电的设备（CCD）摄像头供您使用指尖；用户可以使用桌面应用程序。 在此系统中，每个部分执行每个独特的任务。 左手用于选择径向菜单，而右手则用于选择进行操作的对象。 他通过使用红外相机来实现这一目标。 确定指尖在计算上是昂贵的，因此该系统定义了指尖的搜索窗口。 [4] 4。 5。 [1] 6。II。文献调查1。具有Kinect传感器的强大手识别：在拟议的系统中，使用Kinect传感器的深度和颜色信息来检测手的形状。用于手势识别，使用Kinect传感器是一个困难的问题。这种Kinect传感器的分辨率仅为640×480。它可以很好地跟踪大物体，例如人体。，但是像手指一样小的东西很复杂。[5] 2。LED拟合的手指运动：它提出了一种将LED安装在用户手指上的方法，并使用网络摄像头跟踪手指。将绘制的字符与数据库中存在的字符进行比较。它返回与绘制模式匹配的所有字母。它需要一个尖的红色LED灯源，该灯光源连接到手指上。另外，假设网络摄像头的焦点中没有LED灯以外没有其他红色对象。[3] 3。增强的桌面接口：在增强的分段桌面接口方法中，提出了用于交互的方法。此系统使用投影仪和带电的设备（CCD）摄像头供您使用指尖；用户可以使用桌面应用程序。在此系统中，每个部分执行每个独特的任务。左手用于选择径向菜单，而右手则用于选择进行操作的对象。他通过使用红外相机来实现这一目标。确定指尖在计算上是昂贵的，因此该系统定义了指尖的搜索窗口。[4] 4。5。[1] 6。带有空气鼠标的系统：带有一些传感器的设备，可以用手指磨损为空气鼠标。空气鼠标确实可以用作鼠标，以便为系统提供各种输入，而在屏幕前的空气中，空气鼠标的工作只有差异。它包含有助于为系统提供所需输入的传感器。某些手动作，例如抓取，保持手垂直的动作用于执行与真实鼠标相同的选择，拖动或滚动等动作。计算机视觉和图像理解：在本文中，Yang等人讨论了将图像序列与模型匹配的问题的替代解决方案，并且此问题通常发生在手势识别中。他们提出的方法不依赖肤色模型，并且也可以处理不良的分割。他们使用中间分组过程将两个分割过程与识别结合在一起。ACM Siggraph关于计算机动画的研讨会：在本文中，Wang等人讨论了室内和室外环境的基于颜色的运动捕获系统。在他们建议的方法中，他们使用了网络摄像头和彩色衬衫来跟踪对象。他们提出的方法结果表明，所提出的方法可用于虚拟现实应用程序。[2]
利用机器学习释放 fNIRS 的潜力
在本研究中，我们探索了使用功能性近红外光谱 (fNIRS) 信号与现代机器学习技术结合对特定解剖运动进行分类的潜力，以增加基于 fNIRS 的脑机接口 (BCI) 应用的控制命令数量。这项研究的重点是新颖的个体手指敲击，这是 fNIRS 和 fMRI 研究中众所周知的任务，但仅限于左/右手指或几根手指。24 名右撇子参与者执行了个体手指敲击任务。根据 10-10 国际系统，使用放置在运动皮层上的 16 个源和探测器记录数据。该事件的平均氧合 1 HbO 和脱氧 1 HbR 血红蛋白数据被用作特征，以评估不同机器学习 (ML) 模型在具有挑战性的多类分类环境中的性能。这些方法包括 LDA、QDA、MNLR、XGBoost 和 RF。一种新的基于 DL 的模型“Hemo-Net”已被提出，它由多个并行卷积层组成，并使用不同的滤波器来提取特征。本文旨在探索在多类分类任务中使用 fNRIS 与 ML/DL 方法的有效性。与 LDA、MNLR 和 QDA 相比，RF、XGBoost 和 Hemo-Net 等复杂模型具有相对更高的测试集准确率。Hemo-Net 表现出色，达到了 76% 的最高测试集准确率，然而，在这项工作中，我们的目标不是提高模型的准确率，而是探索 fNIRS 是否具有神经特征来帮助现代 ML/DL 方法进行多类分类，这可以用于脑机接口等应用。使用 fNIRS 数据很难对精细解剖运动（例如单个手指运动）进行多类分类。与基于集成的 RF 和 XGBoost 方法相比，MNLR 和 LDA 等传统 ML 模型的性能较差。基于 DL 的方法 Hemo-Net 优于本研究中评估的所有方法，并展示了基于 fNIRS 的 BCI 应用的光明前景。
使用基于表面肌电信号的用户独立分类方法控制电动轮椅
摘要 轮椅因其舒适性和机动性而成为运动障碍人士中最受欢迎的辅助技术 (AT) 之一。手指有问题的人可能会发现使用传统的操纵杆控制方法操作轮椅很困难。因此，在本研究中，开发了一种基于手势的控制方法来操作电动轮椅 (EPW)。本研究选择了基于舒适度的手部位置来确定停止动作。还进行了额外的探索以研究四种手势识别方法：线性回归 (LR)、正则化线性回归 (RLR)、决策树 (DT) 和多类支持向量机 (MC-SVM)。前两种方法 LR 和 RLR 的准确率分别为 94.85% 和 95.88%，但每个新用户都必须接受培训。为了克服这个限制，本研究探索了两种独立于用户的分类方法：MC-SVM 和 DT。这些方法有效地解决了手指依赖性问题，并在识别不同用户的手势方面取得了显著的成功。MC-SVM 的准确率和准确度约为 99.05%，DT 的准确率和准确度约为 97.77%。所有六名参与者都成功控制了 EPW，没有发生任何碰撞。根据实验结果，所提出的方法具有很高的准确性，并且可以解决手指依赖性问题。
AI虚拟鼠标和键盘。
建议的模型最终放弃了电子设备。鼠标和键盘的功能将由人手完成。该系统需要输入物联网设备、网络摄像头。该模型建议检测人手并跟踪其手势。手势包括指向手指、触摸指尖，从而实现鼠标和键盘的各种功能。进一步检测手势，功能将完成，例如打开记事本应用程序、在记事本应用程序上打字。相机的输出将显示在系统的屏幕上，以便用户可以进一步校准它。NumPy 和鼠标是用于创建此系统的 Python 要求 - 在项目第一阶段，实施和探索是在虚拟鼠标上进行的，在项目第二阶段，是在虚拟键盘上进行的。还包括一些小型项目，例如跟踪手掌并显示帧速率的手部跟踪、计数手指并使用手部跟踪模块作为基础的手指计数。后来，还实现了通过提取某些手部特征来控制音量的手势音量控制。这些项目旨在提高生产力。我们使用 Open-CV、Media-Pipe 和 Python 等技术。Media-Pipe 由 Google 开发。它非常高效，有助于为 AI 项目提供快速解决方案。