XiaoMi-AI文件搜索系统
World File Search System抓握
使用凝胶、水和干 EEG 系统分析和解码自然伸手抓握动作
伸手和抓握是每个人生活中必不可少的一部分，它使人能够与环境进行有意义的互动，是独立生活方式的关键。最近基于脑电图 (EEG) 的研究已经表明，可以在 EEG 中识别自然伸手和抓握动作的神经关联。然而，这些在实验室环境中获得的结果是否可以过渡到适用于家庭使用的移动 EEG 系统仍是一个问题。在当前的研究中，我们调查了是否可以使用移动 EEG 系统（即基于水的 EEG-Versatile TM 系统和干电极 EEG-Hero TM 耳机）成功识别和解码基于 EEG 的自然伸手和抓握动作的关联。此外，我们还分析了在实验室环境中获得的基于凝胶的记录（g.USBamp/g.Ladybird，黄金标准），这些记录遵循相同的实验参数。对于每个记录系统，15 名研究参与者执行了 80 次自发伸手抓取玻璃杯（手掌抓取）和勺子（侧抓取）的动作。我们的结果证实，使用这些移动系统可以成功识别基于 EEG 的伸手抓取动作的相关性。在结合运动条件和休息的单次试验多类解码方法中，我们可以证明低频时域 (LFTD) 相关性也是可解码的。根据未见测试数据计算的总平均峰值准确度，水基电极系统为 62.3%（9.2% STD），而干电极耳机达到 56.4%（8% STD）。对于凝胶基电极系统，可以达到 61.3%（8.6% STD）。为了促进和推动基于 EEG 的运动解码领域的进一步研究，以及让感兴趣的社区得出自己的结论，我们提供了 BNCI Horizon 2020 数据库 (http://bnci-horizon-2020.eu/database/data-sets) 中公开的所有数据集。
dexgraspnet 2.0：在大规模合成的杂物场景中学习生成灵巧的抓握
摘要 - 由于数据稀缺，在混乱的场景中挖掘仍然是灵巧的手。为了解决这个问题，我们提出了一个大规模的合成数据集，包括1319个对象，8270个场景和4.26亿个格拉斯普斯。除了基准测试之外，我们还从掌握数据中探索了数据有效的学习策略。我们揭示了以局部特征为条件的生成模型和强调复杂场景变化的GRASP数据集的组合是实现有效概括的关键。我们提出的生成方法在模拟实验中优于所有基准。更重要的是，它通过测试时间深度恢复表明了零拍的SIM到现实转移，获得了90.70％的现实世界灵巧抓地力成功率，展示了利用完全合成训练数据的强大潜力。
双谱无创脑电信号分析可区分复杂和自然的抓握类型
摘要 — 双谱是频域分析中一种革命性的工具，它通过捕获频率分量之间的关键相位信息，超越了通常的功率谱。在我们的创新研究中，我们利用双谱分析和解码复杂的抓握动作，收集了来自五名人类受试者的脑电图数据。我们用三个分类器对这些数据进行了测试，重点关注幅度和相位相关特征。结果突出了双谱深入研究神经活动和区分各种抓握动作的惊人能力，其中支持向量机 (SVM) 分类器表现出色。在二元分类中，它在识别强力抓握方面实现了惊人的 97% 的准确率，而在更复杂的多类任务中，它保持了令人印象深刻的 94.93% 的准确率。这一发现不仅强调了双谱的分析能力，还展示了 SVM 在分类方面的卓越能力，为我们理解运动和神经动力学打开了新的大门。索引术语 —EEG（脑电图）、双谱、交叉双谱、握力解码和机器学习。
机器人夹持器的自锁欠驱动机构
摘要 — 我们描述了一种新型机电一体化机器人夹持器的设计概念和第一个原型，该夹持器旨在安装在人形机器人上，以实现牢固（即锁定）和稳健的抓握。这种抓握可以理想地支持复杂的多接触运动，例如爬梯子或操纵复杂工具，同时节省能源。为此，我们提出了一种解决方案，即设计一种智能自锁欠驱动机构，该机构与执行器并联安装，当实现所需的抓握时自动触发。该设计通过差速齿轮利用夹持器和制动器之间的可调功率分配。我们的夹持器具有自适应、牢固抓握和节能的优势，并通过原型夹持器进行了实验。
四肢瘫痪患者运动皮层中不同抓握类型的力量神经表征
1 凯斯西储大学生物医学工程系，俄亥俄州克利夫兰 44106，2 斯坦福大学神经外科系，加利福尼亚州斯坦福 94035，3 斯坦福大学电气工程系，加利福尼亚州斯坦福 94035，4 VA 医学中心路易斯斯托克斯克利夫兰系，俄亥俄州克利夫兰 44106，5 布朗大学神经科学系，罗德岛州普罗维登斯 02912，6 布朗大学罗伯特 J. 和南希 D. 卡尼脑科学研究所，罗德岛州普罗维登斯 02912，7 VA RR&D 神经修复和神经技术中心，罗德岛州普罗维登斯 02912，8 克利夫兰大学医院医学中心神经外科系，俄亥俄州克利夫兰 44106，9 凯斯西储医学院神经外科系，俄亥俄州克利夫兰 44106，10克利夫兰大学医院医学中心神经内科，俄亥俄州克利夫兰 44106，11 布朗大学工程学院，罗德岛州普罗维登斯 02912，12 麻省总医院神经内科神经技术和神经康复中心，马萨诸塞州波士顿 02114，13 哈佛医学院神经内科，马萨诸塞州波士顿 02114，14 斯坦福大学生物工程系，加利福尼亚州斯坦福 94035，15 斯坦福大学神经生物学系，加利福尼亚州斯坦福 94035，16 斯坦福大学霍华德休斯医学研究所，加利福尼亚州斯坦福 94035，17 斯坦福大学吴仔神经科学研究所，加利福尼亚州斯坦福 94035，以及 18 斯坦福大学 Bio-X 项目，加利福尼亚州斯坦福 94035
四肢瘫痪患者运动皮层中不同抓握类型的力量神经表征
1 凯斯西储大学生物医学工程系，俄亥俄州克利夫兰，44106；2 斯坦福大学神经外科系，加利福尼亚州斯坦福，94035；3 斯坦福大学电气工程系，加利福尼亚州斯坦福，94035；4 退伍军人事务部克利夫兰路易斯斯托克斯医学中心，俄亥俄州克利夫兰，44106；5 布朗大学神经科学系，罗德岛州普罗维登斯，02912；6 布朗大学罗伯特 J. 和 Nancy D. 卡尼脑科学研究所，罗德岛州普罗维登斯，02912；7 VA RR&D 神经修复和神经技术中心，罗德岛州普罗维登斯，02912；8 休斯顿大学克利夫兰医学中心神经外科系，俄亥俄州克利夫兰，44106； 9 克里夫兰凯斯西储大学医学院神经外科系，俄亥俄州克利夫兰 44106；10 克里夫兰大学医学中心神经内科系，俄亥俄州克利夫兰 44106；11 布朗大学工程学院，罗德岛州普罗维登斯 02912；12 麻省总医院神经内科神经技术和神经康复中心，马萨诸塞州波士顿 02114；13 哈佛医学院神经内科系，马萨诸塞州波士顿 02114；14 斯坦福大学生物工程系，加利福尼亚州斯坦福 94035；15 斯坦福大学神经生物学系，加利福尼亚州斯坦福 94035；16 斯坦福大学霍华德休斯医学研究所，加利福尼亚州斯坦福 94035；17 斯坦福大学吴仔神经科学研究所，Bio-X 项目，加利福尼亚州斯坦福 94035
机器人夹爪自锁欠驱动机构
摘要 — 我们描述了一种新型机电一体化机器人夹持器的设计概念和第一个原型，该夹持器旨在安装在人形机器人上，以实现牢固（即锁定）和稳健的抓握。这种抓握可以理想地支持复杂的多接触运动，例如爬梯子或操纵复杂工具，同时具有节能效果。为此，我们提出了一种解决方案，即设计一种智能自锁欠驱动机构，该机构与执行器并联安装，当实现所需的抓握时自动触发。该设计通过差速齿轮利用夹持器和制动器之间的可调功率分配。我们的夹持器具有自适应、牢固抓握和节能功能的优势，并通过原型夹持器进行了实验。
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。
muxhand：使用时间划分的多重电动机
摘要 - 机器人灵巧的手负责抓握和灵巧的操纵。电动机的数量直接影响了此类系统的敏捷性和成本。在本文中，我们提出了Muxhand，这是一种使用时间分割多路复用电动机（TDMM）机制的机器人手。该系统允许仅4电动机独立控制9条电缆，从而显着降低了成本，同时保持高敏度。为了提高抓握和操纵任务期间的稳定性和平滑度，我们将磁接头整合到了三个3D打印的手指中。这些关节具有出色的影响力和自我测量能力。我们进行了一系列实验，以评估Muxhand的抓握和操纵性能。结果表明，TDMM机制可以精确控制连接到手指接头的每个电缆，从而实现强大的抓握和灵活的操作。此外，指尖载荷能力达到1.0 kg，磁接头有效地吸收了冲击和校正未对准而不会损坏。
DCM-PEB 方法
抓握动作需要前顶叶内区 (aIPs) 和腹侧运动前皮层 (PMv) 的连续参与，而顶叶额叶回路的作用最近得到了扩展，从而阐明了背侧运动前皮层 (PMd) 的作用。辅助运动区 (SMA) 也被认为可以编码抓握动作的握力；此外，已知 PMd 和 SMA 在运动意象中都发挥着至关重要的作用。在这里，我们旨在通过比较执行和想象的右手抓握来评估左侧 aIPs、PMv、PMd、SMA 和初级运动皮层 (M1) 之间的动态耦合，使用动态因果模型 (DCM) 和参数经验贝叶斯 (PEB) 分析。24 名受试者接受了 fMRI 检查 (3T)，在此期间他们被要求执行或想象一个抓握动作，并以常用物体的照片为视觉提示。我们测试了这两种情况是否 a) 对我们感兴趣的区域之间的前向和反馈耦合产生调节作用，以及 b) 这些参数的强度和符号是否存在差异。真实条件的结果证实了 aIPs、PMv 和 M1 的连续参与。PMv 也对 PMd 和 SMA 产生了积极影响，但仅从 PMd 接收到抑制反馈。我们的结果表明，抓握的一般运动程序由 aIPs-PMv 回路计划；然后，PMd 和 SMA 编码运动的高级特征。在想象过程中，从 aIPs 到 PMv 的连接强度较弱，信息流在 PMv 中停止；因此，计划了一个不太复杂的运动程序。此外，结果表明 SMA 和 PMd 相互配合以阻止运动执行。总之，执行和想象之间的比较表明，在抓握过程中，运动前区根据任务需求以不同的方式动态相互作用。