XiaoMi-AI文件搜索系统
World File Search System步态
低雷诺数下多连杆游泳者的强化学习
近年来，机器学习技术在微型游泳机器人开发中的应用引起了广泛关注。特别是强化学习已被证明可以帮助游泳机器人通过与周围环境的互动学习有效的推进策略。在本研究中，我们应用强化学习方法来识别多连杆模型游泳机器人的游泳步态。该游泳机器人由多个刚性连杆通过铰链串联而成，铰链可以自由旋转以改变相邻连杆之间的相对角度。Purcell [“低雷诺数下的生命”，Am. J. Phys. 45, 3 (1977)] 展示了三连杆游泳机器人（现称为 Purcell 游泳机器人）如何在没有惯性的情况下执行规定的铰链旋转序列以产生自我推进力。在这里，我们不依赖任何低雷诺数运动的先验知识，首先展示了如何使用强化学习来识别 Purcell 游泳机器人在三连杆情况下的经典游泳步态。接下来，我们将研究随着连杆数量的增加，学习过程中习得的新游泳步态。我们还考虑了一次只允许单个铰链旋转以及允许多个铰链同时旋转的场景。我们对比了游泳者在这些场景下学习到的运动步态的差异，并讨论了它们的推进性能。总而言之，我们的结果证明了如何应用简单的强化学习技术来识别低雷诺数下的经典游泳步态和新型游泳步态。
基于人工智能与计算机视觉评估的上肢重复促进运动对脑卒中患者步态的影响
目的：本研究旨在评估脑卒中患侧上肢功能增强对下肢步态的影响。方法：将40例符合条件的脑卒中患者随机分为对照组和治疗组，每组20例。两组患者在治疗前均接受基于人工智能和计算机视觉的动态评估。评估主要分析步态周期中肩肘关节的活动范围，以及患侧的各种步态参数（如步长、步速、站立相百分比等）。评估后，对照组接受常规康复治疗。结果：结果显示，治疗前两组患者无明显差异。但治疗后，治疗组患者患侧肩肘关节活动度有明显改善（p<0.05），而对照组患者仅有轻微改善，但无统计学意义（p>0.05）。结论：患侧上肢功能的改善似乎也对步态恢复有积极的影响。但值得注意的是，观察期相对较短。需要进一步研究来确认这种影响是否能长期持续。
通过可解释的人工智能解释中风受损的肌电图模式
摘要：肌电图 (EMG) 在识别缺血性中风引起的神经肌肉改变方面具有宝贵的肌电表现，可作为诊断缺血引起的步态障碍的潜在标记。本研究旨在开发一个可解释的机器学习 (ML) 框架，通过可解释的人工智能 (XAI) 技术区分中风患者和健康个体的肌电模式。该研究包括 48 名在康复中心接受治疗的中风患者（平均年龄 70.6 岁，65% 为男性），以及 75 名健康成年人（平均年龄 76.3 岁，32% 为男性）作为对照组。在步态实验室的室内地面行走期间，从放置在双下肢股二头肌和外侧腓肠肌上的可穿戴设备记录 EMG 信号。我们部署了 Boosting ML 技术，利用 EMG 步态特征识别中风相关的步态障碍。此外，我们还采用了 XAI 技术，例如 Shapley 加法解释 (SHAP)、局部可解释模型不可知解释 (LIME) 和 Anchors，以解释 EMG 变量在中风预测模型中的作用。在评估的 ML 模型中，GBoost 模型在与训练数据集进行交叉验证时表现出最高的分类性能 (AUROC：0.94)，并且在使用测试 EMG 数据集进行评估时也表现出色 (AUROC：0.92，准确率：85.26%)。通过 SHAP 和 LIME 分析，研究发现有助于区分中风组和对照组的 EMG 频谱特征与右侧股二头肌和外侧腓肠肌有关。这种可解释的基于 EMG 的中风预测模型有望成为预测中风后步态障碍的客观工具。它的潜在应用可以通过提供可靠的 EMG 生物标志物极大地帮助管理中风后康复，并解决缺血性中风患者的潜在步态障碍。
能量储存和返回（ESAR）脚的设计与分析
摘要：近年来，由于事故和血管疾病的增多，残疾问题日益严重。截肢患者失去肢体功能往往导致步态异常。能量储存和返回 (ESAR) 足部假肢提供了一种替代方案，有助于改善步态并最大限度地减少截肢者行走阶段的代谢能量消耗。本研究采用了 3 种设计，模型来自 Catia V5 软件。有限元法分析使用 Ansys Workbench 18.1 软件评估这三种设计，在正常步行活动中，负载为使用者体重的 1.2 倍，最大重量为 70 公斤。模拟材料是碳纤维预浸料，其拉伸强度、杨氏模量、泊松比和密度分别为 513.72 MPa、77.71 GPa、0.14 和 1.37 g/cm3。决策矩阵法用于根据预定标准确定最佳足部假肢设计。决策矩阵中的最高值为设计 3 中的 76。所选设计（设计 3）经过步态周期分析后，最大 von Mises 应力值为 76.956 MPa，每个步态周期足跟着地载荷模型的安全系数值为 1.0762；平足 3.2509；足尖离地 6.6263。
帕克森主义在脑常染色体主导...
脑小血管疾病（SVD）包括一系列神经系统表现，包括中风，认知能力下降和进行性步态难度。1相关的步态异常通常的特征是步态放缓，类似于血管帕金森氏症。与宫颈主义相关的病变通常会影响纹状体和相关的运动路径，而SVD神经成像标记负担可以预测帕金森氏症的风险。2,3 SVD的遗传形式，例如具有皮质下梗塞和白细胞层状（Cadasil）的脑常染色体显性动脉炎（CADASIL），也常见于帕金森氏症。4步态困难在晚期卡达西尔很常见；然而，帕金森主义的流行和特征仍然没有被逐出。5本研究旨在全面评估卡达西尔患者帕金森主义的特征，评估其患病率并确定潜在的临床和神经成像标记。我们假设帕金森 - ISM的病理生理主要是血管，与特发性帕金森氏病（PD）中看到的α-突触性核疾病不同。对来自同一医院的特发性PD的患者进行了评估并进行了评估（补充图1）。在卡达西尔患者中，
通过基于模型的强化学习
摘要 - 这项研究提出了一种创新的方法，可用于由四个可压缩肌腱驱动的软执行器启用的软四倍机器人的最佳步态控制。柔软的四足机器人与刚性的机器人相比，已广泛认可，可提供增强的安全性，较低的重量以及更简单的制造和控制机制。然而，它们的高度变形结构引入了非线性动力学，使得精确的步态运动控制复合物。为了解决这一问题，我们提出了一种基于模型的新型增强学习（MBRL）方法。该研究采用多阶段方法，包括国家空间限制，数据驱动的替代模型培训和MBRL开发。与基准方法相比，所提出的方法显着提高了步态控制策略的效率和性能。开发的策略既适合机器人的形态，既适合又有能力。这项研究结论是在实际情况下强调这些发现的实际适用性。索引术语 - 四倍的机器人，软执行器，增强学习，步态控制
研究论文通过基于脑电图的大脑网络解码涉及下肢的运动协调意象
相较于传统物理治疗的疗效，一种利用运动想象疗法治疗脑卒中偏瘫患者的新疗法可诱导大脑可塑性并可使患者部分恢复运动能力。本文提出了一种利用下肢运动协调想象（正常步态想象和中风后偏瘫步态想象）的更新范式，并通过基于脑电图的脑网络对此类想象进行解码。招募30名受试者在下肢运动协调想象期间采集脑电图。采用时域分析、功率谱分析、时频分析、脑网络分析和统计学分析探讨下肢运动协调想象的神经机制。提取10个基于脑电图的脑网络特征，并使用支持向量机进行解码。结果显示，两种运动协调想象主要激活感觉运动区域，频带功率主要集中在θ和α带，脑功能连接主要发生在右前额。基于脑电信号的脑网络的网络属性与邻接矩阵的空间特征的组合对两种步态表象具有良好的可分离性（p < 0.05），组合特征的平均分类准确率为 92.96% ± 7.54%。综合来看，我们的研究结果表明脑网络特征可用于识别中风后的正常步态表象和偏瘫步态表象。
计算机模拟方法-dehesa@unex.es
摘要这项研究的目的是模拟不同的步行适应策略及其对肌肉活动的影响，同时改变髋关节扩展辅助运动中外套件的锚点位置。尤其是，在不同水平的辅助力驱动水平上评估肌肉激活和代谢功耗，从而改变了锚点的位置。opensim软件用于以舒适的步态速度对10名老年受试者进行模拟，同时改变大腿的锚点位置。与无助的步态相比，位置低于40％（近端）的扩展援助需要增加代谢成本以维持步态特征。在40％的情况下，能耗对应于无助的步态。从50％的近端到远端位置，观察到代谢成本的降低，最低为80％。锚点不同位置的代谢成本的变化反映在肌肉活动中，当电缆的总长度的40％以下时，肌肉活动的变化会增加，并且从该位置开始下降。在外部驱动期间，可以优化髋屈肌和伸肌肌肉所表现出的激活水平和代谢成本。跨越未由外套件引起的关节的肌肉的动力学不受驱动的影响。结果和分析提供了信息，以优化外钉设计中的致动轮廓，以帮助老年人步态，从而促进积极的衰老和改善康复常规。
智能鞋垫在...
摘要简介：智能鞋垫是一种生物力学设备，由鞋垫中的传感器组成，可用于评估步态模式，足底压力，压力中心，平衡，监测活动以及对运动功能进行定量评估。智能鞋垫的重量轻，导致步态影响最小，这使得获得的测量值更多地反映了我们的自然步态。它可用于辅助生活，医疗保健促进，健身监测/训练，人机相互作用，疾病检测，康复，这也日益增加。的目的：研究的目的是强调智能鞋垫的重要性，以及其在矫形领域的优势，局限性和未来影响。研究设计：文献综述方法：使用Google Scholar，ScienceDirect，PubMed，Cochrane库和参考列表进行了电子数据库搜索。已经使用智能鞋垫，压力感应，糖尿病，扁平脚，中风，帕金森氏症和脚溃疡等关键词对15篇文章进行了审查。此外，对文章的演变进行了审查，其重要性，它们如何成为具有溃疡，扁平脚等常见生活方式病理的患者的革命性手段等。也对文章的优势和缺点进行了审查。结果：研究表明，智能鞋垫可用于评估脚压力测量，步态时空参数提取和佩戴者的步态模式。它还包括跟踪与神经疾病相关的步态异常的应用，检测成人和老年人的步行异常以及患者康复。此外，它可用于活动识别，这主要由用于临床测试翻译，热量估算，日常活动跟踪以及针对特定职业的安全和工作环境的帮助的机器学习支持。此外，它有助于监测糖尿病脚，对数字设备管理的脚手势识别以及游戏中的人机相互作用以及振动鞋垫。讨论：在功能运动期间，智能鞋垫中的运动跟踪传感器提供了实时输入。此外，它支持理想的运动模式，并遵循辅助康复方案。将此数据无线传输到医疗保健专业人员的移动应用程序中，可以实时分析步态模式，压力点和前瞻性问题区域，这可能会改善治疗的决策。传感器与用户的身体接触时，也会监视温度和
步行过程中的能量优化涉及隐式处理
步态适应对新的环境，设备或身体的变化，可以由能量消耗的持续优化驱动。然而，能量优化是否涉及隐式处理（自动发生，并以最少的认知注意力发生），显式处理（有意识地使用邀请策略有意识地发生）或两者结合尚不清楚。在这里，我们使用了双任务范式来探测在步行过程中能量优化中隐式和明确过程的贡献。为了创建我们的主要能量优化任务，我们使用了下LIMB外骨骼将人们的能量最佳步骤频率转移到低于正常优选的频率。我们的次要任务旨在从优化任务中引起明确的关注，是听觉音调歧视任务。我们发现，添加此次要任务并不能阻止步行过程中的能量优化。我们的双任务实验的参与者将其步骤频率调整为Optima的量，并以与我们以前的单任务实验中的参与者相似的速度。我们还发现，当参与者适应能量Optima时，在语调歧视任务上的表现并没有恶化。当外骨骼改变能量最佳步态时，精度得分和反应时间保持不变。调查回答表明，双重任务参与者在很大程度上不知道适应过程中对步态的变化，而单任务参与者更加了解他们的步态变化，但并未利用这种明确的意识来改善步态适应性。共同表明能量优化涉及隐式处理，从而使注意力资源可以针对步行过程中其他认知和运动目标。