XiaoMi-AI文件搜索系统
World File Search System步态
纸 - ORCA - 在线研究 @ Cardiff
摘要 - 情绪可以从一个人的步态（即他们的步行风格）中感知。关于步态情绪识别的现有方法主要利用姿势信息作为输入，但忽略了身体运动，其中包含互补信息，以识别步态中引起的情绪。在本文中，我们提出了一个双边姿势和运动图卷积网络（BPM-GCN），该网络由两个平行流组成，即姿势流和运动流，以识别两种观点的情绪。姿势流旨在明确分析人的情绪状态。具体来说，我们根据手工设计的功能设计了一种新颖的回归约束，以将先前的情感知识提炼到网络中并增强表示形式学习。运动流旨在描述情感的强度，这是识别情绪的隐含提示。为了实现这一目标，我们采用了一个高阶速度加速对来构建图形，其中使用了信息性运动功能。此外，我们设计了PM相互作用的特征融合机制，以适应两条流的特征。因此，这两个流从两个互补视图中协作为性能做出了贡献。在最大的基准数据集情绪基准上进行的广泛实验表明，BPM-GCN对最先进的方法表现出色（至少有4个。59％的绩效提高）。源代码在https://github.com/exped1230/bpm-gcn上发布。
小鼠实验性创伤性脑损伤后局部病变大小与运动功能相关性较差
仅在欧洲，每年就有超过 80,000 人死于创伤性脑损伤 (TBI)，多达三分之一的 TBI 患者在受伤后六个月内无法完全康复，这种疾病仍然是发展中国家和发达国家面临的重大医疗和社会经济挑战[1-3]。尽管其对发病率和死亡率有显著影响，但治疗方法，特别是直接干扰 TBI 具体病理生理的治疗方法，仍然非常有限，并且仍然严格限于对症或实验性的[4,5]。为了克服这一困境，许多创新治疗方法已在多种不同的 TBI 临床前模型中进行了评估，并描述了有希望的结果；然而，到目前为止，这些治疗方法中均未在大型随机对照临床试验中显示出显著的益处[6-8]。导致有前景的临床前治疗方法无法应用到临床的主要问题之一是临床前结果评估不足，从而可能高估治疗效果：主要临床试验终点最近已从单纯评估放射学或监测参数转变为评估功能结果参数，如扩展格拉斯哥结果量表，因为这些参数被认为更能预测患者的生活质量。然而，临床前 TBI 研究主要关注组织病理学参数，如挫伤体积作为主要结果测量指标。结果测量不匹配的原因可能是客观和评估者独立评估啮齿动物临床前 TBI 模型中的步态和运动功能非常困难。受控皮质冲击模型是实验性 TBI 最常用的模型之一 [ 9 – 24 ]。尽管有大量的神经行为测试可用于评估 CCI 后的步态和运动功能，但关于此类神经行为测试与组织病理学损伤参数相关性的数据却很少。因此，尚不清楚神经行为测试是否会为通过组织病理学参数评估的结果提供重要的额外信息，以及是否对整体治疗效果的评估有显著贡献。鉴于运动功能受损可能仅仅是局部组织学损伤的直接结果，因此组织学结果评估可能就足够了，而广泛的神经行为测试则因此在时间和成本上效率低下。CatWalkXT 1 已被开发用于自动和独立于观察者地评估啮齿动物的步态和运动功能。它已用于各种创伤性和非创伤性神经系统疾病的临床前模型，如帕金森病、中风、周围神经损伤、脊髓损伤以及创伤性脑损伤 [25 – 31]。尽管 Cat-WalkXT 1 在脊髓损伤和周围神经损伤实验模型中的步态评估价值已得到充分证实，但其在啮齿动物临床前 TBI 步态评估中的价值仍不清楚。然而，在之前的研究中，我们最近验证了 CatWalkXT 1 是一种出色的独立于评估者的小鼠 CCI 后急性期步态和运动功能的自动化测试，并确定它是测试这些神经行为功能领域的出色工具，特别是在啮齿动物 CCI 模型中 [16]。然而，仍不清楚小鼠实验性 TBI 后结构损伤与步态和运动功能之间是否存在强有力的相关性，因此，是否可以根据组织学结果参数彻底评估治疗效果，或者是否应该更多地关注临床前 TBI 研究中的神经行为测试。
自闭症谱系中的小脑和纹状体意义：从临床观察到动物模型
摘要：自闭症谱系障碍（ASD）是复杂的疾病，源于早期和产后儿童期间遗传，表观遗传和环境影响的结合。评论的重点是小脑和纹状体，在ASD中改变了运动，感觉，认知和社会功能的两个结构。我们总结了临床和基础研究，强调了这两种结构在ASD中的重要性。我们进一步讨论了在社会，认知，运动和步态水平上观察到的行为之间的细胞和分子改变之间的关系。在可能的情况下还详细介绍了有关神经元活性的功能相关性，并且探索了性二态性，指出需要在两个性别中逮捕ASD的必要性，因为在定量和定性水平上发现发现可能会大不相同。审查还重点放在我们实验室的三篇最近的三篇论文上，我们在各种遗传和环境ASD动物模型中探索了运动和步态功能。我们报告说，运动和步态行为可以构成疾病的早期和定量窗口，因为它们通常与社会障碍的严重程度和小脑Purkinje细胞的丧失相关。审查以提出适当的疾病管理之前需要超越的主要障碍的建议结束。
假肢和矫正者
假肢主义者为肢体损失的患者提供步态分析和工程解决方案。他们治疗先天性损失的患者以及由于糖尿病，血管性，感染和创伤而导致的损失。他们在支持个人的健康和福祉和康复方面发挥着重要作用，通常与物理治疗师和职业治疗师紧密合作，这是多学科截肢者康复团队的一部分。矫形者为神经，肌肉和骨骼系统问题的患者提供步态分析和工程解决方案。他们设计并提供了修改患者神经肌肉和骨骼系统的结构或功能特征的矫形器，使患者能够动员，消除步态偏差，减轻跌倒，减轻疼痛，预防，预防，并促进溃疡的愈合。他们治疗患者患有多种疾病的患者，包括糖尿病，关节炎，脑瘫，中风，脊柱裂，脊柱侧弯，MSK，运动损伤和创伤。他们在支持个人的健康和福祉和康复方面发挥了重要作用，通常与物理治疗师和职业治疗师紧密合作，这是多学科团队的一部分，例如在糖尿病足小组或神经锻炼团队中。
高强度锻炼训练对中风幸存者的心肺健康，步态能力和平衡的影响：有系统的审查和荟萃分析
1人类大学生物医学科学系，Pieve Emanuele，20072年意大利米兰； alessio.baricich@hunimed.eu 2，IRCSS Humanitas Research Hospital，20089年，米兰，意大利米兰3卫生科学系，东皮埃蒙特大学“ Amedeo Avogadro”，意大利28100 NOVARA，意大利； marco.battaglia@uniupo.it（m.b。）; marco.inverniizzi@med.uniupo.it（m.i。）4个物理医学和康复部门，意大利28100年，Carit -大学医院的AOU MAGGIORE； lucia.cosenza@maggioreosp.novara.it 5医学和外科科学系，痉挛和运动障碍“重新启动”单位，物理医学与康复分离，福格亚大学，意大利71122 FOGGIA； s.facciorusso89@gmail.com（s.f.）; spinastefania.ss@gmail.com（S.S.）; andrea.santamato@unifg.it（A.S。）6活动系综合研究与创新部（DAIRI），医院Santi Antonio和Biagio和Biagio和Cesare Arrigo，15122 Alessandria，意大利7号Alessandria，意大利7倒数学，教育部。 lorenza.scotti@uniupo.it 8神经科学系，生物医学与运动科学，维罗纳大学，意大利维罗纳37129； 。 Alessandro.picelli@univr.it * corsondoncencence：20004098@studenti.unaupo.it
使用高斯混合物学习机器人运动的几何力学
使用来自几何力学的原理构建的机器人运动的数据驱动模型已显示[Bittner，Hatton等。2018; Dan Zhao，Bittner等。2022; Hatton等。2013]为各种机器人提供机器人运动的有用预测。对于具有有用数量DOF的机器人，这些几何力学模型只能在步态附近构建。在这里，我们展示了如何将高斯混合模型（GMM）用作流形学习的一种形式，该形式学习了几何力学“运动图1”的结构，并证明了：[i]与先前发表的方法相比，预测质量的可观改善； [ii]可以应用于任何运动数据集的方法，而不仅仅是周期性步态数据； [iii]一种预先处理数据集以促进在已知运动图是线性的地方外推的方法。我们的结果可以在数据驱动的几何运动模型的任何地方应用。
第二部分：问题及答案
一名既往健康的 68 岁男性出现右手进行性肌肉无力、吞咽困难和行走困难。他认为这些症状是“突然”发生的，并且在过去 2-3 个月内恶化。他的体温为 98.6 华氏度（37 摄氏度），血压为 145/86 毫米汞柱，脉搏为 80/分钟，呼吸为 17/分钟。神经系统检查发现有轻度构音障碍。他的右手和前臂鱼际肌萎缩，腕关节伸展和屈曲肌力为 2/5，右手内在肌力为 3/5。他的右大腿有一些肌束震颤，双侧髋屈肌轻度（4+/5）无力。双腿张力增加。感觉检查完好。左下肢髌骨反射为 3+。步态测试显示，患者平衡能力较差，步态痉挛。以下哪项是最可能的诊断？
使用脑电图信号和机器学习算法对不稳定和稳定的步行模式进行分类
摘要：分析脑电图（EEG）信号的不稳定步态模式对于开发实时脑部计算机界面（BCI）系统至关重要，以防止跌倒和相关的伤害。本研究研究了分类算法利用EEG信号检测步行不稳定的可行性。使用64通道的大脑视觉脑电图系统从13位健康成年人中获取脑电图信号。参与者对四个不同稳定和不稳定的条件进行了步行试验：（i）正常步行，（ii）正常步行，内侧 - 外侧扰动（MLP），（iii）正常行走双重任务（stroop），（iv）正常步行，正常步行与质量视觉反馈中心。使用小波能量和EEG信号的熵提取数字生物标志物。算法，例如Chrononet，SVM，随机森林，梯度增强和复发性神经网络（LSTM），可以以67％至82％的精度分类。分类结果表明，使用基于EEG的数字生物标志物可以准确地对不同的步态模式（从稳定到不稳定）进行分类。本研究使用具有潜在应用的EEG数据集开发了各种基于机器的分类模型，该模型在检测不稳定的步态神经信号方面，并通过防止跌倒和伤害进行干预。