XiaoMi-AI文件搜索系统
World File Search System测量单元
xgait：通过基于RF的步态识别的深层传感跨模式翻译
射频频率（RF）基于步态识别已成为一种有前途的技术，可以以普遍性和不受欢迎的方式对个体进行身份验证。但是，在同一环境中收集同一用户的大量数据时，仍然存在一个基本挑战。为了应对这一挑战，本文介绍了Xgait，Xgait是一个跨模式步态识别框架，不需要事先部署RF设备或显式数据收集。关键想法是利用现代移动设备中广泛使用的惯性测量单元（IMU）的信号，以模拟如果同一个人在RF设备附近行走，则会生成RF信号。尽管有直接的想法，但由于RF设备的多样性，IMU信号和RF信号之间的内在差异以及步态的复杂性，需要解决一些技术挑战。首先，我们提出了一种RF光谱生成方法，以始终在不同的RF信号上提取必需的RF步态数据特征。其次，我们提出了一种具有生成网络的IMU-RF转换方法，该方法将IMU数据准确转换为RF数据。最后，我们设计了RF步态频谱特异性变压器模型，以进一步提高识别性能。我们使用三种RF设备和七个移动设备对XGait进行了全面评估，涉及三十个不同环境中的三十个受试者。实验结果表明，在各种情况下，Xgait始终达到超过99％的前3个精度。
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。
e xo s k e l e n s便携式充气柔软可穿戴机器人，以帮助工业工作期间的肩膀
在工厂工作期间的重复架空任务可能会导致肩部受伤，从而导致健康和生产力损失受损。柔软的可穿戴上肢机器人有可能使用软材料和主动控制的有效预防伤害工具。我们介绍了便携式充气肩部可穿戴机器人的设计和评估，用于在肩伸出的任务中协助工业工人。机器人像一件衬衫一样穿着，带有集成的纺织气动执行器，惯性测量单元和便携式致动单元。它最多可提供6.6台牛顿仪的扭矩，以支撑肩膀，并以每分钟六次打开和循环援助。在模拟工业任务期间的人类参与者评估中，机器人降低了激动剂肌肉活动（前，中和后三角肌和二头肌腕骨）高达40％，而关节角度在当前样本大小中的关节角度略有变化，而关节角度却不小于7％，而范围范围不到7％。对控制器参数的组件进一步强调，更高的辅助幅度和较早的辅助时机导致统计上显着的肌肉活性减少。在任务之间具有动态过渡的任务电路期间，基于运动学的机器人控制器对误导表现出稳健性（96％的真实负率和91％的真实正率），表明在不需要援助时对用户的最小干扰。对压力调制概况的初步评估还强调了用户感知和硬件限制之间的权衡。最后，五名汽车工厂工人在飞行员制造区域中使用了机器人并提供了反馈。
舞踏舞者的移动大脑成像
剖析舞蹈的神经生物学将揭示一种复杂但无处不在的人类交流形式。在这个实验中，我们试图通过移动脑电图 (EEG) 研究五位经验丰富的舞者在跳舞踏时的大脑活动，舞踏是一种起源于日本的后现代舞蹈。我们报告了一个高度跨学科项目的实验设计、方法和实际执行情况，该项目需要舞者、工程师、神经科学家、音乐家和多媒体艺术家等的合作。我们详细解释了我们如何在技术上验证我们所有的 EEG 程序（例如，通过阻抗值监测）以及如何最大限度地减少我们记录中的潜在伪影（例如，通过眼电图和惯性测量单元）。我们还描述了使我们能够实现以不同采样频率记录的信号之间的同步的工程细节和硬件，以及我们用来重新采样数据和消除电力线噪声的信号预处理和去噪管道。我们的实验最终以一场现场表演结束，我们通过艺术脑机接口在屏幕上实时可视化了舞者的脑间同步，我们概述了用于在线双谱估计的所有方法（例如过滤、时间窗口、方程）。我们还分享了我们在记录中使用的所有原始 EEG 数据和代码。最后，我们描述了我们如何设想这些数据可用于解决几个假设，例如脑间同步或发声学习的运动理论。据我们所知，这是第一项报告五名舞者同步和同时记录的研究，我们希望我们的研究结果将为未来的艺术与科学合作以及舞蹈运动疗法提供参考。
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。
便携式充气柔软可穿戴机器人在工业工作期间有助于肩膀
在工厂工作期间的重复架空任务可能会导致肩部受伤，从而导致健康和生产力损失受损。柔软的可穿戴上肢机器人有可能使用软材料和主动控制的有效预防伤害工具。我们介绍了便携式充气肩部可穿戴机器人的设计和评估，用于在肩伸出的任务中协助工业工人。机器人像一件衬衫一样穿着，带有集成的纺织气动执行器，惯性测量单元和便携式致动单元。它最多可提供6.6台牛顿仪的扭矩，以支撑肩膀，并以每分钟六次打开和循环援助。在模拟工业任务期间的人类参与者评估中，机器人降低了激动剂肌肉活动（前，中和后三角肌和二头肌腕骨）高达40％，而关节角度在当前样本大小中的关节角度略有变化，而关节角度却不小于7％，而范围范围不到7％。对控制器参数的组件进一步强调，更高的辅助幅度和较早的辅助时机导致统计上显着的肌肉活性减少。在任务之间具有动态过渡的任务电路期间，基于运动学的机器人控制器对误导表现出稳健性（96％的真实负率和91％的真实正率），表明在不需要援助时对用户的最小干扰。对压力调制概况的初步评估还强调了用户感知和硬件限制之间的权衡。最后，五名汽车工厂工人在飞行员制造区域中使用了机器人并提供了反馈。
一个无线系统，用于在耳塞外观中以600小时电池寿命
摘要 - 近年来，与基于标准头皮的脑电图相比，近年来，脑脑电脑术（EEG）记录了质量相似的信号，并且已经报道了客观听力阈值估计的临床应用。现有设备仍然缺乏重要的效果。实际上，大多数可用解决方案都是基于湿电极，需要连接到外部采集平台，或者不提供车载处理功能。在这里，我们克服了所有这些局限性，并基于干电极电极呈现一个耳EEG系统，其中包括直接在耳芽中的所有采集，处理和连接电子设备。听筒配备了一个超低功率模拟前端，用于模数转换，低功率MEMS麦克风，低功率惯性测量单元以及ARM Cortex-M4基于MART Cortex-M4的微控制器启用板上的船上处理和蓝牙低能能连接。系统可以直接流式传输RAW EEG数据或直接进行数据处理。我们通过分析其检测大脑对外部听觉刺激的响应的能力来测试该设备，分别实现4和1.3 MW的数据流或船上处理。后者允许在PR44锌空气电池上进行600小时的操作。据我们所知，这是执行机载处理的第一个无线且完全独立的耳朵系统，所有这些都嵌入了单个耳塞中。较长的电池寿命也适用于连续监控方案。临床相关性 - 拟议的EAR-EEG系统可以用于诊断任务，例如客观听力阈值 - 旧估计，在临床环境之外，从而使其作为护理解决方案。
对导航级 RLG SIMU 类型 iNAV-RQH 的调查
本研究介绍了使用我们的环形激光陀螺仪 ( RLG ) 导航级捷联惯性测量单元 ( SIMU ) 类型 iNAV-RQH 进行的特性和一些评估实验结果，精度为 1 nmi/h。在简要介绍 SIMU 的主要特征后，给出了惯性传感器构造原理和误差模型的描述。为了评估我们的捷联 IMU，我们设计了实验室和现场测试，在中等精度转盘和汽车导航任务框架内进行，使用 DGPS（差分 GPS）参考解决方案（在我们的案例中，是一种即时 ( OTF ) 运动学 DGPS 解决方案，在整数秒的常规时期提供精确的位置参考）。使用专用软件 Kingspad 获得后处理的 3-D 惯性或集成 GPS/INS 解决方案。还介绍了噪声和误差分析，以及实验室和现场测试的具体结果。位置精度在亚 dm 域内（与 cm 精度 DGPS 参考轨迹的差异，1-σ 相对误差约为 1 cm），驱动轨迹周长分别为数百米。加速度误差在 mGal 域内（经过约 60…100 秒的适当过滤后），姿态误差在角秒范围内，iMAR 的 RLG SIMU 类型 iNAV-RQH 被认为完全适合精确导航、测量和精确重力测定。[Dorobantu et al., 2004] 中已经给出了一些初步结果，目前的扩展形式包括传感器技术和误差模型的更多内部内容，以及使用 ZUPT s（惯性导航系统零速度更新）的室内 INS 导航实验。附录中介绍了补充实验，如静态倾斜、阻尼测试或 SIMU 的静态评估，以及对 ISA（惯性传感器组件）的更多了解，或从已注册的 SIMU 数据直接推导大地测量参数。
康复外骨骼：一篇评论论文
6 计算机专业学生摘要随着康复外骨骼的出现，我们看到了康复治疗的革命。这些可穿戴机器人正在改变瘫痪患者和中风幸存者的命运，为康复带来新的希望。我们的团队一直在探索迷人的外骨骼设计世界，我们很高兴分享我们的见解。从机械设计到人机交互，这些设备正在突破康复评估和治疗的极限。在这篇评论中，我们将带您了解康复外骨骼技术的演变。我们将深入研究这些人工外骨骼背后的生物力学，研究关节机制和自由度。我们还将探索使精确运动控制成为可能的尖端传感器技术，如力传感器和惯性测量单元。此外，我们将研究个性化治疗的自适应控制算法，并分享临床试验的真实经验。到最后，您将清楚地了解这个领域的发展方向及其改变生活的潜力。关键词：康复外骨骼、辅助机器人、可穿戴外骨骼、神经康复技术、人机交互 (HRI) 康复外骨骼技术的演变 康复外骨骼的发展历程可谓非同寻常。从不起眼的开始到我们今天看到的尖端设备，这些可穿戴机器人彻底改变了康复治疗领域。 早期设计 用于康复目的的外骨骼概念开始形成于 20 世纪 60 年代。最初，这些设备体积庞大、固定式，主要用于在跑步机上训练患者并支撑体重。这些早期设计的例子包括 DGO、LOPES 和 ALEX 1。这些系统旨在减轻康复期间下肢的负荷，但它们的有限移动性限制了它们在临床环境中的使用。随着技术的进步，研究人员开始专注于开发便携式辅助外骨骼。到 21 世纪初，我们看到了 Ekso、ReWalk、Indego 和 Exo H2 1 等设备的出现。这些外骨骼旨在为因脊髓损伤而完全瘫痪的人提供最大程度的帮助。然而，它们仍然相对较重，重达 11 至 25 公斤 1 。
MTi 用户手册
本手册概述了第五代产品及其用法。对于前几代产品，请参阅用户手册修订版 I（2016 年 12 月 20 日）。请参阅第 3.2.5 节以确定您的 MTi 的代数。Xsens 的 MTi 产品组合目前有 11 个系列成员，功能范围从惯性测量单元 (IMU) 到完全集成的 GNSS/INS 解决方案。所有产品都包含一个 3D 惯性传感器组件（ISA：陀螺仪和加速度计）和 3D 磁力计，并可选配气压计和 GNSS 接收器。MTi 产品系列分为三个系列，即 MTi 1 系列、MTi 10 系列和 MTi 100 系列。MTi 10 系列是 Xsens 的入门级型号，具有强大的精度和有限的 IO 选项范围。100 系列是一类新的 MEMS IMU、方向和位置传感器模块，提供前所未有的精度和广泛的 IO 接口。MTi 1 系列是用于 SMD 组装的低成本模块。有关 MTi 1 系列的更多信息，请参阅 [MTI_1]。所有 MTi 都具有强大的多处理器核心。它以极低的延迟处理 IMU、磁力计和气压计信号，并提供多种输出：校准的 3D 线性加速度、转弯速率（陀螺仪数据）、（地球）磁场和大气压力（仅限 100 系列）数据以及滚动、俯仰和偏航的传感器融合估计值。MTi-G-710 GNSS/INS 还提供 3D 位置和 3D 速度。可直接从 MTi 检索 50 多种不同的输出格式。有关每个设备可用输出的更多信息，请参阅 [LLCP]。本文档介绍了 MTi 10 系列和 MTi 100 系列中所有 7 个 MTi 的使用、基本通信接口和规格。它们的不同之处已明确标明。从机械和软件接口的角度来看，所有产品均设计为可互换。