XiaoMi-AI文件搜索系统
World File Search System运动学
经过多日的练习，完成双手控制任务的从头运动学习
经过多天的练习，完成双手控制任务的从头运动学习 Adrian M. Haith 1 、Christopher Yang 2 、Jina Pakpoor 1 和 Kahori Kita 1 约翰霍普金斯大学 1 神经病学系、2 神经科学系，美国马里兰州巴尔的摩 摘要 尽管关于运动学习的许多研究都集中在我们如何调整动作以在面对强加的扰动时保持表现，但在许多情况下，我们必须从头学习新技能，或者从头学习。与适应相比，人们对从头学习知之甚少。部分原因在于学习一项新技能可能涉及许多挑战，包括学习识别新的感觉输入模式和产生新的运动输出模式。但是，即使有了熟悉的感觉线索和练习过的动作，根据当前状态快速选择适当的动作仍然是一个挑战。在这里，我们设计了一个双手手到光标映射来隔离这个控制问题。我们发现，尽管参与者对映射有明确的了解，但他们最初还是难以在这种双手映射下控制光标。然而，经过多天的练习，表现稳步提高。参与者在恢复到真实光标时没有表现出任何后遗症，这证实了参与者是从头开始学习新任务的，而不是通过适应。对目标中途运动扰动的纠正反应最初很弱，但随着练习，参与者逐渐能够对这些扰动做出快速而有力的反应。经过四天的练习，参与者在双手映射下的行为几乎与使用真实映射光标时的表现相匹配。然而，在表现水平上仍然存在微小但持续的差异。我们的研究结果说明了学习新控制器的动态和局限性，并引入了一个有前途的范例，用于研究运动技能学习的这一方面。 通讯作者：Adrian Haith 209 Carnegie 550 North Wolfe Street Baltimore, MD, 21287, USA adrian.haith@jhu.edu 简介
PreMovNet：基于运动前脑电图的抓握和举起任务手部运动学估计
摘要——从大脑活动进行运动学解码有助于开发康复或增强功率的脑机接口设备。从非侵入性脑电图 (EEG) 记录的低频信号与用于运动轨迹解码 (MTD) 的神经运动相关性相关。在本通讯中，研究了从运动前 delta 波段 (0.5-3 Hz) EEG 解码运动运动轨迹的能力，适用于健康参与者。具体来说，提出了两个基于深度学习的神经解码器，称为 PreMovNet-I 和 PreMovNet-II，它们利用运动前 EEG 数据中存在的运动相关神经信息。为此，使用了运动开始前具有不同时间滞后的 150 毫秒、200 毫秒、250 毫秒、300 毫秒和 350 毫秒的 EEG 数据段。使用 EEG 为抓握和举起任务 (WAY-EEG-GAL 数据集) 呈现 MTD，并将各种滞后作为神经解码器的输入。将所提出的解码器的性能与最先进的多变量线性回归 (mLR) 模型进行比较。使用皮尔逊相关系数和手部轨迹作为性能指标。结果证明了使用运动前 EEG 数据解码 3D 手部运动学的可行性，从而能够更好地控制基于 BCI 的外部设备，例如外骨骼/外骨骼。
使用人工智能辅助系统将运动学习原理带入现实世界的运动任务
摘要：人类自然地学习动作，但要达到运动技能的专家表现需要大量的时间和训练。在这篇评论中，我们展示了现代技术如何支持人们学习新的运动技能。首先，我们介绍了运动控制、运动学习和运动技能学习中的重要概念。我们还概述了用于人体运动分析的机器学习算法和传感器技术的快速扩展。运动学习原理、机器学习算法和最新传感器技术的结合有可能开发用于运动技能训练的人工智能引导辅助系统。我们对这种不同领域的整合给出了我们的观点，以便从实验室环境中的运动学习研究过渡到现实世界环境和现实世界的运动任务，并提出了一种分步方法来促进这种转变。
基于经颅交流电刺激的脑震荡活动的运动学习：综述
摘要：开发有效的工具和策略来促进运动学习是一项高度优先的科学和临床目标。特别是，与运动相关的区域已被研究作为通过非侵入性脑刺激 (NIBS) 促进运动学习的潜在目标。除了阐明运动功能与脑震荡活动之间的关系外，经颅交流电刺激 (tACS) 作为一种可能促进运动学习的技术也引起了人们的关注，这种技术可以非侵入性地调节脑震荡活动并调节脑震荡通信。本综述重点介绍了通过操纵脑震荡活动使用 tACS 来增强运动学习及其潜在的临床应用。我们讨论了一种潜在的基于 tACS 的方法，通过纠正异常的脑震荡活动并促进中风后或帕金森病患者的适当震荡通信来改善运动缺陷。人际 tACS 方法操纵脑内和脑间通信可能会产生亲社会效应，并可能促进治疗师康复期间的教学-学习过程。通过 tACS 重新建立振荡大脑交流的方法可能对运动恢复有效，并最终可能推动基于运动学习的新型神经康复方法的设计。
帕金森氏病队列中的认知和运动学习
帕金森氏病患者的运动学习受损通常归因于执行功能的缺陷，这是支持运动学习的重要认知过程。但是，对其他认知领域的作用及其与帕金森氏病中运动学习的关系知之甚少。这项研究的目的是调查帕金森氏病个体的运动学习与多个认知表现的多个领域之间的关联。帕金森氏病的29名参与者接受了全面的神经心理学测试，然后进行了双重手指序列任务。手指序列任务的保留测试已于24小时后完成。分层线性回归用于检查五个特定的认知领域的运动学习（采集率和保留率）与认知表现之间的关联，同时控制年龄，性别和帕金森氏病的年龄诊断。我们发现，在帕金森氏病患者中，较高的获取率与更好的情节记忆有关，特别是在视觉情节记忆中更好的回忆。
增强反馈和运动学习适应对人机交互因素的影响
人们对身体-机器界面的兴趣日益浓厚，因此有必要了解如何训练用户使用非传统输入。在本研究中，开发了一个由受试者激活的表面肌电图控制任务测试，作为试验台，以观察自动训练方法对绩效、工作量和信任发展的影响。48 名受试者学习使用基于表面肌电图的命令系统执行 Fitts 定律式光标到目标任务，其中包括 120 次训练试验和 40 次评估试验。受试者被分为四组：对照组、并发反馈组、终端反馈组和自适应阈值组。对照组使用光标位置的视觉反馈通过重复进行训练和学习。并发反馈组在命令输入期间收到额外的并发虚拟反馈，终端反馈组在命令输入后收到补充视觉反馈。自适应阈值组没有任何额外反馈，但经历了旨在诱导运动学习适应的光标控制变化。结果表明：I）额外的视觉反馈可提高训练期间的任务表现、工作量和信任；2）训练结束时，各组的指挥能力趋于一致。
在实验室外移动：在线进行感觉运动学习研究的生存能力
图1。响应视觉运动旋转的感觉运动学习。（a）视觉运动旋转任务的示意图。光标反馈（红点）相对于手的运动方向旋转，旋转的大小在各组（15°，30°，60°或90°）之间变化。半透明和纯色在学习的早期和晚期分别显示手和光标位置。（b，d）从Bond and Taylor（2015）和在线实验的实验实验中的15°（绿色），30°（黄色），60°（紫色）和90°（粉红色）旋转条件的平均手动训练。在Veridical反馈，无反馈（灰色背景）和旋转试验期间相对于目标（0°）的手（0°）提出。阴影区域表示SEM。（c，e）旋转块早期和晚期的平均手角度，以及从面对面（C）和在线（E）实验的无反馈后效应块。框图表示中位数（厚的水平线），四分位数（第1和3 rd，盒子的边缘）和极端（min and Max，垂直细线）。每个参与者的数据显示为半透明点。
基于ICR的运动运动学，用于固定斜坡上的轮式滑动车辆*
对于移动机器人在实际环境中运行，必须正确执行本地化，映射和导航等基本任务。这些任务强烈依赖于对环境的充分感知，在某些情况下，由于场景的本质，某些传感器的运行有限，甚至两者兼而有之，这在某些情况下可能具有挑战性。移动机器人应该能够智能地识别和克服异常情况，以避免感觉故障。我们在这项工作中提出了一种基于贝叶斯网络的新方法，该方法可以自然地代表传感器之间的复杂关系，能够整合异质的知识来源，从而扣除感觉异常的存在，并通过使用可用信息从它们中恢复。高度计算成本由一种利用我们模型结构的新算法来解决。我们的建议已在几个模拟中进行了评估，并且还在使用移动机器人的真实环境中进行了测试。获得的结果表明，与其他现有方法相比，它可以达到更好的性能和准确性，同时增强了整个感觉系统的鲁棒性。
第25章。运动学习
学习是指行为和中枢神经系统中的变化的过程。运动学习定义为：“一个人的能力变化，形成一种技能，这是从实践或经验导致的相对长期提高绩效提高的技能”（Magill and Anderson，2007年）。运动学习涵盖了三种主要的学习过程类型； 1）获得新型运动技能（新任务学习），2）增强学习或高度曝光的运动技能（专业知识）的表现，以及3）重新获得由于受伤，疾病或疾病（康复）而难以执行或无法执行的技能。为了理解运动学习，重要的是要弄清运动技能和运动性能的相互关联条款。电动机技能是指针对目标的活动或任务，该活动需要自愿控制关节和身体部位的运动，而运动性能是指在特定时间和特定情况下执行技能。运动性能是可观察到的行为，而无法直接观察到运动学习，而是可以从性能中推断出。图25.1A和B显示了专业运动员的攀岩技能表现。学习这种运动技能始于观察和模仿经验丰富的登山者。新手登山者在经验丰富的登山者上升时密切监视经验丰富的登山者。这样做，新手可能会计划一些明确的策略，例如用手和脚抓住的岩石边缘。与此示例一样，运动学习和尝试攀爬时，新手必须依靠本体感受和触觉，前庭和视觉器官的反馈，以维持平衡和运动控制。此外，培训师通常会提供明确的指导，例如下一个处理的方向或在何处踩踏。尽管新手收集了所有明确的知识，但这种做法依赖于隐式肌肉骨骼和神经过程。
NICA 对撞机透明自旋模式下质子和氘束极化运动学
TS 模式也可以不采用蛇形线来表示对应于整数自旋共振 γG = k 的离散能量值。这里 γ 是相对论因子，G 是旋磁比的异常部分。对于质子，这样的能量值数量为 25，能量步长为 0.523 GeV。对于氘核，只有一个点，总能量为 13.1 GeV。在理想的对撞机晶格中，自旋运动会退化：任何轨道位置的任何自旋方向都会在每次粒子转动时重复。这意味着 TS 模式下的自旋调谐为零，粒子处于 TS 共振状态。在这种情况下，自旋运动对磁场的微小扰动高度敏感，这些扰动与晶格缺陷以及回旋加速器和同步加速器粒子的振荡有关。在实际情况下，自旋简并被消除，因为极化沿着由对撞机晶格缺陷决定的未知方向变得稳定。极化控制由自旋导航器提供，自旋导航器是基于弱螺线管的设备，可在 SPD 相互作用点设置所需的极化方向。导航器对自旋的影响应大大超过小扰动场的影响 [4]。TS 模式下的极化控制方案如图 3 所示。两个对称放置在 SPD 周围的自旋导航器用于稳定 SPD 垂直平面上所需的极化方向（Ψ 是极化和粒子速度矢量之间的角度）[3]。