- 综合排序
- 最热优先
- 最新优先
- 但如果没采用IphoneX机型的新的css属性，而直接采用position: fixed;top：0等常规写法来自专栏青梅煮码
H5移动端适配IphoneX等机型
图中，Iphonex机型在头部和底部新增了这两个区域，所以我们需要针对这类机型做些适配，方便我们的webapp的展示 h5做成的移动端页面，常见布局为头部+躯干+底部三栏模式，头部和顶部都是固定定位，躯干可里的内容可以滚动 > <main></main>
1.2K10编辑于 2023-01-12
五年，终于等来Transformers v5
机器之心报道 编辑：+0、陈陈 刚刚，Transformers v5 发布首个 RC（候选） 版本 v5.0.0rc0。 训练 关于 v5 版本的训练仍然是团队工作的重点，之前 Hugging Face 专注于微调而不是大规模预训练以及完整训练，v5 加大了对后者的支持。 目前，v5 已经与 torchtitan、megatron、nanotron 等工具实现了更广泛的兼容。 同时，Hugging Face 也在与 JAX 生态中的 MaxText 等工具兼容，以确保他们的框架与 Transformers 之间具备良好的互操作性。 这带来了显著的价值：只要某个模型被添加到 Transformers 中，它就会立即在这些推理引擎中可用，同时还能充分利用各引擎的优势，例如推理优化、专用内核、动态批处理等。
新增 ABB COMLI 等 5 个工业协议驱动
新增驱动插件南向驱动 IEC61850此驱动在电力系统自动化中应用广泛，它由国际电工委员会 IEC 制定，定义了用于通信的数据模型、数据服务、通信协议等。 南向驱动环保 HJ-212中国环境监测网络中使用的一种通信协议，主要用于在环境监测设备之间进行数据交换，如环境中各种污染物的浓度等。 此协议在中国环境监测领域有着广泛的应用，包括大气监测、水监测、土壤监测等各个方面。南向驱动 ABB COMLI由 ABB 公司开发的一种串行通信协议，主要用于在其 PLC 和其他设备之间进行通信。 北向 WebSocket主要用于对接 WebSocket Server，可以与 WebSocket Server 通过以 JSON 为基础数据进行采集点位的数据上报等。 此外我们对 UI 也进行了如下优化：NeuronEX 版本的数据处理相关 UI 进行的升级扩展，支持在 NeuronEX 版本中创建数据处理流，上传插件等。
基于 Shimmer3 EMG 的五指机械手控制系统设计与实现
作者：科采通 标签：Shimmer3、肌电控制、MATLAB、Arduino、机器人手、EMG一、项目背景肌电图（EMG）作为一种能够反映人体肌肉活动的生理信号，广泛应用于假肢控制、人机交互、康复工程等领域 本文以 Shimmer3 EMG 模块 为基础，搭建一个完整的系统，使机械手能够模仿用户的手指动作。 UNO接收 MATLAB 发出的串口指令，驱动对应伺服电机动作5指机械手每个舵机控制一根手指的屈伸动作，实现肌电驱动手势控制 本文以单通道 EMG 作为示范，便于初学者理解，但可拓展至多通道或更复杂的模式识别 Servo finger1, finger2;void setup() { Serial.begin(9600); finger1.attach(3); // 舵机端口 finger2.attach(5) 七、总结Shimmer3 EMG 模块在稳定性与信噪比方面表现出色，结合 MATLAB 与 Arduino 可快速实现基于肌电的控制系统。
用 BITalino 可视化生理信号并玩肌电控制版 Pong 游戏
生理信号（如心电图 ECG、肌电图 EMG、皮肤电 EDA 等）长期用于医疗、康复、心理研究等专业领域，但通过像 BITalino 这样的开源平台，它们正变得越来越亲民，进入创客空间、课堂乃至游戏开发者手中 本篇文章将结合一个非常有趣的案例： 我们将使用 BITalino 采集肌电信号（EMG），控制经典 Pong 游戏中的球拍移动；同时也会讲解如何通过 Processing 将包括心电、肌电等多种信号实时图形化 核心逻辑java复制编辑// EMG 值阈值控制球拍上下移动int emgThreshold = 500;void draw() { ... int emgValue = getEMGValue(); if (emgValue > emgThreshold) paddleY -= 5; else paddleY += 5;}3. 五、拓展建议 使用 两个 EMG 通道 实现“左右肌群”分别控制上下移动。 替换为 心跳（ECG）触发事件，做出冥想小游戏。
Nature 新作：用神经网络去除可穿戴设备运动伪迹（徐升课题组新作）
见 Fig. 3a（Page 5） 作者做了： 采集纯手势信号 19 种前臂手势，对应六轴 IMU；姿势包括：向上/下、向左/右、旋转 wrist 等（Fig. 2a，Page 4）。 CNN 网络结构（定制 LeNet-5） 结构在 Fig. 3c（Page 5）： 输入：100 点 × 6 通道（一秒采样） 三层 1D 卷积（16 → 32 → 64 kernels） 三层 Max LSM6DS3（ST） 3 轴加速度计（电容式 MEMS，采用双电容板+质量块结构） 3 轴陀螺仪（测角速度，重力不影响其 baseline） 电路连接： IMU 电源端：0.1 µF 去耦电容（C2 等） I²C 线（SCL/SDA）：10 kΩ 上拉电阻到 3 V（R9 等），所有参数按 LSM6DS3 datasheet 推荐值设计 信号特性： 加速度信号同时包含： 前臂手势信号；重力分量（姿态改变 →baseline 变化）；外界运动伪迹（跑步、震动、海浪等）；陀螺仪基线不受重力影响，只对角速度敏感（Supplementary Fig.8） IMU→MCU 接口： nRF51822 通过 I²C
Meta公布黑科技：戴上腕带即可隔空打字，引领神经接口AR革命
Orion AR眼镜 meta推出的肌电图腕带 戴上这样一个腕带，你让双手舒适地放在身侧，同时进行鼠标的滑动、点击和滚动等操作，无缝控制数字内容。 emg2pose姿态估计：可完全预测用户的手部配置 另一个名为emg2pose的数据集，旨在解决肌电信号与手部运动之间的映射问题，这对于人机交互、康复工程和虚拟现实等领域具有重要意义。 该数据集包含来自193名参与者的370小时sEMG和手部姿态数据，从29个不同的行为组中采集，包括拳头、从一数到五等众多动作。 数据集包含25253个HDF5文件，合计达到431GB。 此外，数据集包含详细的元数据，如用户ID、会话、阶段、手部侧向、是否移动等，便于进行多样化的分析和实验。 在不同采集阶段及不同用户间，基于vemg2pose预测的泛化能力 emg2pose不仅提升了动作识别的准确性，还为手势控制、康复治疗等有潜在的应用可能。
MATLAB表面肌电信号(sEMG)处理程序
可视化结果 visualize_emg_results(emg_data, processed_emg, features, gesture_labels, params); % 5 (emg_signal, fs) % EMG信号分解（运动单元动作电位分解） % 使用小波变换进行信号分解 [c, l] = wavedec(emg_signal, 5, 'db4 = wrcoef('d', c, l, 'db4', 5); a5 = wrcoef('a', c, l, 'db4', 5); % 绘制分解结果 figure('Position ; plot(d4); title('细节系数 D4'); subplot(7, 1, 6); plot(d5); title('细节系数 D5'); subplot(7, 1, 7); plot(a5); title('近似系数 A5 (低频)'); xlabel('样本点'); % 使用峰值检测识别运动单元动作电位
基于EEG-EMG混合控制方法的研究—生物机器人应用：现状、挑战与未来方向（二)
02 基于肌电图的混合控制方法综述 基于EEG-EMG的混合控制接口的基本思想是在控制方法中融合EEG和EMG信号，信号的融合可以以许多不同的方式进行，并且可能取决于特定应用和用户能力等因素。 基于肌电图和脑电图的分类器输出，在第一种方法中，使用等平衡的融合权值来组合肌电和脑电分类器的输出；在第二种方法中，对贝叶斯融合方法进行了测试。 因此，识别和消除外骨骼等生物机器人控制方法中的颤振效应具有重要意义。一些研究，如使用主动可穿戴外骨骼抑制震颤，以及在使用动力辅助机器人时避免不必要的振动或运动。 在设计的框架中，EEG和EMG信号没有直接结合。 一些研究小组已经提出将脑电图和肌电信号整合在控制方法中，用于生物机器人的外骨骼等应用。 除了上述方法外，很少有文献提出BCIs中混合传感器融合的概念设计，在这些设计中，不仅要结合EEG和EMG信号，还要结合其他输入，如简单开关和运动传感器的信号，以提高信息传输速率、可用性和可靠性等。
Redis学习5：Set基本操作、拓展操作、业务场景等
操作如下： 综上所示，redis应用于随机推荐类信息检索，例如热点歌单推荐，热点新闻推荐，热点APP等推荐！
基于EEG-EMG混合控制方法的研究—生物机器人应用：现状、挑战与未来方向（一）
尽管肌电图（EMG）信号仍然存在一些挑战，但利用EMG信号控制此类生物机器人应用的进展是巨大的。 基于肌电的方法不能用作输入，例如，上肢完全瘫痪的人可能无法使用外骨骼等设备，因为很难从瘫痪肢体的肌肉获取控制信号。 在轮椅、假肢、外骨骼等应用中可以找到实现基于EEG信号的接口的各种尝试。 此外，在外骨骼等例子中，肌电图信号所需的一些肌肉可能断开或麻痹，或者连接到所需肌肉的某些神经可能断开。在这种情况下，脑电图也可以用来补偿丢失的肌电信号。 尽管对基于EMG的控制方法或基于EEG的控制方法（使用BCI）有许多评论，但很难找到任何当前在生物机器人应用中的EEG-EMG混合方法的深入综述。
BITalino 在个体生理状态监测中的应用探索 —— 多通道生物反馈信号记录案例分析
BITalino 是一个集成度高、价格亲民的生物信号采集平台，支持多通道信号同步采集，包含： 脑电图（EEG） 皮肤电（EDA） 心电图（ECG / EKG） 肌电图（EMG） 本文以一位用户的实际应用案例为参考 硬件概述 设备名称：BITalino (r)evolution 连接方式：蓝牙（可被串口绑定为虚拟串口） 采样频率：最高 1000 Hz（具体取决于配置） 传感器支持： EEG：脑电（T3/T4 等部位 ） EDA：皮肤电阻/电导 ECG：心律、心率变异性分析 EMG：肌肉活动检测 三、传感器佩戴与数据采集方式类型传感器位置用途EEG颞叶（T3/T4），参比电极置于耳后检测听觉通路活动、Gamma 波动EDA手腕内侧记录皮肤电变化，反映情绪/应激反应ECG胸前三角分布记录心律、HRV 等心脏活动指标EMG上臂二头肌或太阳神经丛检测肌肉活动异常 ⚠️ 说明：实际应用中应遵守传感器使用规范，清洁皮肤 （A4）出现非自发性的短促收缩信号 五、关键观察：可能的生理指标特征指标异常表现可能含义EEG：Gamma 波高出正常范围 5~13 倍表明高度焦虑、警觉状态EDA：电导率尖峰连续剧烈波动情绪激烈波动或皮肤神经异常
EMNLP2020：UC伯克利摘最佳论文、Hugging Face获最佳demo
从热门选题来看，EMNLP 2020 会议涉及了语言模型、神经机器翻译、文本生成等主题： ? 尽管此前已经有利用有声语音期间收集的 EMG 训练语音合成模型的研究，但该研究首次利用了在无声发音期间收集的 EMG 进行训练。 ? 模型中所使用数据的三个组成部分。 具体而言，研究者提出了一种通过将音频目标从有声信号转换为无声信号来对无声 EMG 进行训练的方法。与仅使用有声数据进行训练的基线方法相比，该方法显著提升了从无声 EMG 中生成音频的清晰度。 为了促进这一研究任务的进一步发展，该研究已经共享了无声和有声面部 EMG 度量的新数据集。 最佳论文荣誉提名奖 ? 这次会议共有四篇论文获得最佳论文荣誉提名奖。 据了解，这篇论文获得了 4.5/5, 4.5/5, 4.5/5 的评审分数。
虚空射箭、隔空打字、智能点击，Facebook智能腕带实现全新「脑控」方式
具体而言，该腕带内置 EMG 感应器，用于接收从脊髓传输至手腕和手指的运动神经电信号，并转化为操控装置的数码指令。 Facebook 坚称，虽然 EMG 腕带能读取神经信号，但这与读心术不同。 但 CTRL-Labs 仍然将这项技术描述为脑机接口，但它与埃隆 · 马斯克的 Neuralink 等技术形成了鲜明对比，后者通过植入物直接从大脑读取神经活动。 这可能包括打字模式的细微变化、身体整体紧张程度等。Facebook 现实实验室指出，他们有一个神经伦理计划，用来研究 AR 和神经接口技术的隐私、安全和安全影响等问题。 与大多数可穿戴技术一样，EMG 腕带提供了一个密切的视角来观察我们的身体是如何运动的——虽然没那么恐怖，这听起来像 EMG 腕带能读懂你的想法，但它仍然需要很多信任。
多模态系统下软体机械手对多种意图的精准实时控制
1 训练测试阶段 mHMI结合了EEG、EOG和EMG模式，为一个完全集成的系统。实验过程中，用脑电帽检测EEG和EOG运动，Myo臂带检测EMG信号，跟踪手臂运动。 图2训练测试范式和模式交替过程的实验结构 图2(A)为根据屏幕上的呈现或计算机发出的提示进行训练和测试阶段的试验程序，EOG、EEG和EMG模式的时间范围分别为0 ~t1、t2 ~ t3和t4 ~ t5 交替模式的时间范围分别为t1 ~ t2、t3 ~ t4和t5 ~t6；(B)为模式交替圆环表示，描述了三种模式下根据被试意图以双闪烁开始的模式交替过程。 在EMG模式下，将EMG输入到封装好的模式识别算法中，对手势进行分类，并将手势成功转换为相应的控制指令。 图5 眨眼和眼睛扫视检测的识别结果 图6 检测左手或右手MI时，C3和C4电极上的ERD/ERS与相应的静息状态分别比较。 图7 手部动作结果分别呈现。
天津大学研究团队开发了一种结合视觉场景和电刺激的长期运动训练神经反馈训练方法
根据20名受试的脑电图（EEG）和肌电图（EMG）数据探索神经生理反应和EEG-EMG耦合关系，证明了结合EEG和EMG模式评估和建立一个基于BCI的运动训练方法的可行性，也为皮质肌肉和运动康复的功能耦合机制提供了有力的证据 图1 实验设计；在实验过程中，受试舒适地坐在距离24英寸LCD屏幕约75~90厘米的椅子上，采用64通道脑电帽采集15个通道的EEG信号，在手臂放置电极采集EMG信号。 图2整个实验的实验范式；分别在实验第1天、第7天和第14天进行初始训练任务、中期任务和训练后任务，共3次单手抓握的运动执行（ME）/运动想象（MI）任务，同时记录此时的EEG和EMG信号。 图5 所有受试者的EEG和EMG信号对应分量之间的平均传递熵结果。 在LH-ME和RH-ME任务中，平均传递熵(TE)结果显示EEG-EMG的高频成分(gamma波)熵较高，且随着频率的降低而降低；不同方向的TE值也不同，各个分量的结果也表明从EEG到EMG的TE水平高于相反方向的
脑电信号干扰
[图片来源于网络] 常见的干扰为：眼动(EOG)干扰、肌电(EMG)干扰、心电(ECG)干扰、高频噪声干扰等，这些干扰通常是来自于脑外的电位活动，这些干扰又称为伪迹(Artifact). 引起伪迹的因素： 来自仪器的伪迹：扫描仪的故障、电极接触不良或故障、交流电干扰等； 来自人体的伪迹：眼睑及眼球运动、肌肉收缩、心电图、呼吸、皮肤出汗、血管搏动等； 物理伪迹：静电干扰、无线电信号、电极接触不良 、电磁波、电力线的干扰等。 EMG的频率通常大于30Hz.常见的EMG的能量与脑电处在不同的频带上，因此可以用低通滤波器将肌电移除。 3）运动伪迹 头部和身体的运动可引起伪迹，运动性伪迹通常是不规则以及没有重复性。 [图片来源于网络] 5）血管波伪迹 在头皮动脉附近的电极，可以记录到圆滑、周期性脑波或者三角形脑波，多发生在额或者颞部电极。不过，血管波伪迹经常以规律的周期性显示，很容易识别。
安装Sublime text3以及emmet、h5等插件
按下Ctrl+Shift+P调出命令面板，输入 Install Package 输入Emmet，安装插件 测试使用如下： 安装html5插件 支持hmtl5规范的插件包 注意：与Emmet插件配合使用，效果更好 使用方法：新建html文档>输入html5>敲击Tab键>自动补全html5规范文档 输入html5 删除html5插件 如果想要删除插件，Ctrl+Shift+P调出命令面板，输入remove，调出Remove Package选项并回车，选择要删除的插件即可，当然，更新插件，upgrade packages
瘫痪病人肌肉运动意图也能产生相应控制信号
卡内基梅隆大学机械工程系和神经科学研究所的教授Doug Weber与一个国际研究小组合作，探索利用肌电信号（EMG）来预测四肢瘫痪者的预期手势的可能性。 实验设计 实验自主开发了一种袖阵列来记录前臂肌肉的EMG，受试在14年前遭受了脊髓损伤，他在实验中将接受要求尝试弯曲和伸展手指的命令，但其无法做出任何实质动作，检测此时前臂肌肉EMG，并将其分解为单个活动运动单元的活动 ，检测到的EMG信号中当受试尝试伸展手指时其EMG较随意伸展腕关节时弱。 各种各样的伤害都可能导致瘫痪或丧失运动能力，如中风、脊髓损伤等，有些直接伤害大脑控制中枢，有些损伤信号传输通路。 传统的理解是，脊髓损伤切断了连接，而信号永远无法到达肌肉，因此人们认为四肢瘫痪的人将无法产生可检测到的EMG。
NLP简报（Issue#5）：The Annotated GPT-2、CodeBERT、JAX、GANILLA等
4.1 NLP和ML模型的道德考量 5、Articles and Blog posts ✍️ 5.1 The Annotated GPT-2 5.2 Beyond BERT? 他们通过对包括天体物理学，气候科学和聚变能等在内的案例进行仿真来对其进行测试。 主要主题包括改善指标，Hugging Face的Transformers库如何支持研究，查看有趣的数据集，解压缩模型等。 通过低秩逼近和量化等方法专注于模型的压缩，这意味着我们无需牺牲模型的质量。 ? 6、Education ? Manuel Tonneau撰写了一篇文章，仔细研究了语言建模中涉及的一些机制[36]，包括贪婪和波束搜索以及原子核采样等主题。
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号