Node.js | ECMAScript6 等 | 笔记

terser-webpack-plugin"); const CssMinimizerPlugin = require('css-minimizer-webpack-plugin'); // 目前配置: css, fonts, 小图等会被打包到一个

图解 SSR 等 6 种前端渲染模式

写在前面 React、Vue 等现代化前端框架的大旗之下，CSR（Client-Side Rendering）模式深入人心： CSR (Client-Side Rendering) – rendering 用户所请求的内容在屏幕上可见的时间点 TTI（Time To Interactive）：页面可交互的时间点 主要缺陷在于随着应用程序的更新迭代，客户端所要执行 JS 代码量越来越多，前置的第三方类库/框架、polyfill 等都会在一定程度上拖慢首屏性能 ，在（中低端）移动设备上尤为明显 Code splitting、lazy-load等优化措施能够缓解一部分，但优化空间相对有限，无助于从根本上解决问题 此时，只有改变渲染模式才能创造更多的可能性 二.SSR 服务端的网络环境要优于客户端，内部服务器之间通信路径也更短 因为页面逻辑（包括即时数据请求）和模板渲染工作都放在服务端完成，减少了客户端的 JS 代码量，流式文档解析（streaming document parsing）等浏览器优化机制也能发挥其作用 但在服务器上生成页面同样需要时间，会导致页面内容响应时间（TTFB, Time to First Byte）变慢 一种办法是可以通过流式 SSR、组件级缓存、模板化、HTML 缓存等技术来进一步优化 另一种办法是继续在渲染模式上探索

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）。 可以拆成 3 个层级： BOM 可穿戴端（硬件+本地采样层） 柔性电池（Zn–Ag₂O）供电 3 V 6 轴 IMU（LSM6DS3）采集前臂姿态/运动 干电极 EMG（Cu/CNT/PDMS）+ AD8426 （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 读 6 通道数据

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 *;Serial myPort;ArrayList<Integer>[] sensorData = new ArrayList[6];void setup() { size(800, 400); for (int i = 0; i < 6; i++) sensorData[i] = new ArrayList<Integer>(); myPort = new Serial(this, Serial.list 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。

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。 通道脑电放大器具体参数如下： 输入阻抗：1TΩ     输入偏置电流：300pA 输入参考噪声：1μVpp    采样速率：250 Hz/500Hz 共模抑制比：-110dB     可调增益放大倍数：1、2、4、6、

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。 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。 BCIduino 8通道脑电放大器具体参数如下： 输入阻抗：1TΩ 输入偏置电流：300pA 输入参考噪声：1μVpp 采样速率：250 Hz/500Hz 共模抑制比：-110dB 可调增益放大倍数：1、2、4、6、

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

Tasbi 是以 6 个触觉致动器所组成，外加创新的手腕挤压机制。当它们与 AR 头戴设备的视觉反馈相结合时，它们可以通过一个简单直观的界面提供大量信息。 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。

李飞飞等6位华人当选

他们在可访问性、增强现实、算法博弈论、数据挖掘、存储、软件和万维网等领域做出了大量贡献。 值得一提的是，今年新当选的56位ACM Fellow中，有6位是华人学者，他们分别是斯坦福大学李飞飞，亚利桑那州立大学刘欢，美国罗切斯特大学罗杰波，德克萨斯大学奥斯汀分校Lili Qiu，明尼苏达大学双城分校何田

MATLAB表面肌电信号(sEMG)处理程序

\n'); % 生成模拟数据（6个手势，每个手势100个样本，每个样本2000个数据点） num_gestures = 6; samples_per_gesture = 100 pulse(1:pulse_len); end % 组合信号并添加噪声 combined_signal = (g/6) features(i, w, 5) = meanfreq(P1, f); % 平均频率 features(i, w, 6) % 每个手势选一个样本 figure('Position', [100, 100, 1200, 800]); % 绘制原始信号和预处理后的信号 for i = 1:6 title('细节系数 D3'); subplot(7, 1, 5); plot(d4); title('细节系数 D4'); subplot(7, 1, 6)

李飞飞等6位华人当选

他们在可访问性、增强现实、算法博弈论、数据挖掘、存储、软件和万维网等领域做出了大量贡献。 值得一提的是，今年新当选的56位ACM Fellow中，有6位是华人学者，他们分别是斯坦福大学李飞飞，亚利桑那州立大学刘欢，美国罗切斯特大学罗杰波，德克萨斯大学奥斯汀分校Lili Qiu，明尼苏达大学双城分校何田 Voorhees National Institute of Standards and Technology 为评价信息检索、问答等语言技术作出贡献 Wendi Beth Heinzelman 罗彻斯特大学

6D目标姿态估计，李飞飞夫妇等提出DenseFusion

选自 arxiv 作者：Chen Wang 等 机器之心编译 机器之心编辑部 根据 RGB-D 图像进行 6D 目标姿态估计的一个主要技术挑战是如何充分利用两个互补数据源——颜色和深度。 为此，李飞飞夫妇等研究者提出了 DenseFusion——一种可单独处理两个数据源的异质架构。 1 引言 6D 目标姿态估计对许多重要的现实应用都很关键，例如机器人抓取与操控、自动导航、增强现实等。 理想情况下，该问题的解决方案要能够处理具有各种形状、纹理的物体，且面对重度遮挡、传感器噪声、灯光条件改变等情况都极为稳健，同时还要有实时任务需要的速度。 要想在不利的条件下（例如，重度遮挡，光线不足等）估计已知目标的姿态，只有结合颜色和深度图像通道中的信息才有可能。但是，这两个数据源是不同空间的。

Confluence 6 通过 SSL 连接 LDAP 和 Jira 应用等其他服务

https://www.cwiki.us/display/CONF6ZH/Connecting+to+LDAP+or+Jira+applications+or+Other+Services+via+SSL

折腾纯IPV6服务器安装 Nginx 等记录

1.完成dns64服务的配置，就可以让纯ipv6的vps正常访问ipv4的网络资源了。 :4f9:c010:3f02:64::/96 Trex 芬兰/坦佩雷 2001:67c:2b0::4 2001:67c:2b0:db32::/96 Trex 芬兰/坦佩雷 2001:67c:2b0::6 斯洛文尼亚 2001:67c:27e4:15::6411 2001:67c:27e4:642::/96 go6Labs 斯洛文尼亚 2001:67c:27e4::64 2001:67c:27e4:64 ::/96 go6Labs 斯洛文尼亚 2001:67c:27e4:15::64 2001:67c:27e4:1064::/96 go6Labs 斯洛文尼亚 2001:67c:27e4::60 2001 #启动 systemctl restart nginx #重启 nginx -t #验证配6E

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。

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。 实时图形界面：在 MATLAB 或 Python 中构建 GUI，实时显示 EMG 信号与动作响应。 虚拟现实接口：将识别动作映射至 VR 手势，实现沉浸式交互。 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。 本文提供了一套完整的软硬件流程，适合初学者入门 EMG 控制技术，也为科研开发者提供了一个可拓展的基础架构。如需获取完整代码或多通道支持，欢迎评论区留言交流，后续将发布系列教程。

Redis学习6：sorted_set类型、拓展操作、应用场景等

​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。 系统测试阶段为三种模式(EOG、EEG和EMG)交替过程，用户可以在任何时候反复改变并发送EOG指令给机器人。 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。

HTML中       等6种空白空格的区别

HTML提供了5种空格实体（space entity），它们拥有不同的宽度，非断行空格（ ）是常规空格的宽度，可运行于所有主流浏览器。其他几种空格（       ‌‍）在不同浏览器中宽度各异。

Angular、React、Vue等 6 大主流 Web 框架都有什么优缺点？

Dojo2 专注于带来更多构建在状态容器体系之上的动态组件的体验模式，填补了 react+redux 等框架的许多空白。

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。 6）出汗 出汗能改变电极阻抗和皮肤电位。 7）舌咽部运动伪迹 由于舌尖部对舌根部来说，存在负性电荷，如讲话、咀嚼、吮吸、吞咽、咳嗽等引起舌运动的伪迹。这些运动伪迹在脑电图上所显示间隙性或反复性慢波。