激素干预下一次运动微损伤低功率激光修复系统

为加快运动微损伤的结痂速度，促进运动微损伤治疗恢复和自愈效果，提出激素干预下一次运动微损伤低功率激光修复系统。通过分析低功率激光在运动医学方面的作用，以CMOS相机、传感器、光源等作为修复系统的硬件，通过驱动脉冲干扰传输，得到图像输出信号，使用不同照明方法滤波图像信息，以用户界面、损伤检测模块、激光模块、主控模块、视觉模块与配置模块构成系统软件部分，依靠该系统抑制胶原纤维的超量生成，抑制活性氧产生，缩减脂质过氧化破损，加快肌肉再生，进而完成对运动微损伤的修复。试验结果表明，激素干扰下低功率激光修复系统能够有效修复不同程度上的运动微损伤，使受损伤区域结痂的速度更快。     

基于KNN算法的不良步态分类

针对不良的步态会对下肢的关节产生不利的影响(加重行走的负担,能量消耗过快等),以及加重患病的风险,提出了利用KNN(k-nearest neighbor)算法对足外8和足内8两种不良步态与正常步态(对照组)进行分类学习,获取分类模型.三种步态的三维步态数据是从17名受试者在正常行走期间通过3D运动捕捉系统获得的,KNN模型对三种步态识别的总正确率为81.7％,对足外8步态的正确率为92.8％以及足内8的正确率为91.0％.模型的正确率较为准确,可以为矫正不良步态提供有力支持、减少不良步态的检测成本.     

超高加速度宏微运动平台连接臂的疲劳分析及优化设计

提高连接臂的疲劳寿命对于宏微运动平台超高加速度和超精密定位的实现起着非常重要的作用。文中针对超高加速度宏微运动平台关键部件连接臂展开研究：采用SolidWorks软件搭建连接臂模型，通过有限元分析软件ANSYS Workbench对连接臂进行静力分析、疲劳分析。为了提高连接臂疲劳寿命，以满足连接臂的工作要求为约束条件，以连接臂的质量最小、寿命最高为优化目标进行拓扑优化研究。基于拓扑优化结果，对模型进行优化，所获得的优化后的连接臂模型与优化前模型进行对比，结果表明优化后的连接臂在质量减少的同时大幅提高了寿命，这为超高加速度宏微运动平台实现超精密定位提供了理论支持。     

运动曲线在手机App动效中的应用

手机App设计中,交互动效的使用越来越广泛。在动效设计中需要同时兼顾产品层级表达和用户体验需求,考虑用户感受与操作反馈。运动曲线的使用有助于UI设计师正确地完成动效设计。本文对App动效的重要元素即运动曲线进行了分析,并详细介绍了标准运动曲线在实现缓入缓出中的作用,最后给出了AE(AdobeAfterEffects)运动曲线的设计方法。     

形状记忆合金驱动的连续跳跃柔性机器人

针对在复杂、狭窄的非结构化地形下跳跃机器人存在的着陆稳定性和运动连续性的问题,提出了一种形状记忆合金(shape memory alloy,简称SMA)智能材料驱动的柔性跳跃机器人,它具有轻质小型、结构简单及连续运动的优点。利用对称的折纸柔性身体减少着陆振动,保证着陆稳定;利用对称的双SMA弹簧拮抗系统实现弹性元件交替变形和储能释能的功能;建立了柔性机器人跳跃运动的理论模型,研究了关键结构尺寸对能量储存和跳跃性能的影响机制,并研制了一款尺寸为6 cm×4 cm×2.5 cm、质量为3.8 g的原理样机。实验结果表明:柔性机器人依靠SMA驱动能够实现跳跃触发和形态恢复,最大跳跃高度和远度分别为8.67 cm和18 cm,并且可以适应不同工作面。该机器人跳跃性能优越,控制顺序简单,可为非结构化地形下完成侦察探测工作奠定基础。     

人体步态差异性的参数化辨识方法及应用

通过对下肢3 个关节步态曲线建立具有共性控制点的数学模型,提出了以个体的局部形状参数作为区别同一关节中不同曲线的方法.实验采用Perception Neuron 动作捕捉系统,对正常组10 名健康男性青年,验证组2 名健康和3 名处于不同康复期的右腿踝关节损伤男性青年在正常步速下的步态数据进行实验测量以获得髋关节、膝关节和踝关节的上下位移轨迹曲线,并计算得出正常组步态曲线的局部形状参数作为判别步态正常与否的参考调整范围.经分析,验证组中健康被试者的局部形状参数大多属于该范围,而恢复较差的病人参数大多超出该范围,表明该参数化方法可有效辨别步态曲线差异,此外还可对康复评价的方法提供依据.     

运动方程自适应步长求解的一个新进展——基于EEP超收敛计算的线性有限元法

该文采用最简单的Galerkin型线性单元,对运动方程构建了简捷高效的单步法递推公式;进而基于EEP超收敛计算技术,开发了单元步长自动优化和结点位移精度修正两项关键技术,可在整个时域上得到误差分布均匀且逐点满足给定的误差限的解答——堪称数值解析解。该文给出了单自由度和多自由度的数值算例以验证本法的有效性。     

结合边缘特征先验引导的深度卷积显著性检测

针对当前基于深度学习的显著性检测算法缺少利用先验特征和边缘信息，且在复杂场景中难以检测出鲁棒性强的显著性区域的问题，提出了一种结合边缘特征，利用先验信息引导的全卷积神经网络显著性检测算法。该算法利用三种被经常用到的先验知识结合边缘信息形成先验图，通过注意力机制将提取的先验特征与深度特征有效融合，最终通过提出的循环卷积反馈优化策略迭代地学习改进显著性区域，从而产生更可靠的最终显著图预测。经过实验定性定量分析，对比证明了算法的可靠性。