Ваз робот отзывы: Отзывы владельцев о «роботе» (АМТ) на автомобилях Лада, общая оценка » Лада.Онлайн

Все про обновленный вазовский робот АМТ — журнал За рулем

В Сочи прошло мероприятие Lada Brand Day, где вазовцы презентовали обновленную роботизированную трансмиссию. Вот что рассказал ЗР руководитель проекта АМТ Владимир Петунин:

Схема роботизированной коробки передач АМТ

Схема роботизированной коробки передач АМТ

Так уж сложилось, что претензий к АМТ была масса. Мол, водитель и пассажиры клюют носом при переключениях, машина тупит, ну и так далее. Вазовцы прислушались и даже предложили несколько новых прошивок, но глобальное обновление анонсировали только сейчас.

Никаких кардинальных изменений исполнительных механизмов не потребовалось. Однако в «железе» все же есть новшества — у контроллера управления теперь не одна, а две платы, и, конечно, иная программа управления коробкой передач. Так что владельцы роботизированных автомобилей не смогут просто приехать к дилеру и перепрошить коробку.

Что поменяли

«Пробочный» режим, или, как его называют официально, функция Creeping mode, который появился в этом году, сохранен. Водитель просто снимает ногу с педали тормоза, и машина начинает катиться вперед. Скорость на первой передаче — 7–8 км/ч, на второй — 14–15 км/ч. При включении заднего хода этот режим также работает — машина ползет со скоростью 5–6 км/ч.

При этом функция Creeping mode отключается автоматически при одном из трех условий: если во время движения открыть водительскую дверь, если перевести селектор в нейтраль или затянуть рукоять стояночного тормоза. То есть вот так вдруг автомобиль сам не поедет.

Новая программа управления АМТ позволила сократить время переключения передач: с первой на вторую и со второй на третью — аж на 30%. Обещают, что синхронизаторы выдержат.

Новая программа управления АМТ позволила сократить время переключения передач: с первой на вторую и со второй на третью — аж на 30%. Обещают, что синхронизаторы выдержат.


Материалы по теме

У водителей, которые часто ездят с полной нагрузкой автомобиля, да еще и по горным дорогам, были нарекания: на приборах регулярно загоралась ошибка коробки передач.
Причина в следующем: из-за сильного нагрева и пробуксовки сцепления срабатывает датчик температуры. Однако электроника при этом не разомкнет диски сцепления. Важно понимать, что этот индикатор не является критическим, то есть не сигнализирует о поломке, требуя прекратить эксплуатацию автомобиля. В инструкции по эксплуатации об этом так и написано.

Появилась и возможность старта на второй передаче, в ручном режиме управления АМТ. Это так называемый «зимний» режим работы коробки передач. Вазовцы обещают, что так будет легче трогаться с места на скользкой дороге.

Скоро появится и спортрежим (не путать с Kick Down), который можно будет активировать отдельной клавишей на панели. «Спорт» будет работать в режимах А и М (автоматический и ручной соответственно). При этом электроника задействует иные настройки двигателя и трансмиссии.

В ручном режиме при максимальных оборотах мотора принудительного переключения передачи вверх не будет.

Обновленная роботизированная трансмиссия появилась и на Ладе XRAY с мотором 1.8.

Обновленная роботизированная трансмиссия появилась и на Ладе XRAY с мотором 1.8.

Лифтованная версия кроссовера Lada XRAY Cross 1.8 пока лишена робота. Предположим, что ненадолго.

Лифтованная версия кроссовера Lada XRAY Cross 1.8 пока лишена робота. Предположим, что ненадолго.

На дороге

Материалы по теме

Сажусь в Весту Кросс. Действительно, работать АМТ стала расторопнее. Уже нет прежнего ощущения клевка при переключениях, за которые лично я так не люблю большинство роботов. А вот и пробка из Адлера в Сочи. Отпускаю педаль тормоза и медленно ползу в потоке, работая только тормозом. Так ехать легче, чем с прежней версией АМТ: не нужно каждый раз «будить» машину нажатием на педаль акселератора. Это бережет нервы водителя.

На старой извилистой и полупустой дороге, ведущей на Красную Поляну, автомобиль также оставляет приятные впечатления. Нет в его поведении прежней нервозности. А главное, у меня не возникает вопроса, переключилась коробка или еще нет. Переключения чувствуются, при этом они заметно сглажены. Тут поправка: я никуда не торопился и ехал спокойно.

А как АМТ поведет себя, если надавить на газ от души? В режиме «газ в пол» робот скидывает вниз две передачи. Заметно, что трансмиссия теперь работает быстрее и логичнее. Эх, жалко, в этой версии AMT пока нет клавиши спортрежима! Проверить бы и его, но такая возможность появится позднее.

Наш вердикт

В сравнении с предыдущей версией, новая АМТ стала понятнее для водителя и комфортнее для всех находящихся в машине. Если не относиться к роботизированной Весте как к гоночному автомобилю, то впечатления от машины исключительно положительные. Робот по-прежнему для тех, кто не торопится. Ну а для тех, кто привык погонять, есть Lada Vesta Sport на механике.

Отзыв владельца автомобиля LADA (ВАЗ) Granta 2018 года ( I Рестайлинг ): 1.6 AMT (106 л.с.)

Сразу скажу, что с 13 года из-за финансовых трудностей ездил на 2107 2004 года. Не надо пинать. Про Гранту буду писать исходя из своего опыта и стажа с 1993 года. До 2107 была Lacetti и куча других машин, а так ездил на разных машинах от Таврии до Х6.

Машину хотел новую или чуть б/у с ESP и все таки с 2 педалями. Веста была с 30000 пробегом, но царапнутая. уже хотел купить Гранту Comfort с АМТ, так на ней идет ESP, антибукс. Но в Саратове таких не было хотел ехать в Тольятти и вдруг... На люкс престиж даже не смотрел — дорого было. В салоне в трейд ине нахожу 2 месячную гранту белого цвета Luxe+Prestige АМТ 106 л/с пробег 2300 км. и цена почти на 100000 дешевле чем новая! 

Скажу так, про робот я начитался много, смотрел отзывы, проехался на тест драйве на Х-RAY. А тут уже АМТ 2.0. Скажу так — мне ОЧЕНЬ нравится, за рулем отдыхаю. На роботе другом ездил на Smart Roadster — вот это АД АДОВЫЙ, он клюет так при переключениях, что капец. Здесь совсем другое дело. Но все по-порядку.
Первые впечатления. Внешность с новыми фарами и другими изменениями мне нравится. Сильно отличается от предыдущей. Запах новой машины еще остался )). Сиденья очень удобные, спине очень удобно. Можно ехать на дальняк. На Лачетти сиденья были по-крупнее и не так мне нравились — здесь лучше ИМХО. Ничего нигде не скрипит и не гремит. Шумка меня вполне устраивает — она реально есть! Прежние хозяева купили машину в декабре, но сдали ее в трейд ин на Киа (типа деньги появились )) ) мне досталась новая резина Виатти на штампах 14, родная на литье 15 — Pirelli. Т.е шум слышу только от шипов по асфальту (где есть асфальт). Подвеска без шума проглатывает все неровности. Пробить до отбоя не получилось ни разу. Очень комфортно едет. Я сравниваю с бюджетными авто. В Солярисах шумнее! Двери закрываются с приятным звуком. Внизу дверей уплотнители — пороги чистые остаются. Я так понимаю это комплектация дает о себе знать. Под капотом спереди тоже уплотнитель. Из комплектации есть подогревы сидений, зеркал, лобового стекла. Датчик света, дождя. Музыка родная с блютуз. Играет очень сносно. Но хотелось бы с экраном с навигацией, но не ставят теперь ни в какие комплектации (позже может сменю). и еще перестали ставить круиз (хотя в книге описан). Еще стоит парктроник — удобная вещь, т.к. зад не видно совсем, помогает парковаться. Просто пищит с разной интенсивностью. ESP с антибуксом и помощь при троганье в гору. Это вещь, не зря хотел ))). На льду трогается без проблем. Я смотрю другие шлифуют и застревают, а я пробовал с ESP и без есть разница! Трогаюсь и еду без проблем. Лампочка только подмаргивает в приборке. При нормальном клиренсе можно проехать по колее и даже выехать из нее! Теперь РОБОТ. Он нормально везет машину! Да есть клевки очень маленькие это при интенсивном разгоне, но мне даже приятно я жду их, да когда же он переключится, а движок бывает до 5000 об раскручивает, а робот только потом переключает, это когда тапку в пол. Если ехать спокойно, то было в горку на дороге скорость около 60, а он пятую воткнул и тянет без проблем.
Потом правда передумал и переключился на 4. Т.е. при спокойном разгоне не чувствую переключений. Робот уже с прошивкой 2.0. Т.е при отпускании тормоза он начинает трогаться сам и если газ не нажимать будет так ехать. На старом роботе пробовал, машина если едет и бросить газ останавливается двигателем до 0, а тут всегда едет, надо жать тормоз. Так еще можно трогаться со 2 передачи — внатяг перейдя в ручной режим. Пока не нашел не одной причины работать механикой без автомата т.к. я и на автомате могу внатяг тронуться, если надо. )) Коробка стоит ВАЗ, но она не воет, как все пишут (или я не слышу ))) ). Еще есть режим СПОРТ. Т.е. отклик коробки должен меняться, НО у меня эта кнопка не работает. (Ну должно же что-то не работать) Съездил в сервис, а они с круглыми глазами на меня, что за комплектация и что за кнопка они не знают, как она работает тоже у них такой комплектации ни разу не было. Минут сорок копались: мерили, комп подключали и вынесли вердикт — кнопка сама не работает. Закажут на заводе — вот уже больше 2 недель жду. Без дёгтя ну никуда ))). Еще очень удобная вещи климат-контроль. Выставил температуру и забыл! Очень классно. Сервисники говорят, что этот рестайл сильно отличается от прежней Гранты в лучшую сторону. Если о чем забыл, то это бывает ;) Т.е. машина все мои ожидания оправдывает пока. Вот мой скромный отзыв. пробег на сегодняшний момент около 3000 км. Фотки выставляю из салона, т.к. грязь не позволяет сфоткать самому ).

Лада АМТ — роботизированная коробка ВАЗ 2182

Идею создания собственного автомата очень много лет вынашивали конструкторы АвтоВАЗа, но квалификации не хватало. Поэтому снова решили обратиться к зарубежным специалистам.

Сперва переговоры довольно долго велись с известной итальянской компанией Magneti Marelli, но полученное позже предложение немецкого концерна ZF оказалось гораздо более выгодным. В результате руководство АвтоВАЗа решило оснастить самую современную на данный момент отечественную механику ВАЗ 2180 электромеханическими актуаторами от немецкой компании.

Исполнительный механизм состоит из следующих узлов:

А — актуатор включения сцепления; Б — актуатор переключения передач; В — вилка включения сцепления; Г — датчик скорости на первичном валу; Д — ручка управления в салоне.

Исполнительный механизм переключения передач:

1 — шток выбора передач; 2 — привод включения передач;

3 — привод выбора передач; 4 — электромоторы.

Исполнительный механизм включения сцепления:

1 — приводная шестерня; 2 — шток вилки сцепления; 3 — компенсатор износа; 4 — компенсационная пружина; 5 — электромоторы.

В итоге получился типичный робот с электрическим приводом единственного диска сцепления. Такие модели были популярны у европейских либо японских производителей лет десять назад. На данный момент почти все ведущие автомобильные концерны мира от них давно отказались в пользу еще более современной трансмиссии: преселективных роботов с двумя сцеплениями.

Аналогичные трансмиссии других производителей:

Отзыв ВАЗ Granta 1.6 2015 г.

Всем здравия желаю! Читать отзывы конечно приятно и полезно, теперь вот надо тоже внести свой вклад, так что не судите строго, особенно за ошибки (торопился, да и написать хочется побольше + нет бук тупит и кнопки маленькие).

Lada Granta (комплектация люкс)

ДВС: 1.6 ; 16 кл.; 106 л/с, КПП: 5ст. роботизированная.

Комплектация: АБС; 2ПБ; 4ЭСП; Климат; Подогревы передних сидений; Датчик дождя; Два парктроника сзади; Туманки; Диски R15; Магнитола с сенсорным управлением; Штатная сигнализация.

1) Введение.

За 11 лет водительского стажа в личном владении были: первым был дедовский Москвич 412 ( чего только эта машина не выносила от меня), потом ВАЗ 2105 1.3 85 г.в. на газу (после Москвича комфортабельная и устойчивая машина), ВАЗ 2106 2006 г.в. (ездил примерно 2 года), потом почти новая 2105 (инжекторная 5ступка, тоже примерно года 2 ездил), Toyota Platz 2001 г.в. (машинка досталась в отличном состоянии ездил 3 года беды не знал, но захотелось большего и лишканул), Nissan Cefiro 1998 г.в. 2.5 210 л.с. двигатель Neo-Di который не едет на бензе ниже 95, машинка классная но уже старая да и бенза жрёт нормально + дорогие страховки, налоги (поездил 2 месяца и продал), Honda Civic 2000 г.в. 1.5 (8 клапанная на автомате — сам был в шоке) праворукий седанчик сделанный для Эмиратов ни АБС ни подушки безопасности, ужасная печка …. зато есть кожаный салон и климат-контроль ( машина досталась в плохом тех. состоянии думал сделаю потихоньку, но не получилось из-за фин. трудностей, думал что вот-вот и сломается НО! авто почти в неизменном виде по тех. части проездила 3-и года !!! низкий ей поклон, авто действительно очень надёжное и стойкое, правда рассчитана для хороших дорог и активной езде поэтому ходовая довольно жестковата). Все машины достойны отдельного внимания, но речь сейчас не о них. И вот теперь ……. ТА-ДАМ! Новая Лада Гранта ))

О последних иномарках, которые были в моём владении можно найти кучу отзывов, может и я выложу как-нибудь, а вот Гранта с роботом это довольно свежий экземпляр на нашем рынке поэтому написать о нём(ней) отзыв более актуально. Пробег всего 2000км. поэтому судить о качестве рановато. Буду добавлять инфу по стечению времени и увеличению пробега ))).

Скажу сразу, что не поклонник отечественного автопрома в силу его отсталости от современных технологий и сильно хромающем качестве агрегатов и запасных частей (есть с чем сравнивать). Не понимаю зачем наши всё время пытаются изобрести велосипед. Обидно что государство заставляет ездить на продукции собранной в РФ, мне кажется если не дикие таможенные пошлины на иномарки АВТОВАЗ бы загнулся давным давно, НО жалко ведь людей (заводчан) без работы оставлять, вот и отдуваемся все МЫ. У нас делают не машины а повозки для отсталых и нищих, коим и я являюсь. Прошу прощения отошёл от темы.

Решил освежить авто, продать Хонду и добавить кредитом. В семье с деньгами напряжёнка, поэтому рисковать уже не мог. Б/ушки достали……если у тебя нет хороших знакомых или родственников которые продают «конфетку», то поиски добротной б/у машины могут затянуться + сложно узнать реальный пробег + после каждого водителя надо что-то переделывать под себя и т.д. Надоело! Хотелось своего, нового. Ещё как на зло этот кризис цены на авто взлетели на 50-70 тыс. минимум. До этого хотел нового Соляриса или Рио. А т.к. я поклонник АКПП то сейчас они в хорошей комплектации стоят под 700 т.р. + проценты по кредиту + КАСКО около 70 т.р. в год …… короче КОСМОС. И вот облом кредит не дали наличкой. Хонду продал (за 130 т.р.), кредит не дают, а без машины вообще жизнь остановилась. Две ночи не спал думал размышлял. До этого постоянно сидел на сайтах читал отзывы смотрел б/ушки. Проездил на тест драйвах: Гранта, Солярис, Рио, Мазда 3, Спортадж, Поло Седан. В итоге пошёл в автосалон ВАЗ подавать заявку на кредит, в салоне сидели представители 4-х разных банков (ВТБ, Сетелем, Быстро Банк, Русфинанс). На тот момент я как 3 дня уволился с работы. Сетелем отказал, Русфинанс тоже, ВТБ отказал ….. вот сижу я напротив последней девушки и откровенно говорю что безработный но платить в срок обещаю и О ЧУДО через 15 мин. приходит одобрение. Ну вот что оставалось делать я согласился на 3 года под 8% годовых + страховка. В итоге переплата даже меньше чем в других банках без страховки (не реклама). Почему Гранта? Потому что мне надо было ДЁШЕВО и СЕРДИТО + чтобы всё было для комфортного нахождения в автомобиле (кондёр, подогревы, музыка, ЭСП, клиренс, не механика). Ну и Гранту выпускают на новых «рельсах» в отличии от отживающей своё Приоры.

Хотел взять на автомате, но их всех разобрали, а дальнейший выпуск с АКПП ужёл в прошлое из-за удорожания этого агрегата (закупался за $ в Японии). Теперь исхитрились и совместно с немцами сделали механизм выжимания сцепления и переключения скоростей для наших 5ступенчатых МКПП. В послной комплектации и с роботом в салоне стояла лишь одна машина, её и взял )) (фото позже выложу) Конечно же сначала был тест-драйв. Сразу скажу что два года назад как только вышла Гранта мы с другом ради интереса прокатились на ней (тоже тест драйв): у машины немного гудела коробка скоростей, тянула хорошо, дорогу ровно не держала приходилось постоянно подруливать. А в этот раз машина ехала ровно (читал что модернизировали рулевое + от резины тоже зависит), в салоне относительно тихо почти не слышно двигателя, ничего не скрипело и коробка тоже гудела. Пол дня оформлений бумаг и я «счастливый» обладатель новенькой Лада Гранта.

2) Первые впечатления

Давайте сразу определимся что мои впечатления и оценки направлены на отечественное авто ЭКОНОМ класса (т.е. по умолчанию дешёвая трудяжка) и сравнивать её буду не с Япами, Немцами, Французами и Корейцами, а в большей степени с предыдущими автомобилями отечественного производства на замену которым Гранту и сделали. О Китайцах и слышать не хочу, не доверяю я им (может быть пока).

Осмотрев машину на отсутствие повреждений сел за руль. Для запуска ДВС нужно в обязательном порядке нажимать на педаль тормоза (первые две минуты сидел тупил почему машина не заводится уже хотел вернуться за помощью, но потом увидел что горела лампочка нажатия на педаль). Завожу и поехал. Сиденья в отличии от люксовых старших братьев Калины и Приоры по высоте не регулируются, но мне сидеть удобно. Во время движения двигателя практически не слышно и на трассе при скорости 90-110 в машине реально комфортно и тихо, только слышны аэродинамические шумы от зеркал и шелест резины. Резина хоть и написано Пирелли г-но полное как и диски (спустя два дня попал колесом в острую ямку в асфальте она не выдержала такого издевательства и как бабахнет, реально прям взорвалась, 1100р. наложили жгут, теперь на колесе маленькая грыжа и диск поцарапал). Приятные мелочи вроде датчика дождя, парктроника, магнитолы, климата очень радуют. При включении кондиционера автомобиль практически не теряет мощности даже при наличии 4-х членов экипажа движка тянет и это с учетом что обкатку даже не прошла )) Правда работает кондиционер шумно, прям что-то внутри урчит, гудит …… но работает. Со штатной сигнализацией пока не разобрался, у неё какие-то странные алгоритмы работы (несколько режимов и все неудобные). В целом первые впечатления хорошие, честно готовился к худшему.

3) Подробное описание

Внешний вид. Фото обязательно выложу позже. Кому как )) Понятно что голая с завода на штампах выглядит не айс, но подкрасить можно. Мне даже начинает нравится моя Гранточка. Диски R15 с завода уже стояли, я только затонировал и затянул капот, передний бампер и зеркала бронеплёнкой. Советую поменять сразу щётки на дворниках и пластиковые уплотнители на стёклах (жёсткие и царапучие). А также масло в ДВС И КПП и свечи (стоят фирменно Русские).

Салон. Всё просто и доступно. Правда на сверке номеров в ГАИ не смог найти рычаг открытия капота, втроём искали пока инспектор не сжалился (где нашли не скажу). В люксе есть регулировка света фар по высоте. Штатная музыка для начала не плохо играет. Приятные мелочи: есть куда левую ногу поставить, лампочка и розетка в багажнике. Приборная панель очень информативная, перед глазами все нужные параметры в электронном виде, кроме тахометра и спидометра (температура ДВС, количество топлива в баке, показывает на какой передаче едешь + изменяемые показания бортового компьютера: температура за бортом, средний расход топлива, мгновенный расход топлива, сколько осталось до заправки, сколько машина работала часов, вроде есть ещё функция круиз контроля). Багажник большой и объемный, задние спинки складываются в почти ровный пол (в лифт бэке вообще песня). Для ног задних пассажиров места не особо, при посадке внизу узкий проём, постоянно будут пачкать либо спинки либо обивку……..короче комфорта у задник пассажиров минимум, если не считать воздуховоды к ногам. У салона есть один но большой недостаток наидешёвейший маркий и царапучий (очень царапучий) пластик. И ткань тоже маркая я чехлы сразу одел дутые из кожзама (или по красивому экокожа)

Ходовка. Как уже писал выше, раньше (2 года назад) брал на тест драйв Гранту. Машина не держала прямую и рыскала по дороге. Сейчас такого нет. Авто спокойно едет прямо и почти не реагирует на колею (говорят что модернизировали рулевой механизм, усилили чего-то там в нём + резина тоже имеет своё влияние на управляемость). Один раз заехал в глубокую колею в асфальте там да машина прям не хотела вылезать…но это придирки. Ходовая очень упругая, по трассе реально кайф до 120 км/ч., по городу мелкие неровности вообще не замечает, а от больших отпружинивает как мячик……прыг-прыг и всё. На поворотах в силу узкой базы и высокого клиренса слегка кренит, но терпимо. Опять же если немного занизить, колёса пошире и задний развал увеличить ….. то будет уже лучше )) Тормоза хорошие, правда бывает тяжело равномерно дозировать, вроде нормально нормально, а чуть передавил и задние пассажиры уже в нескольких сантиметрах от спинок сидений. Руль пустоватый, но за пару дней привыкаешь. Во время движения немного ощущаю себя за рулём паркетника (высокий, слегка валкий), это на самом деле приятное чувство, тебя дорога и её состояние совершенно не пугает. Узкая, манёвренная, высокая. Правда защита ДВС низковато висит, так что не забывайте про неё когда будете покорять городские или загородные джунгли.

ДВС.Слегка модернизированный 1.6 16 клапанный от Приоры 106 л.с. Т.к. пока обкатка я его не раскручиваю, но с уверенностью могу сказать уже сейчас потенциал есть. Гранте его хватает с запасом. Электронный газ сглаживает резкие движения ноги, поэтому разгон и сброс газа стали намного плавнее. Движка реально очень хорошо тянет, хватает спокойно обгонять на трассе длинные фуры без малейшего сомнения (просто переходишь заранее на передачу ниже и вперёд). Причём двигатель именно тянет, его даже раскручивать не надо, робот иногда включает пятую уже на 60 км/ч и она спокойно едет. На 4-й передаче на 2тыс. оборотов авто спокойно едет в небольшой подъем с кондёром и пассажирами. Кушает 95 бенз, можно и 92 заливать но с ним тяга ухудшается. По расходу топлива (пока обкатка): бортовой показывает средний расход 8.2. По трассе пишут есть 6 литров. Интересный факт когда еду по ровной поверхности держа скорость на 5й передаче 70 км/ч, мгновенный расход показывает 4-4.5 литра ))) Честное слово не вру, могу на видео снять.

Роботизированная коробка. Вот и подобрался к самому вкусному и интригующему ).

Я яростный поклонник автоматов т.к. выбираю комфорт. Никогда не видел смысла постоянно дёргать ручку чтобы просто ехать от светофора до светофора. Если хочешь драйва то там и авто должно быть лошадей под 200, тогда да. А толкаться в городе с мешалкой только коленную чашечку разрабатывать и одна рука постоянно должна отвлекаться от руля. Короче дело вкуса, я лично за комфорт. К чему я это, а к тому что хотел Гранту на автомате (хорошем японском автомате), но их все раскупили и больше выпускать не будут в силу экономической невыгодности (из-за возросшего доллара). На механике категорически не хотел. Теперь ВАЗы комплектуют роботизированными КПП или в дальнейшем АМТ. Что же такое робот? Сразу прошу не путать с автоматами и вариаторами. Робот это та же самая механическая 5ступенчатая вазовская трансмиссия, просто за тебя переключает скорости и выжимает сцепление два механизма ( один переключает, другой выжимает). Эти механизмы слава Богу не наши а немецкие, какой-то фирмы ZF(точно не помню), в их настройке участвовали товарищи из Порше, коробку испытывали и в горах и в холоде и на трассе и т. д. (читал за неё в нэте).

Было дело давно прокатился у друга на Королле с роботом, вот честно не понравилось, я прям слышал все эти перегазовки, выжимания сцепления и плавное его отпускание как-будто приведение делает всё за тебя. А в Гранте вот не поверите почти не слышно. Есть режим авто, когда коробка сама выбирает скорости, нейтралка её можно включать прям на скорости когда к светофору катишься (на автоматах так делать не рекомендуют), когда стоишь на светофоре дольше 7 секунд то нейтралку включать обязательно т.к. в это время машина стоит с выжатым сцеплением и как любая механика катится назад. Также есть режим мануального переключения, вниз при необходимости (замедлении) она сама понижает, а вверх только с подачи. После автомата конечно же не то, нужно постоянно включать нейтралку, плавность хода уже ближе к механике, переключает она плавно как вежливый водитель, поэтому ощущаются значительные провалы (особенно с первой на вторую, когда весь поток уходит вперёд). Но за три дня привыкаешь и уже не так бесишься, успокаиваешься и просто едешь. Машина может плавно трогаться, с нейтралки когда ставишь на режим почти мгновенно включает передачу без задержек.

Какие вижу плюсы: 1) Электроника не дает переключать что и когда захочешь, так что заднюю или не нужную передачу во время движения не включишь 2) Плавность переключения это больше защита от дураков ну и соответственно продлит срок службы сцепления и коробки 3) Экономия топлива т.к. электроника четко включает нужную передачу в зависимости от ситуации. Иногда и 5-у на 60 км.ч. И ещё педалью газа не надо делать ничего лишнего, обороты сами падают и повышаются во время переключения. Я бы не советовал брать авто с роботом для тех кто постоянно стоит в пробках, а в городах где движение более менее есть или пробег от работы и до дачи то вообще пойдёт. Так же не советовал бы тем кто не умеет ездить на механике т.к. можете забыться что на механике и скатитесь назад )).

Вывод. Если честно машиной доволен и даже начинаю любить с каждым днём сильней. Для наших авто это прогресс (подчёркиваю для НАШИХ). Дешёвая и многофункциональная. Сейчас половина машин собирают в России, почти у всех в салоне дешёвый пластик, маленький ресурс двигателя, дороговизна в обслуживании. А знаменитые старые япы и немцы уже реально очень старые. Поэтому я решил взять новое авто по средствам. Считаю что машина соответствует своему назначению, дороговато конечно, но сейчас всё дорогое. Надеюсь мой отзыв будет полезен )). По технической части говорить рано, как что новенького будет отпишусь.

плюсы и минусы ВАЗ Vesta

Приветствую читателей! Итак, может кто помнит, отзыв о Лада Веста я писал около месяца назад, пару дней назад решил его дополнить и с удивлением обнаружил что он исчез. Может я его нечаянно удалил, может уважаемым модераторам что-то не понравилось, не знаю. Вообщем кто читает мой отзыв в первый раз, расскажу предысторию. Автомобиль Лада Веста цвета Ангкор покупался в Туле в конце августа 2016 года. Перед покупкой рассматривал много автомобилей (Поло-Рио-Солярис, Шкода, Опель, Фокус и Рапид). К слову скажу, что все варианты были б/у, а на новые денег не хватало. Ничего против данных авто не имею, также ничего против не скажу про русские автомобили. Катался практически на всех вышеперечисленных и после каждой думал- ну все беру, только здесь добавлю, тут кредит, а еще же заменить кое-какие расходники… Да, и еще скажу, что ездил я исключительно на нашем автопроме, иномарки не особо цепляли, парадокс, да? А тут как раз на новые русАвто деньги были (Китай не смотрел). Помнится, у отца двенарик был с салона, он потом мне его отдал, пробег 165 000, и только расходники, крайне редко что выходило из строя. Вообщем тестил-тестил я машины, и тут заглянул в салон. Прошелся возле Гранты, посидел в пустой Приоре, постоял у Х-рей… Чем-то заманила Веста, сел в салон. Да, пластик не айс (в точности как у рено дастера или логана), но в целом внешний и внутренний вид оценил на пятерочку с минусом. Решился на тест-драйв. Прокатился. Во время теста подкупила управляемость. шумоизоляция и динамика (конечно, не БМВ, но все же). Придя домой, перелопатил инет, задавал вопросы на форумах посвященных Весте, ну и решил купить после долгих раздумий. И тут мнения друзей, подруг, коллег разделились 50:50. Кто-то говорил ни в коем случае, это же ВАЗ (!), кто-то поддерживал. В любом случае выбор был за мной.Конечно, цена, да. Насчет цены они влупили будь здоров. Ну, хотя к примеру тот же Солярис пустой без кондея обошелся бы в 620 тыс.Шкода Рапид 900 тыс. Поло под 700 тыс… В Весте комплектация Старт, кто хочет, почитайте, что она в себе включает. Ничего особенного, тот же кондей, тот же АБС. Но есть и другие занятные вещи — подогрев сидений, зеркал, 2 подушки, система стабилизации (очень полезная вещь — уже испытал), система помощи троганья при подъеме (вот это лишнее, тем более не отключается, поначалу сильно мешала) и охлаждаемый вещевой ящик… Что понравилось — вышеперечисленные плюшки, + просторный салон (для меня даже очень: рост — 170), большой багажник и доп. место рядом с запаской, высокий клиренс (при полной нагрузке 171 мм), шумка (но сделаю побольше шумки, все таки чуточку не хватает), внешний вид. Что не понравилось — недоработанная подвеска — стуки втулок стабилизатора (поменял по гарантии, проблема всех Вест), держатели глушителя (многие жалуются, что рвутся, у меня пока нет), хлипкая антенна (держится на честном слове), ну и как сказано выше — пластик, хотелось бы помягче, а то дуб — дубом. Из экстерьера единственное не понравилось- это Х-образные «вырубки» в дверях (ну не очень красиво) и на крышке багажника огромные буквы Л А Д А. Буквы я снял на второй день после покупки, не из-за того, что я стесняюсь, что купил Ладу, а потому что не очень нравится они мне. К тому же после мойки, с этих букв еще долго вода стекает, остаются следы. Но это уже придирки пошли))). По существу в принципе, что могу добавить… Ездил на ней уже и в другие города. На трассе ведет себя хорошо. Больше 130 не разгонялся, но появляется шум от ветра уже в диапазоне 90-100 км + шум от колес на зимней резине. В сельских пунктах показывает себя более чем положительно. Дает о себе знать высокий клиренс и острая управляемость. Расход трасса — 7,6, город 8,6. Бензин заливаю Шелл 92. В инструкции по эксплуатации сказано 92, или 95, а 95 заливал в период обкатки. Сейчас 92, он подешевле, да и привычней на нем. В заключение скажу, в целом машиной я очень доволен. Пусть это Ваз, пусть кое-какие косяки присутствуют (а где их нет?). Хвастаться мне не перед кем, поэтому взял машину именно под свои нужды. Большое спасибо всем за прочтение, жду комментарии, при возможности отзыв буду дополнять.

Лада Гранта 2020 года отзыв владельца №44797

Много букв, технических подробностей мало (т.к. пробег детский еще), больше впечатления и сравнения.
Предисловие: есть у меня вот этот автомобиль
Toyota Hilux Surf , который для меня и хобби, и средство передвижения, и верный друг, и жертва моих экспериментов (кстати, что-то я забросила дополнять отзыв о нем, надо исправиться в ближайшее время).
И был у меня вот такой автомобиль (который я брала как подменный на пару месяцев, а задержался он у меня на пару лет)))
И вот как-то в солнечный весенний день я снова ковыряла этот проклятый карб в Короне, чтобы поехать на работу именно на ней (Э – экономия бензина), и пришла мне в голову «умная» мысль: а не купить ли мне новый автомобиль? Вот прям новый, чтоб сидушки в целлофане были!
Опыта владения сразу двумя автомобилями у меня достаточно, и это крайне удобно (ну лично для меня), а с Короной я привыкла к низкому расходу (по сравнению с Сурфом) в повседневных поездках, но так и не привыкла постоянно лазить в карб)) Сначала интересно было, а потом бесить уже стало. И можно было бы пойти как обычно путем доработки автомобиля до нужного мне (внедрить инжектор и катать Корону дальше, т. к. я чувствовала, что она еще меня переживет), но вот захотелось мне именно новый авто (блажь, короче, такая).
Как все знают по моим предыдущим отзывам, я человек абсолютно без понтов, и для меня главное – это чтоб автомобиль ехал, просто ехал (раком, боком, бесшумно или с ревом, с кондеем или без, с кожаными сиденьями или с драными сидушками – все это не имеет значения), т.к. главная функция автомобиля (на мой взгляд) – это перемещать задницу его владельца на заданное расстояние. Посему я сформировала себе четкий образ авто: новое, АТ или АМТ, низкий расход (т.к. это будет поповозка для повседневных поездок, которая возьмет на себя самую большую часть моего ежегодного пробега) и самое дешевое. Точка.
Под эти  требования собственно только две машины и подходили: Гранта и Датсун (который я очень быстро вычеркнула, т.к. тот же АвтоВаз, только по более высокой цене). Также я довольно быстро вычеркнула и АКПП из списка трансмиссий, т.к. хотелось низкий расход топлива, к которому я уже привыкла на Короне.
«Как же так, после японцев сесть на детище АвтоВаза? Автор – дура! Гранта начнет умирать и разваливаться сразу при выезде из салона!» — я уверена, что именно эти фразы многие прокручивают в голове))
Ребята, я, конечно, была и остаюсь поклонницей японских автомобилей (что бы там про них не говорили), но судить о других машинах всегда стараюсь объективно. Пугало ли меня качество «детей» АвтоВаза? Да, пугало. Пугает ли это меня сейчас? Да, пугает)) Но на самом деле это и хорошо, потому что я с открытыми глазами покупала этот автомобиль, и не ждала от него чего-то особенного (да и требования у меня к авто довольно просты, я на многое могу закрыть глаза, кроме явных неисправностей).  
Короче, в течение недели я выносила мозг двум дилерам в нашем городе на предмет наличия подходящих мне авто и их стоимости (Корона должна была пойти в трейд-ин), торговалась до слез)) Оказывается, во мне есть некоторый талант выбивания выгод (видимо, моя жаба в эти часы разрасталась до максимального размера))) Жаба утихла только в один момент явно бесполезных трат – это когда я приняла решение приобрести лифтбек (а всем известно же, что седан дешевле!) да еще и НЕ белый (опять же всем известно, что все цвета, кроме белого, за дополнительную плату). Причина чисто субъективная: под цвет Сурфа + лифтбек реально симпатичный вариант кузова. А Корона осталась у дилера по программе трейд-ин. Кстати, дилер ее продал кому-то. Если новый владелец этой Короны меня читает, то отзовись – презентую втулки стаба)) купила, но руки не дошли поставить.
Как я говорила, от АКПП сознательно отказалась, выбрав робот (АМТ), т.к. во-первых, нужен был низкий расход топлива, во-вторых, было просто интересно (т.к. мнения очень уж противоречивые о роботе). Да, в будущем автомобиль на АКПП продать гораздо легче, чем на АМТ, но я из тех владельцев авто, которые не думают о его продаже, когда только покупают автомобиль. Отзывы об АМТ также пугали возможностью быстрого подыхания сцепления, но узнав его стоимость, я поняла, что расход топлива с моими пробегами в несколько раз окупит стоимость сцепы. Да и вообще не факт, что все будет так печально.
В общем, встречайте, завидуйте (стеб, конечно!) – Гранта лифтбек, комфорт, АМТ, 2020 г.в. Как я перегоняла ее от дилера домой – это вообще отдельная история (таки почти 10 лет я ездила исключительно на правом руле). Ну и в течение первой недели передвижения я пару раз наезжала на обочину правой стороной, три раза садилась на пассажирское сиденье и не понимала, почему руль с другой стороны, а также пару раз пыталась уехать на ручнике (про путаницу дворников и поворотников вообще молчу).
Также немного (мягко сказать) я офигела от того, что лючок бензобака не запирается))) Но это еще в салоне было, когда я задала вопрос: как открыть бак? Наверное, сейчас всем смешно, кто это читает, но не было у меня никогда детищ АвтоВаза и не знала я, что так у всех)) Но это чисто субъективное первое впечатление, т.к. объективно не представляю ситуаций, когда кому-нибудь понадобится ломать сетку в горловине, чтобы срочно слить бензин из этого автомобиля.
Ну и далее следующие мои впечатления/ощущения:
1. Расход топлива. Отличный! Меня все устраивает. Передвигаюсь я примерно 50/50 трасса/город, в смешанном режиме (если совсем лютых пробок по городу нет) выходит средний расход 6,3 л на сотню. Если же встреваю в пробки, в которых можно провести не один час, то средний расход вылазит в районе 7,5л на сотню. Повторюсь: это смешанный режим. Городской цикл: 9-10 литров, только трасса: 5-6 литров. Манера вождения у меня не скажу, что агрессивная, но тапок притопить люблю)) Как-то пробовала (ради интереса) проехаться по трассе строго 80-90 км/ч без резких ускорений и получила расход в 4,5 литра)) Так что, если очень нужно поэкономить на топливе, то это возможно (если позволяет дорожная ситуация и нервы водителя).
При обкатке расход был выше, после 3 тыс. пробега немного снизился (примерно на 1-2 литра). Посмотрим, что будет зимой. Но в любом случае цель №1 – расход не выше, чем у Короны, достигнута.
2. Динамика. Вот сейчас многие поспорят, наверное, со мной, но я довольна. Сравниваю опять же с Короной (как наиболее близкий по объему/мощности движка и весу авто, которым я владела). Гранта вполне может быть просто динамичной и Очень динамичной, особенно на трассе, а также в моменты старта с места (со светофоров, например). Удивляетесь, как это возможно на роботе? Да легко! Более того, не в ручном режиме, а в автоматическом. Но о роботе чуть ниже напишу.
3. Подвеска. В первое время мне категорически не понравилась работа подвески Гранты, т.к. сказывалось влияние опыта владения Короной. Корона очень мягкая, когда едет по кочкам/ямкам, то этого не чувствуется вообще. Гранта куда более жесткая, и моя пятая точка это сразу поняла и не обрадовалась (но, если уж совсем честно, то этой самой пятой точке должно быть за это стыдно, т.к. после Сурфа абсолютно любой гражданский автомобиль должен казаться верхом мягкости). Спустя время я просто привыкла. Здесь нет ни минусов, ни плюсов, нужна просто привычка. Опять же: когда подвеска жесткая, то более ощущаешь неровности дороги и более аккуратен с автомобилем (но это чисто мое ИМХО).
4. Управляемость. Очень много прочитала мнений о том, что у Гранты пустой руль, была морально готова к этому. Руль действительно легкий – это правда. Но ради справедливости: не понимаю, почему такую оду поют ЭУР в части легкого руля? Опять же сравнение с Короной, у которой ГУР, — абсолютно такой же легкий руль. В общем, «легкость» меня не впечатлила (эффекта «вау!» от ЭУР не произошло).
Насчет «пустоты»: ложь и провокация!)) Серьезно: я не знаю, на чем передвигались все те люди, которые пишут про пустой руль и отсутствие ощущения связи руля и колес, но по отношению к Гранте это явная ложь. Возможно, тут проблема в умении? Не козыряю ни в коем случае своими водительскими навыками, но я реально не понимаю, почему народ считает, что Гранта имеет некие проблемы с «пустым» рулем. В общем, мое мнение – вполне хорошо управляемый автомобиль (ни лучше, ни хуже остальных авто с таким же типом подвески). Связь руля и колес ощущается четко.
5. Шумоизоляция. Меня устраивает. Но тут я буду необъективна скорее всего, т.к. ни Корона, ни тем более Сурф шумоизоляцией не могут похвастаться от слова совсем)) Более того, меня даже несколько напрягает то, что я плохо слышу (при  закрытых окнах) шум двигателя. Я привыкла, что всегда слышу все, что происходит в моторном отсеке при движении, и если что не так, то я услышу. На Гранте у меня отсутствует такая возможность))
6. КПП – робот. Первые мои ощущения были: ну епта, на фига я подписалась на АМТ, оно же не едет, тупит, ведет себя вообще непредсказуемо! Такие ощущения длились у меня пару тысяч пробега, потом я постепенно начала понимать принцип работы АМТ и то, что нужно с ним делать, чтобы авто ехало и не раздражало, поэтому просто ждала, когда пройдет обкаточный пробег в 3 тыс., чтобы уже установить на практике свои теории о дружбе с роботом.
Считаю, что для тех, кто «умеет готовить» АКПП: я имею в виду, кто действительно умеет переключаться, используя только педаль газа, для тех, кто в АКПП знает и применяет в нужное время не только положения Р, R и D, не составит труда подружиться с роботом. Не сразу, некоторое время вам понадобится, т.к. принцип работы педалью чуть-чуть другой, нежели на АТ, но проблемы это не вызовет, а в итоге вы будете даже довольны этом типом трансмиссии. Я здесь пишу только про работу робота в автоматическом режиме, в ручном режиме, я думаю, что ни у кого вообще вопросов не возникало никогда.
Итак, АМТ более быстро реагирует, нежели АТ на любые операции с педалью газа, НО: только если вы хотите, чтобы это было быстро, т.к. (как и на АКПП) у водителя есть возможность дозировать нажатие на педаль газа определенным образом (АКПП-воды меня поймут, я думаю, сложно словами описать).
Плавность переключения передач на АМТ и АТ одинакова.
Сброс передачи, набор оборотов и соответственно скорости в режиме кикдаун на АМТ быстрее, чем на АТ. Я бы даже сказала, что на АМТ в кикдауне происходит настолько молниеносный набор оборотов, что это почти не заметно: т.е. едешь ты такой с оборотами 2,5 тыщи, тут обогнать надо, тапок в пол – и прям реально доли секунды и уже 5 тыщ и ты летишь)) С АТ тоже быстро, но не настолько все-таки.
Многие пишут, что по городу удобнее передвигаться в ручном режиме, т.к. это позволяет не терять динамику, когда необходимо резко ускориться. Да, я была согласна с этими людьми, пока не освоила окончательно этот чудо-робот)) Теперь не составляет труда резко рвануть с места (из полной остановки) в автоматическом режиме.
Что мне до сих пор не удается (точнее, наверное, будет сказать – не могу освоить пока): это маневрирование в автоматическом режиме (при парковке, например, или в других ситуациях, когда нужно ехать медленно и аккуратно, или просто медленно – в пробке, например), потому как гадский робот все время норовит включить 2ую передачу))) а ползущий режим у него – это ощутимо быстро. В ручном же режиме как-то проще получается контролировать все это. Но какие мои годы? Обуздаем АМТ и в таких ситуациях)))

Неисправности/обслуживание:
Здесь пока писать-то особенно нечего, но все же пара моментов есть))
1. Как всякий правильный фанат японских автомобилей, с момента выезда из бокса дилера на новой Гранте я ждала, когда уже что-нибудь произойдет, чтобы я могла сказать «ну и г…но же я купила!»
И первые две тысячи пробега я все время находилась в режиме этого ожидания, и результат не заставил себя ждать!))
Стал периодически моргать индикатор открытой двери (в основном после проезда неровностей на дороге). Я подумала: «ура, наконец-то что-то поломалось!»))) Ну в общем-то, ерунда, конечно: наверняка концевик двери чудил (либо сам концевик, либо регулировка двери), на скорость не влияет, поэтому оставила этот трабл до поездки к дилеру на замену жидкостей после обкатки.
И вот долгожданные 3 тыс. км пробега, еду к дилеру (менять масло в ДВС и КПП), чтобы вынести ему мозг с этим концевиком. На любом другом автомобиле я бы вообще отрезала концевики, т.к. лишняя электрика/электроника – лишние неприятности, и забила бы на это. Но это же Новый автомобиль, поэтому моя задача была – биться до конца, чтобы устранили по гарантии (хотя, если уж честно, то можно было и самой за 5 минут устранить, но это дело принципа!).
Короче, еду я и обдумываю уже план мести дилеру, когда он начнет отказывать мне в устранении этого косяка. Неисправность же плавающая, продемонстрировать нереально. И что вы думаете? Они просто без лишних слов отрегулировали мне дверь (при этом даже не просили продемонстрировать мое горе!). И все. Никакой драмы, битвы))) Неинтересно даже. Больше не проявляется.
2. Сверчки, скрипы и прочее. Все, что пишут об этом — это чистая правда, все это присутствует в разной степени. На первой тысяче пробега стал скрипеть кожух рулевой колонки, потом перестал. На третьей тысяче пробега завелся сверчок где-то сзади в пластике обшивки (если мне слух не изменяет), потом тоже затих. Сейчас время от времени начинает дребезжать стекло в задней двери. Вот жду, может, тоже перестанет)) Бороться с этим даже не собираюсь, если честно, просто с интересом наблюдаю звуковое развитие событий.
3. Ну и ништячки, куда без них!)) Во все автомобили я всегда натягиваю чехлы на сиденья, чтобы не портить родную обшивку, ну и придать более симпатичный вид салону. Гранта не стала исключением. Хотя родная обшивка позволяет снять ее и постирать (на молнии). До Гранты никогда не видела автомобили с такой опцией снятия родных чехлов, считаю, что очень грамотное решение. За это прям респект!
Чехлы взяла модные нынче из экокожи (конечно же, красные))) Как и любые другие чехлы их рекомендовано устанавливать на демонтированных сиденьях. Снять сиденья в Гранте сложностей не представляет, если есть минимальный набор инструментов. На передние сиденья потребуются звездочки (хвала автомобильным богам, они были в моем наборе), а вот с задними я немного помучалась, т.к. там стоят стопорные колечки (надеюсь, что правильно обозвала, у меня всегда были трудности с правильным наименованием крепежа))) и сложновато было их сорвать.
Результат на фото. Вообще фотографий в этом отзыве не очень много, т.к. автомобиль довольно распространенный и не вижу смысла делать обзорные фото.

В общем, эксплуатирую дальше, жду зиму (по-любому все самое интересное начнется зимой). Пока вердикт: я довольна (как ни странно это для меня самой).

Источник: https://www.drom.ru/reviews/lada/granta/1415822/

отзывы реальных владельцев (видео) — Обзоры LADA — LADAVOD

Lada Granta с пятиступенчатой коробкой AMT выбирают люди с ограниченным бюджетом, которые не хотят испытывать дискомфорт езды по городским пробкам и не хотят покупать подержанные автомобили.

Робот на Гранте уже успел зарекомендовать себя на других моделях, был обкатан и доведен. Впервые робот появился еще на Приоре в уже далеком 2014-ом году. После доработок устанавливали на Vesta, XRAY. Теперь обновленный в 2019-ом году робот 2.0 устанавливается и на LADA Granta.

В основе роботизированной КПП Granta — механическая коробка под названием ВАЗ-2180 на троссовых приводах. Сцепление робота Granta от Valeo, а вот исполнительный механизм разработала немецкая компания ZF. Вазовцы отмечают, что в настройке механизмов и доводке режимов переключения передач помогали специалисты Porsche Engineering. Они отвечали за плавность хода и динамику базовой версии.

Схема коробки передач LADA 5 AMT с исполнительными механизмами ZF

Не смотря на первые опасения, за 6 лет роботизированная коробка AMT завоевала своего покупателя. Самое массовое распространение получила на модели Vesta, где нехватка автомата сильно снижала потребительский спрос.

Теперь же с роботом можно купить LADA Granta во всех кузовах. Цена за Гранту с роботом стартует от 656 тыс руб без учета скидок и акций.

Отзывы владельцев Granta с роботом (АМТ)

Пользователи интернета активно делятся своими отзывами о роботизированной коробке на Гранте. В большинстве своем отзывы положительные, но следует понимать, что пересев с гидромеханического автомата водитель почувствует разницу. Робот на Гранте собрал отзывы реальных владельцев, которые прошли 50 и более тысяч километров в разных климатических условиях и режимах эксплуатации.

Стоит ли покупать Lada Granta с AMT 2.0? Смотрите отзывы на видео!

Отзыв реального владельца рестайлинговой LADA Granta с «роботом» АМТ после 45 тыс. км и года эксплуатации

Granta AMT 2.0 в пробке: «ползучий» режим

Перепрошитая Гранта АМТ с 1.0 на 2.0 — отзыв реального владельца в 2021 году

Отзыв о грузоподъёмности Гранта с «роботом». Перевез 600 кг: перегрелась ли AMT 2.0?

Адаптация роботизированной КПП 2.0 на LADA Granta

Произошла ошибка при настройке вашего пользовательского файла cookie

Произошла ошибка при настройке вашего пользовательского файла cookie

Этот сайт использует файлы cookie для повышения производительности. Если ваш браузер не принимает файлы cookie, вы не можете просматривать этот сайт.

Настройка вашего браузера для приема файлов cookie

Существует множество причин, по которым cookie не может быть установлен правильно. Ниже приведены наиболее частые причины:

  • В вашем браузере отключены файлы cookie.Вам необходимо сбросить настройки своего браузера, чтобы он принимал файлы cookie, или чтобы спросить вас, хотите ли вы принимать файлы cookie.
  • Ваш браузер спрашивает вас, хотите ли вы принимать файлы cookie, и вы отказались. Чтобы принять файлы cookie с этого сайта, нажмите кнопку «Назад» и примите файлы cookie.
  • Ваш браузер не поддерживает файлы cookie. Если вы подозреваете это, попробуйте другой браузер.
  • Дата на вашем компьютере в прошлом. Если часы вашего компьютера показывают дату до 1 января 1970 г., браузер автоматически забудет файл cookie.Чтобы исправить это, установите правильное время и дату на своем компьютере.
  • Вы установили приложение, которое отслеживает или блокирует установку файлов cookie. Вы должны отключить приложение при входе в систему или проконсультироваться с системным администратором.

Почему этому сайту требуются файлы cookie?

Этот сайт использует файлы cookie для повышения производительности, запоминая, что вы вошли в систему, когда переходите со страницы на страницу.Чтобы предоставить доступ без файлов cookie потребует, чтобы сайт создавал новый сеанс для каждой посещаемой страницы, что замедляет работу системы до неприемлемого уровня.

Что сохраняется в файле cookie?

Этот сайт не хранит ничего, кроме автоматически сгенерированного идентификатора сеанса в cookie; никакая другая информация не фиксируется.

Как правило, в файлах cookie может храниться только информация, которую вы предоставляете, или выбор, который вы делаете при посещении веб-сайта. Например, сайт не может определить ваше имя электронной почты, пока вы не введете его. Разрешение веб-сайту создавать файлы cookie не дает этому или любому другому сайту доступа к остальной части вашего компьютера, и только сайт, который создал файл cookie, может его прочитать.

Произошла ошибка при настройке вашего пользовательского файла cookie

Произошла ошибка при настройке вашего пользовательского файла cookie

Этот сайт использует файлы cookie для повышения производительности. Если ваш браузер не принимает файлы cookie, вы не можете просматривать этот сайт.

Настройка вашего браузера для приема файлов cookie

Существует множество причин, по которым cookie не может быть установлен правильно. Ниже приведены наиболее частые причины:

  • В вашем браузере отключены файлы cookie. Вам необходимо сбросить настройки своего браузера, чтобы он принимал файлы cookie, или чтобы спросить вас, хотите ли вы принимать файлы cookie.
  • Ваш браузер спрашивает вас, хотите ли вы принимать файлы cookie, и вы отказались. Чтобы принять файлы cookie с этого сайта, нажмите кнопку «Назад» и примите файлы cookie.
  • Ваш браузер не поддерживает файлы cookie. Если вы подозреваете это, попробуйте другой браузер.
  • Дата на вашем компьютере в прошлом. Если часы вашего компьютера показывают дату до 1 января 1970 г., браузер автоматически забудет файл cookie. Чтобы исправить это, установите правильное время и дату на своем компьютере.
  • Вы установили приложение, которое отслеживает или блокирует установку файлов cookie.Вы должны отключить приложение при входе в систему или проконсультироваться с системным администратором.

Почему этому сайту требуются файлы cookie?

Этот сайт использует файлы cookie для повышения производительности, запоминая, что вы вошли в систему, когда переходите со страницы на страницу. Чтобы предоставить доступ без файлов cookie потребует, чтобы сайт создавал новый сеанс для каждой посещаемой страницы, что замедляет работу системы до неприемлемого уровня.

Что сохраняется в файле cookie?

Этот сайт не хранит ничего, кроме автоматически сгенерированного идентификатора сеанса в cookie; никакая другая информация не фиксируется.

Как правило, в файлах cookie может храниться только информация, которую вы предоставляете, или выбор, который вы делаете при посещении веб-сайта. Например, сайт не может определить ваше имя электронной почты, пока вы не введете его. Разрешение веб-сайту создавать файлы cookie не дает этому или любому другому сайту доступа к остальной части вашего компьютера, и только сайт, который создал файл cookie, может его прочитать.

границ | Рак яичка — хирургическое лечение

Опухоль семенных клеток яичка (GCT) является наиболее распространенной солидной опухолью у мужчин в возрасте от 20 до 44 лет. Мужчины с диагнозом GCT имеют отличную выживаемость благодаря достижениям в парадигме мультимодального лечения химиотерапии, лучевой терапии и хирургии (1 ).

Рак яичка делится на две большие группы для планирования лечения: семинома и несеминома. К несеминоматозным опухолям яичек относятся: эмбриональные карциномы, опухоли желточного мешка, хориокарциномы, тератомы и смешанные опухоли половых клеток.Тератоматозные элементы могут быть обнаружены в несеминомах, что увеличивает вероятность устойчивости к химиотерапии; следовательно, для излечения требуется хирургическое лечение. Однако чистые семиномы не содержат таких элементов. Соответственно, хирургическое лечение играет большую роль в лечении немемином, чем при лечении семином (2).

У пациентов с подозрением на злокачественный рак радикальная орхиэктомия является выбранной диагностической и терапевтической процедурой. Перед операцией следует провести анамнез и физикальное обследование, альфа-фетопротеин, бета-ХГЧ, ЛДГ, биохимический профиль и УЗИ яичек. Доступ осуществляется через паховый разрез, что позволяет полностью удалить ипсилатеральное яичко, придаток яичка и семенной канатик на уровне внутреннего пахового кольца. Результаты после однократной радикальной орхиэктомии составляют от 80 до 85% от онкологического излечения при отсутствии метастазов (2).

При сравнении онкологических исходов после орхиэктомии стоит отметить, что несеминомы представляют более высокий риск рецидива по сравнению с семиномами, особенно когда произошла лимфоваскулярная инвазия (3).Таким образом, наблюдение после орхиэктомии является возможным вариантом в обоих случаях; однако он имеет большее значение, когда речь идет о несеминомах (3).

Международная консенсусная группа по раку зародышевых клеток (IGCCCG) классифицирует пациентов на три разные группы в зависимости от места заболевания и уровня повышения маркера: хороший, средний или плохой прогноз (4). Эта классификация была включена в систему опухолей, узлов и метастазов (TNM). Приблизительно 65% пациентов с метастатическими несеминомами в современной серии исследований попадают в группу с хорошим прогнозом, у которой коэффициент выживаемости составляет примерно 97%, когда диссекция забрюшинных лимфатических узлов выполняется с помощью нескольких различных методов, обсуждаемых ниже, и химиотерапии (4).Большинство пациентов (> 95%) с метастатической семиномой относятся к группе с хорошим прогнозом и имеют выживаемость 95% и более (4). Группа с промежуточным прогнозом включает 20% метастатических несемином и только 3% семином, общая выживаемость которых составляет около 90% (4). Единственным участником группы с плохим прогнозом, которая составляет ~ 20% пациентов с метастатическим заболеванием, является несеминома с коэффициентом выживаемости 65–70% (4).

Интраэпителиальная неоплазия яичек (TIN) считается предшественником GCT (5).ИНН обладают четырьмя важными и конкретными характеристиками, которые напрямую влияют на управление им. Во-первых, ИНН часто распределяется по обширным участкам пораженного яичка; Таким образом, биопсия яичка может поставить диагноз. Во-вторых, TIN часто присутствует в яичке за разумное время до прогрессирования рака. В-третьих, иммуногистологические методы позволяют безопасно определять ИНН. И, наконец, при клиническом обнаружении ИНН возможно проведение органного спарринга (5).

Принимая во внимание последнее, для вариантов лечения TIN местная лучевая терапия является наиболее безопасной с 98% успешностью (5). Другой доступный вариант — химиотерапия, хотя она имеет значительно более низкую эффективность, с показателем успеха только 76% после трех курсов (5). Другая возможность — это органосохраняющая операция, позволяющая сохранить яичко.

Операция по сохранению яичек в основном рассматривается у пациентов с доброкачественными новообразованиями и TIN, с размером опухоли 1–1,5 см или меньше, и у которых есть только одно или оба яичка, пораженных этим заболеванием.В этих случаях орхиэктомия может рассматриваться как чрезмерное лечение, если предположить, что пациент станет бесплодным после процедуры (6). Недавние исследования показали, что в этих случаях небольших образований мошонки операция по сохранению яичек является надежным и безопасным вариантом, хотя в некоторых статьях указывается на наличие мультифокальных опухолей; поэтому в дополнение к опухолевой массе следует проводить иссечение, предполагающее наличие безопасного края нормальной ткани яичка на расстоянии 1 см, что снижает риск появления злокачественных сателлитных поражений (7).

Забрюшинная лимфатическая диссекция (RPLND) используется для лечения GCT с 1900-х годов, и доступно большое количество данных, демонстрирующих ее долгосрочную эффективность и безопасность (4). В отличие от химиотерапии, операция не связана с сердечно-легочными заболеваниями, метаболическим синдромом вторичного злокачественного новообразования. Одно только хирургическое вмешательство снижает вероятность необходимости последующей химиотерапии на 50% и исключает необходимость сканирования брюшной компьютерной томографии (КТ) во время последующего наблюдения (4).Тем не менее, первичный RPLND не исключает риска рецидива за пределами забрюшинного пространства (5–8% всех рецидивов на стадии I и 30% пациентов с патологической стадией заболевания II), поскольку легкие являются наиболее пораженным органом (4, 8).

Важно отметить, что RPLND в основном рекомендуется в качестве варианта лечения, не связанного с семиномой, при условии, что наблюдение и химиотерапия в настоящее время являются наиболее подходящими вариантами для лечения семином (9). Однако, если пациент не желает проходить наблюдение, химиотерапия более эффективна, чем RPLND, в случае несеминомы (9).

По-прежнему учитывая несеминомы, в случае лечения пациентов с рецидивом во время наблюдения следует провести 3-4 цикла химиотерапии BEP (9). Впоследствии необходимость постхимиотерапии RPLND следует оценивать индивидуально и при необходимости проводить (9).

RPLND требует большого опыта, как описано ниже; следовательно, при выполнении за пределами центров с большим объемом операций, это связано с более высокой заболеваемостью и более высокой частотой рецидивов в полевых условиях.Кроме того, если при первичном RPLND обнаруживаются положительные лимфатические узлы, пациенты все равно должны пройти адъювантную химиотерапию из двух циклов блеомицина / этопозида / цисплатина (BEP) (4). Таким образом, европейские и канадские согласованные руководящие принципы больше не рекомендуют первичный RPLND для несеминомных зародышевых опухолей I стадии (NSGCT), в то время как в рекомендациях Национальной комплексной онкологической сети (NCCN) он по-прежнему указывается как допустимый вариант (2, 4, 9).

RPLND значительно улучшился за прошедшие годы, особенно с введением лапароскопического доступа в 1992 году и недавно, в 2006 году, с использованием роботизированного подхода (10).

Лапароскопическая диссекция забрюшинного лимфатического узла (L-RPLND), по самым ранним сообщениям, обеспечила сокращение времени восстановления, меньшую кровопотерю и меньшую частоту осложнений по сравнению с открытой диссекцией забрюшинного лимфатического узла (O-RPLND). Однако операция имела более низкий выход лимфатических узлов, очень крутую кривую обучения и мало исследований долгосрочных онкологических результатов (10).

В 2005 году Нассар Альбками и Гюнтер Янетчек опубликовали исследование, в котором сравнивали O-RPLND и L-RPLND при лечении рака яичек I и II клинической стадии, уделяя особое внимание средней продолжительности операции, средней кровопотере и продолжительности пребывания в больницах. и рецидивов во время наблюдения, а также хирургическая и онкологическая эффективность, частота осложнений, заболеваемость, косметические результаты, точность диагностики и частота рецидивов (10).

Полученные результаты убедительно свидетельствуют о том, что L-RPLND по сравнению с O-RPLND обеспечивает эквивалентную хирургическую и онкологическую эффективность с аналогичной выживаемостью и частотой рецидивов опухоли. Однако удовлетворенность пациентов была явно выше с L-RPLND, потому что он обеспечивает лучшие косметические результаты, более быстрое выздоровление, меньшую послеоперационную смертность, меньше осложнений и более короткое время операции. Примечательно, что процедура действительно сложна, но как только крутая кривая обучения преодолена, преимущества делают L-RPLND лучше, чем O-RPLND (10).

За последнее десятилетие роботизированная технология появилась в области урологии как альтернатива традиционной лапароскопической хирургии. Робот предоставляет большую степень свободы передвижения и лучшую трехмерную визуализацию, при этом обеспечивая при этом преимущества минимально инвазивного подхода. Наибольшие споры по поводу использования робототехники вызывают удорожание технологии (11).

В 2015 году исследование Харриса, Горина, Болла, Пьерорацио и Аллафа из Института урологии Джона Хопкинса опубликовало первую ретроспективную статью, в которой сравнивались результаты лапароскопических и роботизированных доступов, выполненных в их центре с 2006 по 2014 годы. .За это время одним хирургом было выполнено 16 роботизированных диссекций забрюшинных лимфатических узлов (R-RPLND) и 21 L-RPLND, все они были NSGCT I стадии (12).

Результаты показывают, что R-RPLND эквивалентен L-RPLND при сравнении периоперационных результатов и безопасности. В частности, проанализированные параметры, из которых все имели сходные значения, были: частота осложнений, время операции, расчетная кровопотеря и конверсии. Кроме того, эти параметры также были схожими между группами: эякуляторный статус, выход LN и частота положительности LN (12).

Сторонники роботизированной технологии заявляют, что при анализе простатэктомий и нефрэктомий превосходные периоперационные результаты являются не единственным преимуществом, но также стоит упомянуть об улучшении интракорпорального наложения швов и лучшем контроле нервных сплетений и сосудов. Эти технические улучшения, которые обеспечивает роботизированная технология, имеют большое значение для развития RPLND, особенно с учетом количества резецированных LN и успеха нервосберегающей техники, о чем свидетельствует защита магистральных сосудов, нервных сплетений и антеградная эякуляция ( 12).

В 2016 году статья, анализирующая 20 R-RPLND, выполненных на NSGCT с клиническими стадиями (CS) I и II и после химиотерапии, представила преимущества роботизированного подхода, поскольку его легче воспроизвести, в то время как традиционный лапароскопический подход требует опытный хирург и требует длительного обучения. Кроме того, он обеспечивает двусторонний доступ в положении лежа на спине, соблюдая онкологические принципы (13).

В 2018 году в систематическом обзоре Джона Хопкинса было проанализировано 36 статей до июля 2017 года, в которых сравнивались три различных хирургических подхода (открытый, лапароскопический и роботизированный), и был сделан вывод, что роботизированный подход обеспечивает эквивалентные или даже лучшие онкологические результаты по сравнению с другие подходы, выполняемые опытными хирургами.Кроме того, R-RPLND предлагает большую ловкость, превосходную визуализацию, более короткую кривую обучения для хирурга и меньшее количество осложнений в целом, при этом обеспечивая лучшие преимущества восстановления по сравнению с L-RPLND, такие как более короткая продолжительность пребывания в больницах и снижение частоты осложнений. . Тем не менее, по-прежнему необходимы более крупные проспективные исследования, чтобы лучше оценить отдаленные онкологические исходы и частоту осложнений как в условиях первичной, так и после химиотерапии (1).

В заключение, дальнейшие исследования должны быть выполнены с большим количеством отчетов о случаях, чтобы утверждать превосходство R-RPLND.Примечательно, что постоянно растущая эволюция технологий привела к появлению инноваций для обычных L-RPLND; например, трехмерная визуализация и мультисуставные зажимы, которые, в конечном итоге, могут закрыть разрыв между L-RPLND и R-RPLND, потому что R-RPLND все еще имеет свои недостатки, такие как отсутствие тактильной обратной связи с хирургу, невозможность перемещение хирургического стола после фиксации рук робота и расходы, связанные с роботом и его одноразовыми инструментами.Следовательно, в будущем потребуются дальнейшие исследования для определения наилучшего доступного метода, поскольку в настоящее время они совершенствуются (14).

Доступность данных

Все наборы данных, созданные для этого исследования, включены в рукопись и / или дополнительные файлы.

Авторские взносы

МБ организовал, курировал, исправил и представил рукопись. RV и GB изучили и прочитали использованную библиографию и написали примерно половину рукописи.

Заявление о конфликте интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Список литературы

1. Schwen ZR, Gupta M, Pierorazio OM. Обзор результатов и техники роботизированной лапароскопической диссекции забрюшинных лимфатических узлов при раке яичек. Хиндави. (2018) 2018: 2146080. DOI: 10.1155 / 2018/2146080

PubMed Аннотация | CrossRef Полный текст | Google Scholar

3. Кобаяси К., Сайто Т., Китамура Ю., Нобушита Т., Кавасаки Т., Хара Н. и др. Онкологические исходы у пациентов с семиномой и несеминомой яичка: патологические факторы риска рецидива и возможность наблюдения после орхиэктомии. Diagn Pathol. (2013) 8:57. DOI: 10.1186 / 1746-1596-8-57

PubMed Аннотация | CrossRef Полный текст | Google Scholar

5. Руф Г.С., Гнос А., Хартманн М., Маттис К., Анхойзер П., Лой В. и др. Контралатеральные биопсии у пациентов с опухолями половых клеток яичек: схемы лечения в Германии и последние данные о распространенности и лечении внутриэпителиальной неоплазии яичек. Андрология. (2014) 3: 92–8. DOI: 10.1111 / j.2047-2927.2014.00260.x

PubMed Аннотация | CrossRef Полный текст | Google Scholar

6.Галоси Б.А., Фулви П., Фабиани А., Серви Л., Филоса А., Леоне Л. и др. Сохраняющая операция на яичках при небольших новообразованиях в яичках: многопрофильный опыт. В: 20-й национальный конгресс SIEUN (Sciacca) (2016) 8: 320–4. DOI: 10.4081 / aiua.2016.4.320

CrossRef Полный текст | Google Scholar

7. Кеске М., Чанда А., Ялчин С., Киликарслан А., Кибар Ю., Туйгун С. и др. Безопасна ли операция по сохранению яичка при небольших новообразованиях в яичках? Результаты многоцентрового исследования. Джан Урол Ассо Дж. (2017) 11: E100–4. DOI: 10.5489 / cuaj.4016

PubMed Аннотация | CrossRef Полный текст | Google Scholar

8. Рорт М., Якобсен К.Г., фон дер Маазе Х., Мадсен Э.Л., Нильсен О.С., Педерсен М. и др. Одно наблюдение в сравнении с лучевой терапией после орхиэктомии при несеминоматозном раке яичек I клинической стадии. J Clin Oncol. (1991) 9: 1543–8.

PubMed Аннотация | Google Scholar

10. Альбками Н., Джанетчек Г. Лапароскопическая ретроперитонеальная лимфатическая диссекция в лечении рака яичек I и II клинической стадии. J Endourol. (2005) 19: 683–92. DOI: 10.1089 / конец.2005.19.683

PubMed Аннотация | CrossRef Полный текст | Google Scholar

11. Abdul-Muhsin HM, L’esperance JO, Fischer K, Porter J, Woods ME, Caste E. Роботизированная диссекция забрюшинных лимфатических узлов при раке яичек. J Surg Oncol. (2015) 112: 736–40. DOI: 10.1002 / jso.24018

PubMed Аннотация | CrossRef Полный текст | Google Scholar

12. Харрис К., Горин А.М., Болл В.М., Пьерорацио М.П., ​​Мохамад Э., Аллаф Е.М.Сравнительный анализ роботизированной и лапароскопической диссекции забрюшинных лимфатических узлов при раке яичка. BJU Int. (2015) 116: 920–3. DOI: 10.1111 / bju.13121

PubMed Аннотация | CrossRef Полный текст | Google Scholar

13. Степанян С., Патель М., Портер Дж. Роботизированная лапароскопическая диссекция забрюшинных лимфатических узлов при раке яичка: эволюция техники. Eur Urol. (2016) 70: 661–7. DOI: 10.1016 / j.eururo.2016.03.031

PubMed Аннотация | CrossRef Полный текст | Google Scholar

границ | Гибридный мозг-компьютер-интерфейс для роботов, совместимых с человеком: получение непрерывных субъективных оценок с глубокой регрессией

1.Введение

1.1. Мозговые и немозговые сигналы

В интерфейсах мозг-компьютер (BCI) для управления вспомогательными роботами решающим фактором является безопасное и совместимое с человеком поведение робота во время взаимодействия с пользователем. Однако то, какое поведение оценивается как «безопасное», сильно зависит от субъективных параметров (Feil-Seifer et al., 2007). Например, пользователи могут по-разному реагировать на движение робота с большей или меньшей скоростью или на позы робота в непосредственной близости от тела или лица пользователя.Более того, пользователи могут по-разному воспринимать поведение роботов в зависимости от личных переменных, например, от их предыдущего контакта с роботами. В этом исследовании мы описываем BCI-совместимый метод непрерывного получения субъективных рейтинговых данных о качестве поведения роботов в режиме реального времени во время задачи взаимодействия человека и робота. Характер данных в реальном времени и совместимость ИМК имеют решающее значение, поскольку в сочетании с измерениями электроэнцефалографии (ЭЭГ), электрокардиографии (ЭКГ) и дыхания мы стремимся выявить межличностные общие черты и различия, конкретные стратегии оценки и их стабильность во времени.Кроме того, мы оцениваем методы регрессии, чтобы обеспечить автоматическое прогнозирование субъективных оценок, которые можно использовать для автоматической адаптации поведения робота к предпочтениям конкретного пользователя с помощью обучения с подкреплением. Мы расширяем традиционную гибридную структуру BCI (Pfurtscheller et al., 2010), комбинируя мозговые и не-мозговые сигналы, путем включения информации от робота в регрессии.

1.2. Связанные работы

В области взаимодействия человека и робота оценка поведения роботов была ключевой частью ряда исследований.Хуанг и Мутлу (2012) разработали набор инструментов для оценки поведения гуманоидных роботов. В ней авторы уделяют особое внимание социальному поведению роботов, подобному человеческому. Рейтинги переменных поведения роботов, например естественности, симпатии и компетентности, собирались после экспериментов, а не во время реального взаимодействия. Tapus et al. (2008) предложили сопоставление личности робота для адаптации поведения робота в постинсультной реабилитации. Чтобы адаптировать поведение роботов, авторы использовали алгоритм обучения с подкреплением градиента политики (PGRL).Робот собирал обратную связь от пользователя с помощью распознавания голоса, используя дискретные классы, такие как «да», «нет» и «стоп». Секмен и Чалла (2013) объединили сенсорный ввод от распознавания речи, обработки естественного языка, обнаружения и распознавания лиц и реализовали механизм байесовского обучения для оценки и обновления набора параметров, который моделирует поведение и предпочтения пользователей. В частности, они предсказывают будущие действия своих пользователей, чтобы подготовить робота к ним. В недавнем исследовании Sarkar et al.(2017) оценивалось влияние опыта работы с роботом и личности пользователя на оценку, среди прочего, доверия к роботу. Интересно, что группа участников с предыдущим опытом работы с роботами оценила свою безопасность во время взаимодействия с роботом на более низком уровне, чем группа, у которой ранее не было опыта работы с роботами. Менее опытные люди также оценили робота как более умного в этом исследовании.

В отношении декодирования предполагаемой опасности по данным ЭЭГ, Kolkhorst et al.(2017) расшифровали предполагаемую опасность в дорожных сценах на основе данных ЭЭГ. Это также может быть использовано при взаимодействии человека с роботом для предотвращения потенциально опасных ситуаций. Колкхорст и др. (2018) в сотрудничестве с роботами-эффекторами дополнительно разработали выбор цели на основе ЭЭГ, который может хорошо согласовываться с оценкой поведения робота при взаимодействии человека с машиной. Эрлих и Ченг (2018) недавно разработали систему для проверки действий робота путем декодирования сигналов ЭЭГ, связанных с ошибками.В связи с этим ряд исследований, проведенных в последние годы, показали, что производительность роботов в сценариях BCI может быть улучшена с помощью декодирования ошибок, например, в BCI с совместным управлением (Iturrate et al., 2013) или во время наблюдения за автономными роботы (Salazar-Gomez et al., 2017).

В последние годы были разработаны многообещающие новые подходы к декодированию информации из сигналов мозга для управления BCI, например, глубокое обучение со сверточными нейронными сетями (CNN). Основным преимуществом CNN является то, что извлечение признаков и классификация объединены в единый процесс обучения, что устраняет необходимость извлечения признаков вручную.После новаторских достижений в области компьютерного зрения они все больше адаптируются к задачам декодирования ЭЭГ (Manor, Geva, 2015; Bashivan et al., 2016) и являются предметом активных исследований (например, Eitel et al., 2015 ; Watter et al., 2015; Oliveira et al., 2016). Эти биологически вдохновленные сети имеют большой потенциал для повышения точности приложений BCI (Burget et al., 2017; Schirrmeister et al., 2017; Kuhner et al., 2019). Кроме того, они могут применяться к необработанным данным ЭЭГ, что значительно упрощает проектирование конвейеров BCI.Мы также продемонстрировали полезность CNN для декодирования ошибок неинвазивной (Völker et al., 2018c) и внутричерепной ЭЭГ (Völker et al., 2018b).

В отличие от задач дискретного декодирования, регрессионный анализ с помощью нейронных сетей в последнее время стал более популярным. В большинстве показанных до сих пор вариантов использования методы регрессии применялись к данным видео или изображений. Например, Held et al. (2016) использовали регрессию для успешного отслеживания объектов в видео со скоростью 100 кадров в секунду. Shi et al. (2016) представили регрессионный подход для определения лицевых ориентиров для последующего выравнивания лиц на изображениях.Чтобы обнаружить и локализовать роботизированные инструменты во время роботизированной хирургии, Sarikaya et al. (2017) реализовали регрессионный слой в CNN. Miao et al. (2016) использовали методы регрессии для двумерной и трехмерной регистрации рентгеновских изображений в реальном времени. Используя регрессор CNN, Viereck et al. (2017) улучшили точность роботизированного захвата и распознавания объектов по отношению к смоделированным изображениям глубины.

1,3. Цели и задачи

Целью этого исследования было оценить возможность получения непрерывных данных о субъективном восприятии поведения вспомогательных роботов в контексте BCI.Учитывая этот контекст, подход не должен ограничиваться роботами определенной конструкции, например, гуманоидными или нет. Скорее, мы стремились создать обобщаемый метод субъективной оценки поведения роботов, который можно было бы использовать в реальном времени во время экспериментов с BCI (и других). В будущих приложениях такие рейтинги в реальном времени могут быть затем использованы для алгоритмов обучения с подкреплением, предназначенных для адаптации поведения роботов во время взаимодействия в соответствии с требованиями человека. Важно отметить, что мы хотели оценивать субъективное восприятие не по дискретным значениям, а с помощью непрерывной рейтинговой системы, позволяющей более детально анализировать результат.Записывая данные ЭЭГ, ЭКГ и дыхания одновременно, мы стремились разрешить поиск физиологических коррелятов этих оценок, которые впоследствии можно было бы использовать в качестве входных данных для неявной оценки ситуации, без необходимости явно оценивать поведение робота. Наконец, мы стремились использовать методы регрессии для создания автоматического и непрерывного прогнозирования субъективных оценок для каждого пользователя и оценки того, какие типы входных данных и функций ЭЭГ являются наиболее информативными для субъективного восприятия во время прямого взаимодействия с роботом-помощником.Наша процедура схематически представлена ​​на рисунке 1.

Рисунок 1 . Структурная схема. Робот выполняет заранее запрограммированные траектории в непосредственной близости от пользователя. Пользователь субъективно и постоянно оценивает соблюдение человеком траекторий. Параллельно измеряется ЭЭГ, ЭКГ и дыхание. После экспериментов данные ЭЭГ, ЭКГ, дыхания и положения рук используются для регрессии оценок. Мы сообщаем коэффициент корреляции (ρ Пирсона) и среднеквадратичную ошибку (RMSE) между оценками и результатами регрессии как интуитивно понятные количественные показатели.Наша долгосрочная цель — обеспечить обратную связь в реальном времени с алгоритмами обучения с подкреплением, управляющими роботом, без явных оценок пользователей.

2. Эксперименты

Мы провели серию экспериментов по оценке поведения робота во время взаимодействия с роботом-помощником, который захватывает объект и доставляет его пользователю. Пользователи были проинструктированы не двигать никакими частями тела во время эксперимента, чтобы взаимодействие было таким же, как у парализованного человека с роботом, и чтобы мышечная активность не влияла на данные ЭЭГ.Пользователи были проинформированы о том, что роботизированная рука будет имитировать захват объекта, например, чашки с водой, и подносить его к ним. Пользователи не знали заранее, какой путь или скорость будет использовать робот. На некоторых траекториях робот отклоняется от правильной траектории, например, останавливаясь в неправильном положении, то есть вне зоны досягаемости пользователя, или помещая руку над головой пользователя и позади нее. Траектории были запрограммированы заранее, чтобы обеспечить сопоставимые эксперименты для всех пользователей.На рисунках 2A, B показаны соответственно реальная и смоделированная экспериментальная установка.

Рисунок 2 . Постановка парадигмы, реконструкция и рейтинговая система. (A) Фотография реальной обстановки. Изображение было отредактировано, чтобы сделать пользователя анонимным и отобразить фон в черно-белом режиме. (Б) Реконструкция в В-РЭП. (C) Система оценки поведения роботов с беспроводным контроллером. Пользователи оценивали поведение робота в непрерывном диапазоне от -1 до 1.Для этого пользователям приходилось держать джойстик на беспроводном контроллере большим пальцем правой руки по круговой траектории наружу, где левое положение представляло очень плохую оценку (-1, красный), положение справа представляло хороший рейтинг. (1, синий), а положение прямо вверх или вниз соответствует нейтральному рейтингу (0, желтый). Эта система была введена таким образом, чтобы усилие движения большого пальца было одинаковым в каждой позиции, что сделало возможным анализ ЭЭГ.

2.1. Оборудование

В качестве манипулятора LBR iiwa 7 R800 (KUKA Robotics), легкий робот с 7 степенями свободы в сочетании с трехпалой рукой (Dexterous Hand 2.0, Schunk). ЭЭГ регистрировали с помощью системы сухих активных электродов g.SAHARA и трех усилителей g.USBamp (Guger Technologies). Сухие электроды, которые можно использовать без геля для электродов, имеют то преимущество, что они устанавливаются быстрее, чем системы с мокрыми электродами, и поэтому могут быть более удобными для пользователя. Система, использованная в этом исследовании, предназначена для захвата частотного диапазона от 0,1 до 40 Гц. Мы регистрировали 32 сухих электрода на коже головы, расположенных в соответствии с системой 10-20 в Fp1, Fpz, Fp2, AF7, AF3, AFz, AF4, AF8, F5, F3, F1, Fz, F2, F4, F6, FC1, FCz, FC2, C3, C1, Cz, C2, C4, CP3, CP1, CPz, CP2, CP4, P1, Pz, P2 и POz.Электрод сравнения помещали на левый сосцевидный отросток, заземляющий электрод — на правый сосцевидный отросток. Кроме того, ЭКГ регистрировалась двумя электродами на правой ключице и нижнем левом ребре пользователя, а за дыханием следили с помощью респираторного ремня.

2.2. Пользователей

Возможность непрерывной оценки субъективного восприятия поведения робота в режиме реального времени была оценена у трех пользователей [возраст: 24 (S1), 26 (S2) и 30 (S3), все правши, S1 женщина]. У S1 не было предыдущего опыта работы с роботами, у S2 — умеренный опыт работы с роботами, т.е.е., работал с роботами в контексте BCI нерегулярно в течение примерно 2 лет, а S3 уже имел значительный опыт работы с роботами, то есть много лет много работал с роботами в университете и над углубленными проектами. Все пользователи были студентами Фрайбургского университета. Информированное согласие было предоставлено до участия. Эксперименты были одобрены этическим комитетом Фрайбургского университета.

Пользователи были размещены таким образом, чтобы они могли наблюдать за движениями робота, не двигая головой, и в положении, в котором траектории роботизированной руки не могли никоим образом пересекаться с телом или головой пользователя.45, 95 и 95 траекторий были записаны блоком по 15 для каждого пользователя соответственно.

2.3. Рейтинговая система

Пользователи были проинструктированы постоянно оценивать качество поведения робота во время их взаимодействия, перемещая правый джойстик на беспроводном контроллере (Logitech F710) в разные стороны (рисунок 2C). Мы не просили о более конкретной переменной оценки, чтобы получить желательно обобщаемую оценку производительности робота.

Чтобы оценить поведение робота как хорошее, пользователям приходилось перемещать джойстик вправо; позиция слева была связана с плохим рейтингом, а позиция в середине соответствовала нейтральному рейтингу.Таким образом, эта рейтинговая стратегия была разработана таким образом, чтобы пользователи всегда должны были держать ручку на максимальном отклонении, чтобы генерировать тоническую моторную мощность на аналогичном уровне независимо от выставленной оценки и, таким образом, минимизировать связанный с движением мозг. ответы, возможно, искажающие корреляты ЭЭГ оценок (см. раздел 5). Рандомизация направления рейтинга для каждой траектории робота может быть использована для дальнейшего избежания такой путаницы, но может усложнить задачу для пользователей и, таким образом, потенциально может привести к непреднамеренно неправильным оценкам.Поэтому в этом пилотном исследовании мы решили сохранить направление рейтинга на всех траекториях робота.

Чтобы вычислить рейтинг, нам сначала пришлось преобразовать положение x и y джойстика (оба в диапазоне от -1 до 1) в угол поворота, а затем в непрерывный рейтинг от -1 (очень плохо) до 1 ( очень хорошо), как показано на рисунке 2. Таким образом, преобразование положения ползунка x, y в рейтинг определяется как

рейтинг = abs (arctan2d (y, x)) — 9090 (1)

, где arctan2d — арктангенс для четырех квадрантов в градусах.

2.4. Обработка данных в реальном времени

Углы суставов робота контролировались с помощью MoveIt! структура планирования движения (Chitta et al., 2012) через операционную систему роботов (ROS) (Quigley et al., 2009). ЭЭГ и периферические данные (ЭКГ, дыхание) записывались с частотой дискретизации 512 Гц с помощью программного обеспечения BCI2000 (Schalk et al., 2004) с использованием модуля обработки сигналов Matlab (Matlab 2014a, The MathWorks, США) в режиме реального времени. доступ к необработанным сигналам ЭЭГ. В Matlab было установлено сетевое соединение с локальным мастером ROS, управляющим роботизированной рукой.Во время записи данные сохранялись в кольцевом буфере и обрабатывались 16 раз в секунду. Данные ЭЭГ были повторно привязаны к общему среднему значению и отфильтрованы полосовым фильтром Баттерворта 3-го порядка между 0,5 и 40 Гц. Для этого коэффициенты фильтра передавались между блоками, чтобы предотвратить артефакты фильтрации и позволить фильтрацию на таких коротких временных сегментах. Для трансляции данных использовался специальный тип сообщения ROS. Собранные данные ЭЭГ, ЭКГ, дыхания и рейтинга отправлялись 16 раз в секунду мастеру ROS, где они были отмечены временем и сохранены вместе с семью углами сочленения манипулятора робота.

2,5.

Post-hoc Реконструкция данных

Состояния суставов робота, ЭЭГ, физиологические записи и рейтинговые данные хранились в файлах пакетов ROS, а затем загружались в Matlab с помощью ROS. Чтобы иметь возможность реконструировать точные траектории робота, например, чтобы вычислить расстояние между головой пользователя и рукой робота и скорость руки, V-REP (Rohmer et al., 2013) (Coppelia Robotics) использовался вместе с его API-интерфейсом Matlab (рис. 2B). В качестве замены руки Schunk, которой не было в V-REP, в реконструкции мы использовали BarrettHand (BARRETT TECH), который имеет примерно такой же размер и форму, а также оснащен тремя пальцами.Траектории относительно головы пользователя показаны на рисунке 3.

Рисунок 3 . Эффекторные траектории и рейтинги. Пользователи без предыдущего опыта работы с роботами (S1), среднего опыта работы с роботами (S2) и значительного опыта работы с роботами (S3). Положения точек соответствуют положению основания руки робота. Цвет каждой точки отображает оценку пользователем поведения робота в данный момент времени. Красный цвет указывает на отрицательную оценку, синий цвет указывает на положительную оценку; белый цвет соответствует нейтральному рейтингу.Оси показывают расстояние руки робота от головы пользователя (серая сфера, треугольник представляет собой нос пользователя) в метрах в пределах соответствующего измерения (x, y, z).

2,6. Структура оценки

Данные, полученные в ходе пилотных экспериментов, оцениваются двояко. Во-первых, чтобы лучше понять записанные данные и изучить влияние взаимодействия с роботом пользователя, мы анализируем данные и представляем результаты этого анализа, основанного на функциях, в разделе 3. Чтобы сделать более глубокий анализ, эксперименты были затем воссозданы в реконструкциях с использованием V -REP, как описано выше.Во-вторых, чтобы оценить, какие входные данные потенциально являются наиболее информативными для подтверждения обратной связи с алгоритмами обучения с подкреплением, мы выполняем сквозной регрессионный анализ данных в попытке восстановить оценки пользователей поведения роботов. Регрессии выполняются внутри и между пользователями. Мы количественно оцениваем результаты регрессии, используя корреляции (ρ Пирсона) и среднеквадратичную ошибку (RMSE). Эти показатели представлены в разделе 4.5. На рисунке 1 схематично изображена структура нашего подхода.

3. Траектория и рейтинг

Из реконструкции в V-REP мы извлекли положение базы руки робота с течением времени. Объединив позиции в 3D с субъективным рейтингом в те же моменты времени, мы смогли создать карты рейтинговых траекторий для каждого пользователя, которые показаны на Рисунке 3.

Карты рейтинга траектории выявляют ряд общих черт в рейтингах роботов среди пользователей. Например, траектории, которые были заранее запрограммированы на завершение в неправильном положении (т.е., не в пределах досягаемости пользователя) ожидались и неизменно отмечались всеми пользователями как «плохие». Кроме того, положения, в которых рука робота находилась над головой пользователя и позади нее, а значит, не в поле зрения пользователя, также всегда оценивались как «плохие». Первоначальная поза робота в основном оценивалась как нейтральная или близкая к нейтральной. Другие отдельные положения руки робота, такие как хватание, над головой или правильные / неправильные конечные положения, оценивались более строго, положительно или отрицательно, чем положения, возникающие во время текущих движений или между отдельными позами.

Однако, несмотря на небольшое количество исследованных пользователей, мы также наблюдали некоторые отчетливые межличностные различия в рейтингах роботов. S1, не имеющий предыдущего опыта работы с роботом, дал в целом более низкие оценки (среднее значение: 0,04 ± 0,34), даже если робот выполнял задачу объективно правильно, например, в позиции захвата. Правильное конечное положение также иногда оценивалось как плохое, особенно если роботизированная рука приближалась к пользователю под относительно крутым углом сверху. Отрицательные рейтинги часто находились только в диапазоне от 0 до –0.5. S2 с умеренным опытом работы с роботом оценил большинство поз как хорошие (среднее значение: 0,23 ± 0,59), за исключением положений, в которых рука робота находилась над головой пользователя и, следовательно, вне поля зрения, и неправильное конечное положение. Они были оценены как сильно отрицательные. S3, обладающий значительным опытом работы с роботами, снова оценил поведение робота как в целом более позитивно, чем два других пользователя (среднее значение: 0,37 ± 0,44). В целом оценки траектории в S3 оказались более похожими на пользователя с умеренным опытом работы с роботом.Все пользователи отрицательно оценили перебрасывание и неправильное конечное положение, но в меньшей степени — S3.

3.1. Ключевые позы во время взаимодействия человека и робота

Из этих рейтинговых карт траектории мы выбрали четыре ключевых положения руки робота для более глубокого анализа: положение захвата, положение над головой, правильное конечное положение и неправильное конечное положение. Они и исходное положение отображаются с трех разных точек обзора на рис. 4.

Рисунок 4 .Ключевые позы робота во время взаимодействия человека с роботом. Помимо исходной позы, в траектории были заранее запрограммированы четыре ключевые позы. Поза захвата объекта, поза над головой пользователя и за пределами его поля зрения, правильная конечная поза, когда захваченный объект доставляется пользователю, и неправильная конечная поза, когда захваченный объект не может быть должным образом доставлен пользователю . Скриншоты реконструкции V-REP.

В четырех ключевых позициях мы вычислили средний рейтинг для каждого пользователя, определив пространственный центр положения руки робота, связанной с каждой ключевой позой, и извлекли оценки внутри куба с длиной стороны 40 см вокруг центральной точки.Средние оценки для разных пользователей перечислены в Таблице 1 и показаны на Рисунке 5.

Таблица 1 . Среднее ± стандартное субъективное значение на ключевых позициях роботов.

Рисунок 5 . Средние субъективные оценки на ключевых позициях роботов. Ключевые позиции робота показаны на рисунке 4. Пример оценки из куба с длиной стороны 40 см, центрированной по ключевой позе. Планки погрешностей показывают стандартное отклонение рейтинговой выборки.

3.2. Развитие рейтингов за время эксперимента

Поскольку мы ожидали, что рейтинги роботов могут подвергаться систематическим изменениям в масштабе времени нашего эксперимента, мы дополнительно проанализировали временное развитие рейтингов на этих ключевых позициях (рис. 6).Долгосрочная стабильность оценивалась путем применения фильтра скользящего среднего для сглаживания быстрых колебаний. В то время как общее распределение рейтингов по ключевым позициям оставалось довольно стабильным в течение эксперимента, абсолютная сила рейтингов менялась в течение эксперимента, особенно в S1, пользователях без опыта работы с роботами. В частности, S1 продемонстрировал тенденцию оценивать объективно «положительные» позы, то есть позу захвата и правильное конечное положение, ниже к концу, чем в начале эксперимента.В S2 и S3 пользователи с умеренным и значительным опытом работы с роботами, особенно оценки положительных поз, оставались более стабильными с течением времени. В совокупности эти наблюдения хорошо соответствуют нашим ожиданиям о том, что восприятие роботов может меняться со временем, и что такие изменения могут зависеть от предыдущего воздействия роботов.

Рисунок 6 . Разработка рейтингов на ключевых позициях роботов в ходе эксперимента. Ось Y показывает субъективную оценку, когда рука робота была расположена для захвата (синий), в положении над головой (желтый), в правильном конечном положении для доставки (зеленый) или в неправильном, слишком высоком положении. конечное положение (красный).По оси абсцисс показано изменение рейтингов на протяжении эксперимента. Оценки сглаживаются фильтром скользящего среднего, состоящим из взвешенного по Гауссу окна с размером 15-й от общего числа выборок для каждого условия, которое было свернуто с необработанными оценками.

3.3. Влияние расстояния и скорости робота

Чтобы понять взаимосвязь субъективной оценки как со скоростью, так и с расстоянием руки робота относительно головы пользователя, мы рассчитали эти показатели для каждой временной точки.Для каждого пользователя и функции мы оценили коэффициент линейной корреляции Пирсона (ρ Пирсона) (таблица 2).

Таблица 2 . Линейная корреляция расстояния и скорости робота с субъективными оценками.

Расстояние руки робота умеренно положительно коррелировало с рейтингом пользователей S2 и S3, в то время как оно не показало никакой корреляции для S1 (без предыдущего опыта работы с роботами). Корреляция субъективной оценки со скоростью руки была слабо отрицательной для S3 и умеренно положительной для S1, в то время как в S2 таких эффектов не было.

4. Регрессия для прогнозирования рейтинга

Чтобы показать выполнимость предлагаемого нами метода, мы обучили различные регрессоры предсказывать субъективные оценки на основе записанных данных внутри и между пользователями. Мы сосредоточились на вышеупомянутой осуществимости, изучая особенности, предлагаемые в литературе, и исследуя возможное моторное смещение. Регрессии выполняются с помощью python с использованием pytorch (Paszke et al., 2017) версии 1.0.0, braindecode (Schirrmeister et al., 2017) версии 0.4.7 и scikit-learn (Pedregosa et al., 2011) версия 0.20.2.

4.1. Предварительная обработка данных

Для каждого пользователя мы снизили частоту дискретизации данных до 256 Гц, стандартизировали до среднего значения 0 и дисперсии 1 с использованием экспоненциально взвешенного среднего с коэффициентом 0,001 и разделили их в три раза. Мы сохранили данные за последние три минуты отдельно для окончательной оценки наших регрессоров. Последние 3 минуты перед окончательным набором оценок использовались в качестве набора для проверки при ручном поиске гиперпараметров. Остальная часть записи использовалась в качестве обучающей выборки.Для окончательной оценки, о которой здесь сообщается, обучающий набор и набор проверки были объединены в один обучающий набор.

4.2. Оценочные показатели

Мы оценили сходство прогнозируемого рейтинга с истинным рейтингом путем вычисления их коэффициента корреляции (ρ Пирсона) и RMSE их разницы. Мы приводим здесь оба показателя, потому что они отражают два разных аспекта прогнозов. Коэффициент корреляции сравнивает только форму прогнозов и оценок, в то время как RMSE сравнивает значения.Для обучения с подкреплением уже достаточно правильного приближения формы рейтинга. Использование прогнозируемых рейтингов, которые дополнительно имеют правильный масштаб и диапазон значений, конечно, лучше, но гораздо труднее достичь. Таким образом, наш предпочтительный показатель — коэффициент корреляции.

4.3. Извлечение функций

Чтобы исследовать различное информационное содержание, мы разбиваем данные на различные компоненты. Во-первых, разные режимы, 3D-координаты руки робота (робот поз.), данные ЭКГ и дыхания (данные периферии) и данные ЭЭГ были разделены. Каждая из этих модальностей данных и их комбинации подавались в регрессоры как есть. Чтобы избежать избыточности результатов, мы сообщаем только о комбинации всех трех методов. Для разделов модальности, содержащих данные ЭЭГ, мы дополнительно протестировали выбор трех электродов и выбор семи частотных диапазонов. На основании литературных данных (Cavanagh et al., 2010; Cavanagh, Frank, 2014; Spüler, Niethammer, 2015; Völker et al., 2018a), потенциальной мишенью для физиологического сигнала мозга, лежащего в основе оценки, потенциально могут быть дельта (0–4 Гц) и тета (4–8 Гц) диапазоны частот, особенно в срединных электродах. Таким образом, мы, в дополнение к необработанным данным ЭЭГ, использовали полосы пропускания от 0 до 4 и от 4 до 8 Гц и выбрали все электроды, расположенные на средней линии головы (все электроды, содержащие z в номенклатуре 10–20). Чтобы исследовать влияние потенциального двигательного смещения, мы дополнительно пропустили данные ЭЭГ от 8 до 14 Гц (альфа-диапазон), от 14 до 20 Гц (полоса с низким бета), от 20 до 30 Гц (средний бета-диапазон) и 30 Гц. до 40 Гц (диапазон с высоким бета / низким гамма) и выбрали все электроды, расположенные на сенсомоторной коре (все электроды, содержащие букву C в номенклатуре 10–20).Мы сообщаем результаты всех тройных комбинаций этих функций, т. Е. Четырех вариантов выбора модальности данных, трех вариантов выбора электродов и семи вариантов частотных диапазонов, в результате чего получается 44 (2 + 2 · 3 · 7) выборок результатов для каждого регрессора, описанного в разделах 4.5, 4.6.

4.4. Статистика

В наших визуализациях и статистике мы сосредоточились на аспектах, которые обобщаются по всей выборке, анализируя результаты регрессии, объединенные по всем аспектам, кроме исследуемого. Мы используем этот подход, чтобы компенсировать небольшую выборку пользователей, присущую пилотному исследованию.Попытка получить результаты для конкретных комбинаций функций, пользователей и регрессоров возможна, но, скорее всего, не будет хорошо распространяться на более широкую когорту пользователей. Чтобы оценить, насколько сильно отличается результирующая выборка данного аспекта (функции, пользователя или регрессора) от своих аналогов, мы выполнили непараметрические тесты, поскольку наши выборки не имели нормального распределения. Когда были доступны пары, мы проводили двусторонние знаковые тесты, используя нашу собственную реализацию. Когда пары не были доступны, например, при сравнении выборок данных, содержащих данные ЭЭГ, с выборками данных без данных ЭЭГ, мы выполняли двусторонние тесты Манна-Уитни- U с коррекцией непрерывности, как реализовано в scipy (Jones et al., 2001) версия 1.3.0. В обоих тестах производилась коррекция связей.

Чтобы оценить, были ли заявленные характеристики регрессии выше уровня вероятности, мы переставили субъективные оценки обучающей выборки 10 6 раз и сравнили их с субъективными оценками тестовой выборки, используя показатели, перечисленные в разделе 4.2. Длина переставленных субъективных оценок обучения была усечена до длины субъективных оценок теста после перестановки, чтобы гарантировать, что наши выборки были взяты из всего распределения субъективных оценок обучения. p -значения каждой производительности регрессии были рассчитаны как

p = nперестановка ≥ регрессия + 1nперестановка + 1 (2)

с n перестановками = 106 и n перестановками регрессией количество перестановок, имеющих такую ​​же или лучшую производительность, чем результат тестируемой регрессии.

Все вычисленные значения p были скорректированы для множественного тестирования с использованием поправки на частоту ложных обнаружений (FDR) для зависимых значений p (Benjamini and Yekutieli, 2001), как реализовано в функции множественных тестов статистических моделей (Seabold and Perktold, 2010). ) версия 0.9.0. Мы сообщаем скорректированные FDR значения p как значения q .

4.5. CNN Regression

Мы адаптировали три архитектуры классификации CNN для регрессионного анализа, удалив слой softmax и применив функцию потерь среднеквадратичной ошибки (MSE) к обучению. Конкретными использованными архитектурами были (i) 6-слойная CNN (Deep4Net, 4 блока свертки-пула), (ii) 29-слойная остаточная нейронная сеть (EEGResNet-29, 13 остаточных блоков), обе описанные Schirrmeister et al.(2017), и (iii) компактная CNN (EEGNet V4, 4 уровня, 2 блока сверточного пула) (Lawhern et al., 2018). Эти сети CNN были выбраны, потому что ранее было показано, что они хорошо подходят для классификации данных ЭЭГ. EEGNet и Deep4Net использовались так, как они реализованы в наборе инструментов Braindecode (https://github.com/TNTLFreiburg/braindecode/).

Веса моделей были инициализированы с использованием равномерного распределения, как описано в Glorot and Bengio (2010). Затем модели были обучены в течение 200 эпох, используя размер пакета 64, скорость обучения 0.001 и снижение веса на 0. Поскольку в данной статье основное внимание уделяется выполнимости, а не производительности, мы используем идентичные гиперпараметры для всех моделей. То, что модели обучаются с использованием этих гиперпараметров, было подтверждено с помощью набора для проверки. Продолжительность времени ввода моделей была индивидуально адаптирована так, чтобы длительность времени предсказателя (данные, используемые для вычисления потерь MSE) составляла ровно 1 с для всех моделей, независимо от размера воспринимающего поля. Мы используем AdamW (Loshchilov and Hutter, 2017) с параметрами по умолчанию в качестве оптимизатора и планируем скорость обучения с использованием косинусного отжига (Loshchilov and Hutter, 2016) без перезапусков.Мы не выполняем раннюю остановку. Вместо этого мы используем регрессор окончания обучения для прогнозирования оценок, независимо от того, существовал ли во время обучения регрессор с более высокой точностью проверки.

4.6. Регрессия, не связанная с CNN,

Мы используем четыре регрессора, реализованные в scikit-learn (Pedregosa et al., 2011). Линейный регрессор, линейный регрессор опорных векторов (L-SVR), нелинейный (ядро радиальной базисной функции) SVR (RBF-SVR) и регрессор случайного леса (RFR). Используя набор для проверки, мы скорректировали максимальное количество итераций RBF-SVR от бесконечности до 100000 и количество деревьев RFR от 10 до 100.Более высокие значения приводят к лучшим результатам проверки для обоих гиперпараметров, но должны быть ограничены из-за вычислительного бюджета. Для всех остальных параметров были сохранены значения по умолчанию scikit-learn версии 0.20.2.

4,7. Регрессия внутри пользователя

Во-первых, мы оценили регрессию для различных модальностей данных в пределах каждого пользователя. В качестве входных данных мы использовали положение руки робота в 3D, данные ЭЭГ, периферические физиологические данные (ЭКГ, дыхание) или все вместе.В таблице 3 перечислены результаты всех регрессоров. В качестве базового уровня регрессии на уровне вероятности мы сообщаем о лучших из 10 6 случайных перестановок обучающих меток каждого пользователя по сравнению с тестовыми метками в таблице 3a.

Таблица 3 . Метрики набора регрессионных тестов для различных модальностей данных.

Уровни шанса были неконкурентоспособными (~ 0,02) и очень похожими (± 0,001) для всех пользователей для коэффициента p Пирсона, что указывает на то, что правильную форму субъективной оценки нелегко угадать.В то же время уровни вероятности RMSE оказались неожиданно конкурентоспособными для S1 и S3, подтверждая, что эти 2 пользователя оценили с меньшей дисперсией, чем S2 (0,112 и 0,194 против 0,354). Результат регрессии RMSE, основанный на данных S1, не был значительно лучше, чем случайные перестановки (q ≥ 0,05).

В большинстве случаев производительность в наборе окончательной оценки была наивысшей с положением руки робота в качестве единственных входных данных. Прогнозы на основе ЭЭГ показали довольно низкую производительность, в то время как прогнозы на основе ЭКГ и дыхания дали низкую производительность.Комбинация всех входных данных действительно улучшила производительность в некоторых случаях, в основном для нелинейных методов. Прогнозируемый и фактический рейтинг в трехминутном наборе тестов показан на рисунке 7 для Deep4Net, обученного на данных о положении руки робота.

Рисунок 7 . Регрессия субъективной оценки с использованием положения руки робота в качестве входных данных. Используемая сеть была Deep4Net с длительностью предсказания 1 с. Оранжевая кривая показывает фактическую оценку, выставленную пользователями, синяя кривая показывает прогнозируемую оценку.mse, среднеквадратичная ошибка; r — коэффициент Пирсона; p, p -значение (без поправки для множественного тестирования).

При рассмотрении лучших результатов, полученных для ЭЭГ, данных периферии и комбинации всех типов данных, кажется, что данные ЭЭГ и периферийные данные несут информацию, связанную с рейтингом. В случае нелинейных регрессоров эту информацию можно использовать для улучшения характеристик регрессии. Чтобы исследовать происхождение этой информации, мы обучили наших регрессоров выбору различных электродов ЭЭГ и частотных диапазонов ЭЭГ.

4.8. Регрессия с использованием различных характеристик ЭЭГ

Мы обучили наших регрессоров выбору различных электродов ЭЭГ и частотных диапазонов ЭЭГ. Дифференциация электродов и частотных диапазонов преследует 3 цели. (1) Исследовать происхождение информации, относящейся к субъективным оценкам, содержащейся в ЭЭГ. (2) Проверить, переносятся ли указания из литературы на нашу парадигму. (3) Проверить наличие потенциального смещения двигателя. Результаты этих регрессий визуализированы на рисунках 8C, D для выбора электродов и частотных диапазонов соответственно.

Рисунок 8 . Обзор пользователей, функций и регрессоров. Каждая матрица основана на результатах 924 регрессий набора тестов (3 пользователя · 44 функции · 7 моделей), разделенных в соответствии с визуализированным параметром. Числа в нижнем и верхнем треугольниках каждой матрицы сравнения — это разницы между медианным среднеквадратичным значением (синий) и ρ Пирсона (оранжевый), соответственно. Жирным шрифтом обозначено q <0,05. Стрелки указывают параметр с лучшей производительностью каждой пары. Серый фон каждой ячейки кодирует соответствующее значение q .Отдельные поправки FDR для каждого треугольника каждой матрицы. (A) Пользователи: FDR-коррекция для 3 тестов. мод., умеренный; подст., существенный; опыт., стаж. (B) Типы данных: FDR-поправка для шести тестов. (C) Электроды. FDR-коррекция для 3 тестов. * Все электроды ЭЭГ, * z: электроды средней линии, * C *: электроды сенсомоторной коры. (D) Полосы частот: FDR-коррекция для 21 теста. Угловые частоты используемых полосовых фильтров указаны в квадратных скобках. (E) Регрессор: поправка FDR для 21 теста. SV, опорный вектор.

Для выбора электродов единственным статистически значимым результатом является то, что при рассмотрении формы субъективной оценки (отраженной в ρ Пирсона) использование всех электродов незначительно лучше, чем использование только электродов, расположенных над сенсомоторной корой головного мозга (* C *) ( q = 0,016). Несущественные результаты при рассмотрении формы регрессии заключаются в том, что использование всех электродов незначительно лучше, чем использование только электродов средней линии (* z) ( q = 0.252) и что использование электродов * C * немного хуже, чем использование электродов * z ( q = 0,130). При рассмотрении значений регрессий (отраженных RMSE) несущественными результатами является то, что использование всех электродов незначительно хуже, чем использование обоих электродов * z ( q = 1) и * C * электродов ( q = 1). ) и что использование электродов * z немного лучше, чем использование электродов * C * ( q = 1). Подводя итог, ощутимого эффекта не обнаружено.Похоже, что использование всех электродов минимально лучше при рассмотрении формы регрессии, а использование электродов * z минимально лучше при рассмотрении значений регрессии.

Для выбора частотных диапазонов четыре сравнения, относящиеся к форме регрессии, и одно сравнение, относящееся к значениям регрессий, были статистически значимыми. Использование полос частот с низким бета (14–20 Гц) и высоким бета / низким уровнем гаммы (30–40 Гц) дало немного лучшие (более высокие) коэффициенты корреляции, чем использование диапазона альфа (8–14 Гц) ( q ). = 0.009 и 0,023 соответственно). Использование альфа-диапазона было немного лучше, чем использование среднего бета-диапазона (20–30 Гц) ( q = 0,023). Использование диапазона среднего бета было немного лучше, чем использование диапазона тета (4–8 Гц) ( q = 0,043). Наконец, RMSE был немного лучше (ниже) при использовании тета-диапазона, чем при использовании дельта-диапазона (0–4 Гц). Общая тенденция, наблюдаемая в статистически значимых результатах, когда более высокие частотные диапазоны обеспечивают лучшие результаты, чем более низкие частотные диапазоны, также может быть замечена в несущественных результатах.Как и при выборе электрода, значительного эффекта не обнаружено.

Обзор результатов регрессии для всех внутрипользовательских регрессий можно найти на рисунках 8A, 9B для сравнения пользователей, на рисунках 8B, 9A для сравнения типов данных и на рисунке 8E для сравнения регрессоров. Обзор результатов межпользовательской регрессии представлен в следующем разделе.

Рисунок 9 . Регресс внутри пользователей. Коэффициент ρ Пирсона (оранжевый, выше — лучше) и RMSE (синий, ниже — лучше) отображаются отдельно в разделенных скрипках.В качестве набора тестов для каждого пользователя использовались последние 3 минуты эксперимента. Пунктирные линии внутри разделенных скрипок представляют квартили (снизу вверх, 25, 50 и 75 процентили соответственно). На разделенные скрипки наложены точечные графики с горизонтальным дрожанием (для лучшей видимости), представляющие выборку данных, лежащих в основе разделенных скрипок. Горизонтальные полосы над и под разделенными скрипками указывают на выполненные тесты значимости с совпадающим q-значением (FDR-исправленное значение p ).Жирным шрифтом обозначено q <0,05. Метрики оценки с соответствующими полскрипками, точечными графиками и полосами значимости имеют цветовую кодировку. (A) Результаты регрессии разделены по типам данных: 21 или 441 регрессия набора тестов на каждую скрипку разделения (3 пользователя · 1 функция · 7 моделей или 3 пользователя · 21 функция · 7 моделей). Значимость (непарные: Mann – Whitney-U, парные: знаковый тест) FDR-поправка по 6 тестам. Отдельные поправки для каждой метрики. (B) Результаты регрессии разделены между пользователями: 308 наборов регрессий (44 функции · 7 моделей) на каждую скрипку с разделением.Значимость (знаковый тест) FDR-поправка по 3 тестам. Отдельные поправки для каждой метрики.

4.9. Межпользовательская регрессия

Далее мы применили регрессоры, обученные на данных роботов для разных пользователей, чтобы проверить специфические для каждого пользователя различия, которые могли быть обнаружены регрессорами. Результаты показаны на рисунке 10. Теперь мы рассматриваем только ρ Пирсона как нашу метрику производительности.

Рисунок 10 . Матрицы межпользовательского переноса. Регрессия среди пользователей, обученных положению руки робота.В качестве набора тестов для каждого пользователя использовались последние 3 минуты эксперимента. Матрица переноса отображает пользователя, на котором был обучен регрессор (ось y), и пользователя, для которого он был оценен (ось x). Показатель оценки (ρ Пирсона) отображается с цветовой кодировкой и в тексте в соответствующем поле.

Общим для всех регрессоров паттерном было то, что модели, обученные для пользователя с меньшим опытом, работали аналогично или лучше при тестировании для пользователя с большим опытом по сравнению с внутрипользовательским.Например, обучение на S2 и тестирование на S3 привели к более высокой корреляции в 6 из 7 регрессоров по сравнению с тестированием на S2. 7-й регрессор (EEGNet v4) работал аналогично (разница 0,007) при обучении на S2 и тестировании на S2 и S3. Обучение на более опытном пользователе и тестирование на менее опытном пользователе изменили картину на противоположную. Например, обучение на S3 и тестирование на S1 и S2 всегда приводили к более низким корреляциям, чем при тестировании на S3. Увеличение и уменьшение производительности масштабируется с учетом опыта в 36 из 42 передач.

Интересно, что прирост производительности относительно регрессии внутри пользователя может быть достигнут при переключении между S2 и S3 для некоторых регрессоров. Это было не для всех регрессоров при переходе от S2 и S3 к S1. То есть обучение на S2 и тестирование на S3 привели к лучшей производительности, чем внутрипользовательская регрессия в S3 для обоих линейных регрессоров. Точно так же обучение на S3 и тестирование на S2 привели к лучшей производительности, чем внутрипользовательская регрессия в S2 в 4 из 7 регрессоров.Кроме того, лучшая производительность в S2 была достигнута при переходе с S3 с использованием регрессора CNN (Deep4Net). Для S1 и S3 лучшая производительность была достигнута внутри пользователя (EEGRestNet-29 и EEGNet v4 соответственно).

5. Обсуждение

Основным вкладом настоящего исследования является описание и оценка нового метода непрерывной оценки субъективного восприятия пользователя во время прямого взаимодействия человека с роботом. Наш рейтинговый подход является непрерывным в двух отношениях: во-первых, оценки отображаются по непрерывной шкале, во-вторых, эти рейтинги получают непрерывно в течение всего периода времени, в течение которого пользователи взаимодействуют с роботизированной системой.Эта рейтинговая система была разработана для минимизации мешающих эффектов, связанных с движением (см. Раздел 5.4), и, как мы продемонстрировали, позволяет генерировать обратную связь с пользователем в режиме реального времени во время выполнения задачи «схватить и доставить» роботизированной руки с помощью беспроводного контроллера. . Мы использовали нашу рейтинговую систему, чтобы позволить пользователям оценивать общее качество поведения робота, с которым они взаимодействовали, в диапазоне от «положительного» до «отрицательного». Однако рейтинговая система допускает изменение любой другой непрерывной переменной и, таким образом, также позволяет оценивать такие факторы, как субъективная валентность и возбуждение или надежность робота, как в Sarkar et al.(2017).

5.1. Субъективные рейтинги

В настоящем исследовании мы выбрали сценарий, вдохновленный появляющимися приложениями интерфейса мозг-компьютер (BCI). В то время как наше основное внимание было сосредоточено на демонстрации базовой осуществимости и полезности нашей системы непрерывного рейтинга, данные, которые мы получили в процессе оценки у трех пользователей с разным уровнем предыдущего непосредственного опыта работы с роботизированными системами, привели к нескольким предварительным наблюдениям, которые обеспечивают потенциально полезный старт. баллы для дальнейших крупномасштабных исследований.Как более подробно описано в пункте 3, три пользователя продемонстрировали различные шаблоны рейтингов, например, с более стабильным во времени рейтинговым поведением пользователей с более обширным предыдущим воздействием роботов (рис. 6). Конечно, основываясь на текущих данных, мы не можем решить, был ли это опыт как таковой или, возможно, ранее существовавшие черты личности, такие как тревожность, или более или менее позитивное базовое отношение и доверие к технологиям в целом и роботам в частности. , которые оказали модулирующее влияние на наблюдаемые нами межличностные различия.Эта линия интерпретации также соответствовала бы результатам, продемонстрированным Sarkar et al. (2017). Там более опытные пользователи оценили роботов как менее умных и менее безопасных, чем их коллеги с меньшим опытом. Такие и связанные с ними вопросы могут быть решены с помощью экспериментальных процедур с детальной системой оценки, как мы описали здесь.

5.2. Регрессия субъективных оценок

Хотя явные оценки пользователей могут быть полезны, во многих ситуациях получить такие оценки было бы неудобно или даже невозможно.Например, в описанном здесь сценарии BCI парализованные пациенты могут полностью потерять способность передавать двигательные реакции. Неявные (на основе физиологических измерений пользователей) или объективные / контекстные источники информации (на основе поведения робота или факторов окружающей среды) могут помочь в таких ситуациях. Таким образом, мы проверили, содержат ли различные нейро- и периферические записи (ЭЭГ, ЭКГ, дыхание), а также кинематические свойства действий робота информацию о субъективных оценках.Поскольку мы не наблюдали сильных линейных корреляций, мы применили различные методы регрессии для прогнозирования субъективных оценок. По крайней мере, исходя из имеющихся здесь данных, положение руки робота было лучшим предиктором субъективных оценок, достигая коэффициентов корреляции до 0,869.

Показатели различных регрессоров, основанные на положении руки робота, показали постоянное ранжирование пользователей. Согласно коэффициенту корреляции, рейтинг пользователя зависит от опыта. Это можно интерпретировать как признак того, что более опытные пользователи производят субъективные оценки, которые становятся более последовательными во времени и, таким образом, обеспечивают лучшую обобщающую форму обучения для тестирования.Аспект согласованности рейтинга также обсуждался в п. 5.1. Там мы отметили, что из-за небольшого размера выборки нашей пилотной когорты нельзя исключать другие личные качества, влияющие на согласованность рейтинга. Кроме того, объем обучающих данных также масштабировался с учетом опыта (см. Раздел 2.2), что могло повлиять на производительность регрессии. Наконец, согласно rmse, рейтинг пользователя больше не зависит от опыта, что еще раз подтверждает нашу осторожность.

Сухая ЭЭГ и периферические физиологические записи не очень пригодились для регрессионного анализа.Только слабые значения корреляции между прогнозируемым и фактическим рейтингом до 0,320 могли быть достигнуты в окончательных наборах оценок. Комбинация различных модальностей данных также не улучшила прогноз по сравнению с прогнозом, полученным с позицией робота в качестве единственного входа. Используемая здесь сухая ЭЭГ обычно имеет более низкое отношение сигнал / шум, чем обычная ЭЭГ (Mathewson et al., 2017), и эксперименты проводились в условиях высокого уровня шума. Таким образом, в будущем будут усовершенствованы методы сухой записи ЭЭГ (Fiedler et al., 2015) или заполненные гелем электроды ЭЭГ, применяемые в условиях записи, оптимизированных для высокого качества сигнала ЭЭГ (Völker et al., 2018a), могут помочь оценить полный потенциал ЭЭГ в данном контексте. Дальнейшие периферические физиологические сигналы, такие как электродермальная активность (EDA), как показатель возбуждения и стресса (Fowles, 1980), также могут быть проверены в будущих исследованиях.

5.3. Сигналы ЭЭГ, относящиеся к субъективным рейтингам

В предварительной попытке идентифицировать сигналы ЭЭГ, связанные с субъективными оценками, мы исследовали выбор электродов ЭЭГ и частотных диапазонов.Как сообщалось в разделе 4.8, казалось, что использование всех электродов было незначительно, но частично статистически значимо лучшим при рассмотрении формы регрессии, а использование электродов * z было незначительно, но не значительно лучше при рассмотрении значений регрессии (см. Рисунок 8C). ). Последнее будет соответствовать отчетам из литературы, в которых подчеркивается важность * z-электродов для обнаружения связанной с ошибкой мозговой активности (Cavanagh et al., 2010; Cavanagh and Frank, 2014; Spüler and Niethammer, 2015; Völker et al., 2018а). К сожалению, мы не смогли найти дополнительных доказательств, связывающих наши результаты с литературой, поскольку мы не смогли показать, что дельта- и тета-диапазоны играют доминирующую роль в кодировании связанной с ошибками мозговой активности в нашей парадигме. Скорее, частоты в альфа- и бета-диапазонах казались более информативными, хотя и лишь частично (см. Рисунок 8D). На данный момент все еще неясно, связана ли эта тенденция с сигналами ошибки или смещением двигателя.

5.4. Смещение двигателя

Для совместимости с ЭЭГ мы разработали экспериментальную парадигму таким образом, чтобы каждое оценочное значение соответствовало одинаковой тонической моторной мощности.Тем не менее, направленные двигательные сигналы (Waldert et al., 2009) потенциально могут затруднить интерпретацию сигналов ЭЭГ, коррелирующих с субъективными оценками. При выборе электродов не было обнаружено никаких доказательств смещения двигателя, так как * C * показал стабильно худшие результаты. Однако можно было ожидать увидеть улучшенные результаты при использовании альфа- и бета-диапазонов по сравнению с дельта- и тета-диапазонами с преобладанием альфа-диапазона. Действительно, альфа- и бета-диапазоны были лучшими диапазонами при рассмотрении незначительных результатов RMSE, но с преобладанием среднего бета-диапазона.В частично значимых результатах ρ Пирсона преобладала полоса низких значений бета, что не совсем типично для моторного смещения, особенно по сравнению с диапазоном альфа (Pfurtscheller and Lopes da Silva, 1999). На этом этапе нельзя полностью исключить смещение двигателя на основе выбора диапазона частот. Для решения этого вопроса потребуются дополнительные эксперименты и анализ данных, например, путем сопоставления данных ЭЭГ во время крайне отрицательных и исключительно положительных субъективных оценок. В будущих исследованиях следует четко контролировать моторную предвзятость, e.g. путем переключения вертикальной или горизонтальной оси рейтинговой системы либо между сеансами измерения, либо между пользователями.

5.5. Межпользовательская регрессия субъективных рейтингов

Чтобы выяснить, усвоили ли модели пользовательские характеристики, мы применили модели, обученные на обучающей выборке одного пользователя, к тестовым наборам всех пользователей. В разделе 4.9 мы описали общие закономерности, лежащие в основе наших первоначальных результатов межпользовательской регрессии. Основываясь на трех наших пилотных пользователях, мы обнаружили, что предыдущий опыт пользователя с роботами также может играть роль при передаче моделей между пользователями.Модели, обученные на менее опытных пользователях, в основном повышали свою производительность при передаче более опытным пользователям (в 15 из 21 перевода) и , наоборот, (в 21 из 21 перевода). Чем больше опыта было передано пользователю, тем лучше коэффициент корреляции и наоборот (в 36 из 42 передач). Поскольку лучшие межпользовательские передачи всегда лучше выполнялись для тестируемого пользователя, но лишь изредка превосходили внутрипользовательский тест для обучаемого пользователя, наши результаты намекают на возможность того, что регрессоры изучили как специфические для пользователя, так и общие характеристики.Похоже, что это дает возможность обобщить среди пользователей расшифровку субъективного восприятия кинематических данных действий робота. В то же время результаты показывают, что хороший набор обучающих данных, из которых CNN может хорошо обобщить, может быть более важным, чем индивидуальные различия пользователей.

Помимо небольшого размера выборки и различий в количестве обучающих данных, здесь также важно учитывать, что, как обсуждалось в разделе 5.2, внутрипользовательская производительность (ρ Пирсона) масштабировалась с опытом, что могло быть мешающий фактор здесь.Если представленные закономерности по-прежнему актуальны для более крупных выборок, по возможности будет необходимо разделить факторы, чтобы дифференцировать их вклад в сообщаемый эффект переноса между пользователями. Также будет интересно исследовать, можно ли улучшить общую производительность пользователя по сравнению с производительностью внутри пользователя, объединив данные дополнительных пользователей в ходе межпользовательского обучения. Включение данных обучения тестируемого пользователя в гибридное обучение внутри и между пользователями также может улучшить производительность регрессии.Хотя такие данные не будут напрямую доступны в онлайн-сценарии BCI, начальная межпользовательская модель может быть настроена по мере того, как все больше и больше помеченных данных нового пользователя становится доступным во время онлайн-эксперимента, как, например, мы сделали для адаптивного онлайн-тестирования. классификация с использованием CNN в Kuhner et al. (2019).

6. Outlook

Связь субъективных непрерывных оценок в реальном взаимодействии человека и робота с ЭЭГ позволяет искать нейрофизиологические корреляты этих оценок, которые затем могут использоваться в качестве функций для автоматизированных алгоритмов адаптации поведения во время взаимодействия роботов с парализованными пациентами.Даже если такой поиск потерпит неудачу, наличие непрерывных оценок позволит генерировать детализированные политики поведения роботов, которые, в свою очередь, можно использовать для улучшения поведения роботов. В будущем доступность непрерывных рейтинговых данных может быть полезна как в сценариях post-hoc , так и в сценариях приложений в реальном времени. Например, post-hoc анализ непрерывного пользовательского рейтинга, связанного с роботом, позволил бы изучить, как различные аспекты поведения робота могут формировать восприятие пользователя и как восприятие пользователя развивается с течением времени.Анализ рейтингов в реальном времени может передавать важные обучающие сигналы для адаптации и персонализации поведения роботов в реальном времени, например, для пользователей с разным уровнем предыдущего контакта с роботами. Таким образом, в будущем рейтинги в реальном времени в сочетании с методами обучения с подкреплением, например Deep Q-Networks (DQNs, Mnih et al., 2015) или алгоритмами Deep Deterministic Policy Gradient (DDPG, Lillicrap et al., 2015), могут позволяют роботизированным системам, которые продолжают оптимизировать свое поведение в соответствии с требованиями человека.

Заявление об этике

Это исследование было проведено с письменного информированного согласия всех субъектов. Все субъекты дали письменное информированное согласие в соответствии с Хельсинкской декларацией. Протокол был одобрен этическим комитетом Фрайбургского университета.

Авторские взносы

TB, JB, WB, MV и LF внесли свой вклад в концепцию и дизайн исследования. RS предоставил код и совет. MV и LF написали код для экспериментов и анализов. MV выполнила записи и моделирование ЭЭГ.TB, MV и LF написали разделы рукописи.

Финансирование

Эта работа была поддержана грантом DFG EXC1086 BrainLinks-BrainTools, грантом Baden-Württemberg Stiftung, BMI-Bot, Высшей школой робототехники во Фрайбурге, Германия, и Государственной программой финансирования выпускников Баден-Вюртемберга, Германия.

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Благодарности

Авторы благодарят Джеремиаса Голуба и Рамина Зохури за их поддержку в управлении траекторией робота.

Список литературы

Башиван П., Риш И., Еасин М. и Коделла Н. (2016). Изучение представлений от ЭЭГ с глубокими рекуррентно-сверточными нейронными сетями. Электронные отпечатки ArXiv .

Google Scholar

Бенджамини Ю. и Екутиели Д. (2001). Контроль ложного обнаружения при множественном тестировании в зависимости. Ann. Стат. 29, 1165–1188. DOI: 10.1214 / aos / 1013699998

CrossRef Полный текст | Google Scholar

Burget, F., Fiederer, L. D. J., Kuhner, D., Völker, M., Aldinger, J., Schirrmeister, R. T., et al. (2017). «Действующие мысли: к мобильному роботизированному сервисному помощнику для пользователей с ограниченными коммуникативными навыками», 2017 European Conference on Mobile Robots (ECMR) (Paris), 1–6.

Google Scholar

Кавана, Дж. Ф., Франк, М.Дж., Кляйн, Т. Дж., И Аллен, Дж. Дж. Б. (2010). Фронтальная тета связывает ошибки предсказания с поведенческой адаптацией в обучении с подкреплением. NeuroImage 49, 3198–3209. DOI: 10.1016 / j.neuroimage.2009.11.080

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Читта, С., Сукан, И., и Казинс, С. (2012). Moveit! [Ros themes]. Робот IEEE. Автомат. Mag. 19, 18–19. DOI: 10.1109 / MRA.2011.2181749

CrossRef Полный текст | Google Scholar

Эрлих, С.К., и Ченг, Г. (2018). Технико-экономическое обоснование для проверки действий робота с использованием потенциалов, связанных с ошибками на основе ЭЭГ. Внутр. J. Soc. Робот. 11, 1–13. DOI: 10.1007 / s12369-018-0501-8

CrossRef Полный текст | Google Scholar

Эйтель А., Спрингенберг Дж. Т., Спинелло Л., Ридмиллер М. и Бургард В. (2015). «Мультимодальное глубокое обучение для надежного распознавания объектов rgb-d», в Международная конференция IEEE / RSJ по интеллектуальным роботам и системам (IROS), 2015 г. (Гамбург: IEEE), 681–687.

Google Scholar

Фейл-Зайфер, Д., Скиннер, К., и Матарич, М. Дж. (2007). Контрольные показатели для оценки социально-вспомогательной робототехники. Взаимодействовать. Stud. 8, 423–439. DOI: 10.1075 / is.8.3.07fei

CrossRef Полный текст | Google Scholar

Фидлер П., Грибель С., Педроса П., Фонсека К., Ваз Ф., Центнер Л. и др. (2015). Многоканальный ЭЭГ с новыми сухими электродами Ti / Tin. Датчики Actuat. Физ. 221, 139–147. DOI: 10.1016 / j.sna.2014.10.010

CrossRef Полный текст | Google Scholar

Фаулз, Д. К. (1980). Модель трех возбуждений: влияние теории двухфакторного обучения Грея на частоту сердечных сокращений, электродермальную активность и психопатию. Психофизиология 17, 87–104. DOI: 10.1111 / j.1469-8986.1980.tb00117.x

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Глорот, X., и Бенжио, Y. (2010). «Понимание сложности обучения глубоких нейронных сетей с прямой связью», Труды Тринадцатой Международной конференции по искусственному интеллекту и статистике, Vol.9 из Proceedings of Machine Learning Research , ред. Я. У. Тех и М. Титтерингтон (Сардиния), 249–256.

Google Scholar

Хелд Д., Трун С. и Саварезе С. (2016). «Обучение отслеживанию со скоростью 100 кадров в секунду с помощью сетей глубокой регрессии», European Conference on Computer Vision (Амстердам: Springer), 749–765.

Google Scholar

Хуанг, Ч.-М., и Мутлу, Б. (2012). «Набор инструментов для поведения роботов: создание эффективных социальных моделей поведения для роботов», , 2012 7-я Международная конференция ACM / IEEE по взаимодействию человека и робота (HRI) (Бостон, Массачусетс: IEEE), 25–32.

Google Scholar

Итуррат И., Монтесано Л. и Мингес Дж. (2013). «Интерфейс мозг-компьютер с общим управлением для двумерной задачи достижения с использованием потенциалов, связанных с ошибками ЭЭГ», в , 2013 35-я ежегодная международная конференция IEEE Engineering in Medicine and Biology Society (EMBC) (Осака: IEEE), 5258– 5262.

PubMed Аннотация | Google Scholar

Джонс, Э., Олифант, Т., и Петерсон, П. (2001). SciPy: научные инструменты с открытым исходным кодом для Python. Вена. DOI: 10.1145 / 3029798.3034826

CrossRef Полный текст | Google Scholar

Колкхорст, Х., Тангерманн, М., Бургард, В. (2017). «Расшифровка предполагаемой опасности состояний мозга пользователя для формирования взаимодействия между человеком и роботом», в Proceedings of the Companion of the 2017 ACM / IEEE International Conference on Human-Robot Interaction (Vienna: ACM), 349–350.

Google Scholar

Колкхорст, Х., Тангерманн, М., Бургард, В. (2018).«Угадайте, что я посещаю: выбор объекта без интерфейса с помощью сигналов мозга», в Международная конференция по интеллектуальным роботам и системам (IROS) 2018 IEEE / RSJ (Мадрид: IEEE).

Google Scholar

Kuhner, D., Fiederer, L. D. J., Aldinger, J., Burget, F., Völker, M., Schirrmeister, R. T., et al. (2019). Сервисный помощник, сочетающий автономную робототехнику, гибкую формулировку целей и взаимодействие мозга и компьютера на основе глубокого обучения. Робот. Auton. Syst .116, 98–113. DOI: 10.1016 / j.robot.2019.02.015

CrossRef Полный текст | Google Scholar

Лоэрн, В., Солон, А., Уэйтович, Н., Гордон, С. М., Хунг, К., и Лэнс, Б. Дж. (2018). EEGnet: компактная сверточная нейронная сеть для интерфейсов мозг-компьютер на основе ЭЭГ. J. Neural Eng . 15: 056013. DOI: 10.1088 / 1741-2552 / aace8c

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Lillicrap, T. P., Hunt, J. J., Pritzel, A., Heess, N., Erez, T., Tassa, Y., et al. (2015). Непрерывный контроль с глубоким обучением с подкреплением. arXiv [Препринт]. arXiv: 1509.02971 .

Google Scholar

Лощилов И., Хаттер Ф. (2016). SG DR: стохастический градиентный спуск с теплыми перезапусками. arXiv: 1608.03983 .

Google Scholar

Лощилов И., Хаттер Ф. (2017). Исправление регуляризации снижения веса у Адама. arXiv: 1711.05101 .

Google Scholar

Усадьба, р., и Гева, А.Б. (2015). Сверточная нейронная сеть для быстрого последовательного визуального представления нескольких категорий BCI. Фронт. Comput. Neurosci. 9: 146. DOI: 10.3389 / fncom.2015.00146

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Мэтьюсон, К. Э., Харрисон, Т. Дж., И Кизук, С. А. (2017). Высокий и сухой? Сравнение активных сухих электродов ЭЭГ с активными и пассивными мокрыми электродами. Психофизиология 54, 74–82. DOI: 10.1111 / psyp.12536

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Мяо, С., Ван, З. Дж., И Ляо, Р. (2016). Подход cnn регрессии для регистрации 2D / 3D в реальном времени. IEEE Trans. Med. Imaging 35, 1352–1363. DOI: 10.1109 / TMI.2016.2521800

CrossRef Полный текст | Google Scholar

Mnih, V., Kavukcuoglu, K., Silver, D., Rusu, A. A., Veness, J., Bellemare, M. G., et al. (2015). Контроль на уровне человека посредством глубокого обучения с подкреплением. Природа 518: 529. DOI: 10.1038 / природа14236

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Оливейра, Г.Л., Валада, А., Боллен, К., Бургард, В., и Брокс, Т. (2016). «Глубокое обучение для обнаружения человеческих частей в изображениях», Международная конференция IEEE по робототехнике и автоматизации, 2016 г. (ICRA), (Стокгольм: IEEE), 1634–1641.

Google Scholar

Paszke, A., Gross, S., Chintala, S., Chanan, G., Yang, E., DeVito, Z., et al. (2017). «Автоматическое дифференцирование в PyTorch», в NIPS Autodiff Workshop . Длинный пляж.

Google Scholar

Педрегоса, Ф., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., et al. (2011). Scikit-learn: машинное обучение на Python. J. Mach. Учиться. Res. 12, 2825–2830.

Google Scholar

Пфурчеллер Г., Эллисон Б. З., Бауэрнфейнд Г., Бруннер К., Солис Эскаланте Т., Шерер Р. и др. (2010). Гибрид BCI. Фронт. Neurosci. 4: 3. DOI: 10.3389 / fnpro.2010.00003

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Пфурчеллер, Г., и Лопеш да Силва, Ф. Х. (1999). Событийная синхронизация и десинхронизация ЭЭГ / МЭГ: основные принципы. Clin. Neurophysiol. 110, 1842–1857. DOI: 10.1016 / S1388-2457 (99) 00141-8

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Куигли М., Конли К., Герки Б., Фауст Дж., Фут Т., Лейбс Дж. И др. (2009). «Ros: операционная система для роботов с открытым исходным кодом», в ICRA Workshop on Open Source Software, Vol. 3 (Кобе).

Google Scholar

Ромер, Э., Сингх, С. П., и Фриз, М. (2013). «V-rep: универсальная и масштабируемая среда моделирования роботов», в Международная конференция IEEE / RSJ по интеллектуальным роботам и системам (IROS), (Токио: IEEE), 1321–1326, 2013 г.

Google Scholar

Салазар-Гомес, А. Ф., ДельПрето, Дж., Гил, С., Гюнтер, Ф. Х., Рус, Д. (2017). «Исправление ошибок роботов в реальном времени с помощью сигналов ЭЭГ», в , 2017 IEEE International Conference on Robotics and Automation (ICRA) (Singapore), 6570–6577.

Google Scholar

Сарикая Д., Корсо Дж. Дж. И Гуру К. А. (2017). Обнаружение и локализация роботизированных инструментов в видеороликах о роботизированной хирургии с использованием глубоких нейронных сетей для предложения и обнаружения региона. IEEE Trans. Med. Imaging 36, 1542–1549. DOI: 10.1109 / TMI.2017.2665671

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Саркар, С., Араиза-Иллан, Д., и Эдер, К. (2017). Влияние ошибок, опыта и личности на доверие к коллеге-роботу. arXiv [Препринт]. arXiv: 1703.02335 .

Google Scholar

Шалк, Г., Макфарл, Д. Дж., Хинтербергер, Т., Бирбаумер, Н., и Волпоу, Дж. Р. (2004). BCI2000: система интерфейса мозг-компьютер общего назначения (BCI). IEEE Trans. Биомед. Англ. 51: 2004. DOI: 10.1109 / TBME.2004.827072

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Ширрмайстер, Р. Т., Спрингенберг, Дж. Т., Фидерер, Л. Д. Дж., Гласстеттер, М., Эггенспергер, К., Tangermann, M., et al. (2017). Глубокое обучение со сверточными нейронными сетями для декодирования и визуализации ЭЭГ. Hum. Brain Mapp. 38, 5391–5420 DOI: 10.1002 / hbm.23730

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Сиболд, С., Перктольд, Дж. (2010). «Статистические модели: эконометрическое и статистическое моделирование с помощью Python», 9-я научная конференция по Python . Остин.

Google Scholar

Секмен А. и Чалла П.(2013). Оценка адаптивного взаимодействия человека и робота. Зн. На основе Syst. 42, 49–59. Сиболд и Перктольд, 2010 г.

Google Scholar

Ши Б., Бай X., Лю В. и Ван Дж. (2016). Выравнивание лица с глубоким регрессом. IEEE Trans. Neural Netw. Учиться. Syst . 28, 183–194. DOI: 10.1109 / TNNLS.2016.2618340

CrossRef Полный текст | Google Scholar

Шпюлер М. и Нитхаммер К. (2015). Возможности ошибок при постоянной обратной связи: использование ЭЭГ для выявления ошибок разного типа и степени тяжести. Фронт. Гм. Neurosci. 9: 155. DOI: 10.3389 / fnhum.2015.00155

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Тапус, А., Чэпуш, К., и Матарич, М. Дж. (2008). Пользователь? Подбор личности роботов и адаптация поведения роботов-помощников для реабилитационной терапии после инсульта. Intell. Сервисный робот. 1: 169. DOI: 10.1007 / s11370-008-0017-4

CrossRef Полный текст | Google Scholar

Вирек У., Пас А. Т., Саенко К. и Платт Р.(2017). Изучение визуомоторного контроллера для реального роботизированного захвата с использованием смоделированных изображений глубины. препринт arXiv arXiv: 1706.04652 .

Google Scholar

Völker, M., Fiederer, L. D. J., Berberich, S., Hammer, J., Behncke, J., Kršek, P., et al. (2018a). Динамика обработки ошибок в головном мозге человека, отраженная высокой гамма-активностью в неинвазивной и внутричерепной ЭЭГ. NeuroImage 173, 564–579. DOI: 10.1016 / j.neuroimage.2018.01.059

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Фёлькер, М., Хаммер, Дж., Ширрмейстер, Р. Т., Бенке, Дж., Фидерер, Л. Д. Дж., Шульце-Бонхаге, А. и др. (2018b). «Обнаружение внутричерепных ошибок посредством глубокого обучения», в Международная конференция IEEE по системам, человеку и кибернетике (SMC) (Миядзаки).

Google Scholar

Фёлькер, М., Ширрмайстер, Р. Т., Фидерер, Л. Д. Дж., Бургард, В., и Болл, Т. (2018c). «Глубокое трансферное обучение для декодирования ошибок из неинвазивной ЭЭГ», в IEEE 6-я Международная конференция по интерфейсу мозг-компьютер (BCI) (High2-gil).

Google Scholar

Вальдерт С., Пистол Т., Браун К., Болл Т., Аэрцен А. и Меринг К. (2009). Обзор информации о направлении в нейронных сигналах для интерфейсов мозг-машина. J. Physiol. 103, 244–254. DOI: 10.1016 / j.jphysparis.2009.08.007

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Уоттер М., Спрингенберг Дж., Бёдекер Дж. И Ридмиллер М. (2015). «Внедрить для управления: локально линейная модель скрытой динамики для управления из необработанных изображений», в Advances in Neural Information Processing Systems (Montreal), 2746–2754.

Google Scholar

фредваз (Фредерико Ваз) · GitHub

фредваз (Фредерико Ваз) · GitHub

MSc. Инженер-электрик и компьютерщик, основатель Bot Olympics. Интересы робототехникой, электроникой, AI

Особенности

  • Участник Арктического кодекса Vault
  • Pro

Закреплено

  1. Этот репозиторий содержит прошивку, PID Tunning на Simulink и пакет ROS Navigation для самобалансирующегося робота.

    MATLAB 4

  2. Программный драйвер для периферийных устройств TM4C123G. Микроконтроллер ARM M-Cortex.

  3. Примеры интерфейсов с архитектурой микроконтроллера PIC и программным драйвером для периферийных устройств PIC16FV24.

    Makefile 1

  4. Оценка NOx на нефтеперерабатывающем заводе с использованием машинного обучения

    Python 1 1

3 публикации в прошлом году

АпрМайИюньИюлАвгСентОктНоябДекЯнфевМарСолнцеПнВтСрЧтПтСб

Вклад деятельности

Январь — апрель 2021 г.

у фредваза нет активности пока что на этот период.

Вы не можете выполнить это действие в настоящее время. Вы вошли в систему с другой вкладкой или окном. Перезагрузите, чтобы обновить сеанс. Вы вышли из системы на другой вкладке или в другом окне. Перезагрузите, чтобы обновить сеанс.

Семейная медицина Монтгомери | TriHealth

Часы

  • Понедельник, 7.00-17.00
  • вторник, 7.00-17.00
  • Среда, 7 а.м. — 17:00
  • Четверг, 7.00-17.00
  • Пятница, 8.00 — 16.00
  • Суббота, 8.00 — 12.00

Ознакомьтесь с нашими рейтингами качества

по сравнению с более высокими средними показателями Цинциннати.

Эта клиника участвует в Инициативе «Комплексное первичное медицинское обслуживание плюс» (CPC +). Узнайте больше здесь.

Врачи

Томас В.Гримм MD

Специальность

Семейная медицина

Медицинское училище

Медицинский колледж Университета Цинциннати, Цинциннати, Огайо

Резиденция

Moses H. Cone Health System, Гринсборо, Северная Каролина

Сертификация совета директоров

Американский совет семейной медицины

Сара М.Kindt DO

Специальность

Семейная практика

Медицинское училище

Колледж остеопатической медицины озера Эри — Эри, Пенсильвания

Резиденция

Программа резидентуры по семейной медицине Bethesda — Цинциннати, Огайо

Сертификация Совета

Американский совет семейной медицины

Джеффри Мерлинг, доктор медицины

Специальность

Семейная медицина

Медицинское училище

Медицинский факультет государственного университета Райта, Дейтон, Огайо

Резиденция

Программа ординатуры по семейной медицине Bethesda, Цинциннати, Огайо

Сертификация совета директоров

Американский совет семейной медицины

Дуглас К.Moody MD

Специальность

Семейная медицина

Медицинское училище

Медицинский колледж Университета Цинциннати, Цинциннати, Огайо

Резиденция

Госпиталь Святой Елизаветы, Аплтон, Висконсин

Сертификация совета директоров

Американский совет семейной медицины

Ричард У.Vonder Brink MD

Специальность

Семейная медицина

Медицинское училище

Медицинский колледж Университета Цинциннати, Цинциннати, Огайо

Резиденция

Университетская больница, Цинциннати, Огайо

Сертификация совета директоров

Американский совет семейной медицины

Практикующие медсестры

Энни Дженнингс, RN, MSN, FNP-BC

Образование и профессиональная подготовка

Степень магистра сестринского дела — практикующая семейная медсестра: Университет Огайо, Афины, Огайо

Степень бакалавра медсестер: Университет Ксавьера, Цинциннати, Огайо

Сертификация

Американская академия практикующих медсестер

Энн Ваз, RN, MSN, FNP-BC

Образование и профессиональная подготовка

Степень магистра сестринского дела — практикующая семейная медсестра: Школа медсестер Университета Мэриленда, Балтимор, Мэриленд

Степень бакалавра медсестер: Колледж медсестер Лилабая Текерси, Мумбаи, Индия

Сертификация

Американский центр аттестации медсестер

Invaders (Vaz Gettnor, # 4) Лоуренс Э.Dahners

Typical Dahners, для хорошего и плохого

Обычная рабочая работа Dahners с большим количеством адреналина и большим вниманием к трудностям — эмоциональным и практическим — общения с Vaz, даже когда отчаянно важно получить реальные ответы от ему. Неуклюжие романтические вставки со всеми важными женщинами, тайно или открыто великолепными, симпатичными и блестящими в той или иной мере. В то же время, когда Данер сосредотачивается на внешности женщин, он также делает всех мужчин по крайней мере привлекательными. -эмоционально и практично — общаться с Вазом, даже когда отчаянно важно получить от него реальные ответы.Неуклюжие романтические вставки со всеми важными женщинами, тайно или открыто великолепными, симпатичными и блестящими в той или иной мере. В то же время, когда Данер сосредотачивается на женской внешности, он также делает всех мужчин как минимум привлекательными и, как минимум, активно красивыми (кроме Ваза, конечно). Это его попытка разрушить стереотип типичного ботаника о физическом здоровье? Если так, то это раздражает и является таким же стереотипом в противоположном направлении, как и его настойчивое требование о том, чтобы женщины были красивыми и одаренными.Я также устал от того, что Даннерс изображает правительственных и военных болванов. Да, некоторые из них, несомненно, столь же эгоцентричны и высокомерны, как он их выставляет, но, несомненно, их идиотия различается. В конце концов, они люди, и мы делаем себя препятствующими, полезными, творческими или намеренно слепыми и глухими, неисчислимым разнообразием способов. Данерс не пишет очень широкий круг персонажей, поэтому его книги слишком часто кажутся шахматными партиями, играемыми фигурами, а не людьми, которые делают выбор и разбираются с последствиями.Это расстраивает, потому что Ваз — очень интересный и необычный человек, и Дахнерс мог бы делать с ним гораздо больше, чем просто заводить его, настраивать ситуацию с текущим научным вопросом Данерса и затем позволять Вазу работать, в то время как другие заводные персонажи либо помогать или мешать ему в конечном итоге выполнять работу, в том числе улучшать или спасать мир самостоятельно.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *

2019 © Все права защищены. Карта сайта