脑小血管疾病的成像标记提供了有关脑部健康的宝贵信息，但是它们的手动评估既耗时又受到实质性内部和间际变异性的阻碍。自动化评级可能受益于生物医学研究以及临床评估，但是现有算法的诊断可靠性尚不清楚。在这里，我们介绍了\ textIt {血管病变检测和分割}（\ textit {v textit {where valdo？}）挑战，该挑战是在国际医学图像计算和计算机辅助干预措施（MICCAI）的卫星事件中运行的挑战（MICCAI） 2021.这一挑战旨在促进大脑小血管疾病的小而稀疏成像标记的自动检测和分割方法的开发，即周围空间扩大（EPVS）（任务1），脑微粒（任务2）和预先塑造的鞋类血管起源（任务3），同时利用弱和嘈杂的标签。总体而言，有12个团队参与了针对一个或多个任务的解决方案的挑战（任务1 -EPVS 4，任务2 -Microbleeds的9个，任务3 -lacunes的6个）。多方数据都用于培训和评估。结果表明，整个团队和跨任务的性能都有很大的差异，对于任务1- EPV和任务2-微型微型且对任务3 -lacunes尚无实际的结果，其结果尤其有望。它还强调了可能阻止个人级别使用的情况的性能不一致，同时仍证明在人群层面上有用。

平衡和步态障碍是跌倒的第二主要原因，随之而来的是伤害，据报道是世界各地的主要公共卫生问题。对于不需要机械支持的患者，纤维触及反馈界面已被证明是恢复平衡的成功方法。大多数现有策略评估躯干或头部倾斜，速度或足底力，仅限于立场的分析。另一方面，平衡控制的中心是需要将身体的压力中心（COP）保持在支撑多边形（SP）的可行限制，如站立或前进到新的SP（如步行中）。因此，本文提出了一项探索性研究，以研究是否可以在步行过程中使用速函反馈来领导人类警察。引入了Ergotac-belt纤维触觉设备，以指示用户在前后轴和中侧轴上的方向。这里采用了一种预期策略，以使用户有足够的时间对刺激做出反应。对十个健康受试者进行的实验证明了该设备沿预定义的参考路径指导用户的COP具有有希望的能力，其性能与视觉反馈相似。未来的发展将调查我们的战略和设备，以指导老年人或前庭障碍的人的警察，他们可能不知道或能够弄清楚安全且人体工程学的COP道路。

反复出现或持续的尴尬身体姿势是与工作相关的肌肉骨骼疾病（MSD）发展最常见的危险因素之一。为了防止工人采用有害配置，也可以指导他们朝着更符合人体工程学的配置，可穿戴触觉设备可能是理想的解决方案。在本文中，在肢体姿势校正环境中评估了一个称为Ergotac的纤维ac式单元，称为袖口和称为袖口的滑动单元。使用定量与任务相关的指标和主观定量评估，比较了在十二个健康受试者中比较了他们提供单关节（肩膀或膝盖）和多关节（肩膀和膝盖）指导的能力。还建立了一个集成的环境，以简化参与传感器和反馈系统之间的沟通和数据共享。结果显示出两种设备的良好可接受性和直觉。 Ergotac似乎是肩膀的合适反馈装置，而袖口可能是膝盖的有效解决方案。这项比较研究虽然是初步的，但却是对两种设备进行有效全身姿势校正的潜在整合的促进，目的是开发反馈和辅助设备，以提高工人对危险工作条件的认识，从而防止MSD。

人类机器人协作组装系统提高了工作场所的效率和生产力，但可能会增加工人的认知需求。本文提出了一个在线和定量框架，以评估与同事的互动，即人类运营商或具有不同控制策略的工业协作机器人所引起的认知工作量。该方法可以监视操作员的注意力分布和上身运动学，从而受益于低成本立体声摄像机和尖端的人工智能算法的输入图像（即头姿势估计和骨架跟踪）。三种实验场景具有工作站特征和互动方式的变化，旨在测试我们在线方法的性能，以防止最新的离线测量。结果证明，我们基于视觉的认知负荷评估有可能将其集成到新一代的协作机器人技术中。后者将使人类的认知状态监测和机器人控制策略适应改善人类舒适，人体工程学和对自动化的信任。

在混合工业环境中，工人对安全的舒适和积极的看法是成功接受和使用协作机器人的重要要求。本文提出了一个新型的人类机器人互动框架，其中根据操作员的认知工作量和压力在线对机器人行为进行了调整。该方法利用在关节空间中生成B-Spline轨迹的生成，并将多目标优化问题的公式用于在线调整机器人轨迹的总执行时间和平滑度。前者确保了工作场所的人力效率和生产力，而后者则有助于保护用户的舒适性和认知人体工程学。在典型的工业任务中评估了拟议框架的性能。结果表明，其能力可以提高人类二元组的生产率，同时减轻工人引起的认知工作量。

本文提出了一种移动超级机器人方法，可在人类机器人结合的行动中进行身体援助。该研究从对超人概念的描述开始。这个想法是开发和利用可以遵循人类机器人操作命令的移动协作系统，通过三个主要组件执行工业任务：i）物理界面，ii）人类机器人互动控制器和iii）超级机器人身体。接下来，我们从理论和硬件的角度介绍了框架内的两个可能的实现。第一个系统称为MOCA-MAN，由冗余的扭矩控制机器人组和Omni方向移动平台组成。第二个称为Kairos-Man，由高付费6多速速度控制机器人组和Omni方向移动平台形成。该系统共享相同的接收界面，通过该接口将用户扳手转换为Loco-andipulation命令，该命令由每个系统的全身控制器生成。此外，提出了一个具有多个和跨性别主题的彻底用户研究，以揭示这两个系统在努力和灵活的任务中的定量性能。此外，我们提供了NASA-TLX问卷的定性结果，以证明超级人物的潜力及其从用户的观点中的可接受性。

与工作有关的肌肉骨骼障碍（WMSDS）仍然是欧盟的主要职业安全和健康问题。因此，持续追踪工人对可能导致其发展有贡献的因素的暴露是至关重要的。本文介绍了一种在线方法来监控工人上的运动和动态数量，提供当天在日常工作中所需的物理负荷的估计。定义了一套符合人体工程学的指标，以考虑对WMSD的多个潜在贡献者，也重视工人的主题特定要求。为了评估拟议的框架，考虑到在制造业中代表典型工作活动的任务，对十二人受试者进行了彻底的实验分析。对于每个任务，在统计分析之后，识别更好地解释底层物理负荷的符合人体工程学指标，并通过表面肌电图（SEMG）分析的结果支持。还通过公认的和标准工具进行了比较，以评估工作场所的人体工程学，突出所提出的框架引入的益处。结果证明了拟议框架在识别物理危险因素方面的高潜力，从而采取预防措施。该研究的另一个同样重要的贡献是在人类血管动力学测量中创建一个综合数据库，该测量涉及执行典型工业任务的健康受试者的多个感官数据。

尽管Cobots具有高潜力，但在制造和后勤过程中带来了几个好处，但它们在不断变化环境中的快速（重新）部署仍然有限。为了实现快速适应新产品的需求，并提高人工人员对分配任务的适应性，我们提出了一种新的方法，可以优化装配策略，并在人机合作任务中分配工人之间的努力。合作模型利用和/或图表，我们适于解决角色分配问题。分配算法考虑在线计算的定量测量，以描述人工人工符的符合人体工程学状态和任务属性。我们进行了初步实验，以证明拟议的方法成功控制任务分配过程，以确保人工人工的安全和符合人体工程学条件。

Data scarcity is one of the main issues with the end-to-end approach for Speech Translation, as compared to the cascaded one. Although most data resources for Speech Translation are originally document-level, they offer a sentence-level view, which can be directly used during training. But this sentence-level view is single and static, potentially limiting the utility of the data. Our proposed data augmentation method SegAugment challenges this idea and aims to increase data availability by providing multiple alternative sentence-level views of a dataset. Our method heavily relies on an Audio Segmentation system to re-segment the speech of each document, after which we obtain the target text with alignment methods. The Audio Segmentation system can be parameterized with different length constraints, thus giving us access to multiple and diverse sentence-level views for each document. Experiments in MuST-C show consistent gains across 8 language pairs, with an average increase of 2.2 BLEU points, and up to 4.7 BLEU for lower-resource scenarios in mTEDx. Additionally, we find that SegAugment is also applicable to purely sentence-level data, as in CoVoST, and that it enables Speech Translation models to completely close the gap between the gold and automatic segmentation at inference time.

While the problem of hallucinations in neural machine translation has long been recognized, so far the progress on its alleviation is very little. Indeed, recently it turned out that without artificially encouraging models to hallucinate, previously existing methods fall short and even the standard sequence log-probability is more informative. It means that characteristics internal to the model can give much more information than we expect, and before using external models and measures, we first need to ask: how far can we go if we use nothing but the translation model itself ? We propose to use a method that evaluates the percentage of the source contribution to a generated translation. Intuitively, hallucinations are translations "detached" from the source, hence they can be identified by low source contribution. This method improves detection accuracy for the most severe hallucinations by a factor of 2 and is able to alleviate hallucinations at test time on par with the previous best approach that relies on external models. Next, if we move away from internal model characteristics and allow external tools, we show that using sentence similarity from cross-lingual embeddings further improves these results.