亿迅智能制造网
监测 50 岁以上成人多发性硬化（MS）相关步态问题进展具有挑战，临床医生需区分 MS 与衰老相关问题。研究者整合步态数据与机器学习，推进监测预测疾病进展工具。
MS 全球影响约 200 万人，步行问题常见，约半数患者 15 年内需助行。研究旨在辨析衰老与 MS 疾病相关变化的相互作用，在老年 MS 患者中区分两者。机器学习擅长发现复杂隐性表现变化。
用仪器化跑步机采集 20 名 MS 成人及 20 名年龄体重身高性别匹配非 MS 老年人步态数据（按体型人口统计学归一化）。舒适配速行走最长 75 秒，专用软件捕捉步态事件、地面反作用力、足底压力中心轨迹。提取各参与者步态时空动力学特征分析步态变异。
蝴蝶图（多步连续足底压力中心轨迹形成的蝴蝶状曲线，关联关键神经功能）等步态特征变化帮助检测组间步态模式差异。生物力学系统（如行走）建模困难，临床难发现问题。新方法从每个个体多测量、少样本数据集中提取结论，在临床机器学习疾病预测策略上取得显著进展。
传感器
计算机早期主要执行简单数理逻辑运算。逐渐进化为执行复杂计算、精细问题求解，成世界信息骨干。超越传统计算范畴，意味着计算机需要智能。研究者与计算机工程师转向模仿人类智能。人工智能 (AI) 是致力于创造媲美人类智能的计算系统的计算机科学领域。早期 AI 模型执行复杂逻辑运算。随后开发出更高级技术执行更“智能”任务。AI 领域最常用的两个术语：机器学习与深度学习。本文探讨二者起源、共性与差异。 图 1. AI、机器学习与深度学习的关系。图片来源：Avimanyu786 深度学习与机器学习 机器学习与深度学习均为 AI 子集。深度学习是机器学习的子集。即：所有深度学习都是机器学习，但非所有
新机器学习模型可通过快速识别最可能对ICB有反应的患者，而非目前试错法，缩短治疗时间。 埃因霍温理工大学研究人员转向机器学习，更好预测特定免疫疗法是否有助癌症患者。最新论文模型显示前景，迄今甚至优于传统临床方法。 利用免疫疗法对抗癌症 肿瘤细胞躲避人体天然防御，使癌症难靶向治疗。肿瘤细胞阻断人体天然免疫反应，但免疫疗法可对部分患者重新唤醒。问题在于早期发现哪些患者最可能响应。 一种疗法，免疫检查点阻断剂（ICB），告知免疫细胞忽略癌细胞为躲藏发出的关闭指令。虽为革命性发现，仅约三分之一癌症患者对治疗有反应。 新机器学习模型可通过快速识别最可能响应ICB的患者，而非当前试错法，缩短治疗时间。该模
机器学习（ML）是 AI 核心分支：**让机器从数据中自主学习规律、泛化预测，而非显式编程规则**。本文系统梳理 ML 原理、工程流程、深度学习进阶与工业落地图谱。 机器学习核心范式 监督学习：标注数据 (X, y) → 学习映射 f: X→y。分类（缺陷判别）、回归（寿命预测） 无监督学习：无标签数据 → 发现内在结构。聚类（工况分型）、降维（特征压缩）、异常检测（孤立森林/自编码器） 半监督/自监督：少量标签 + 大量无标签，一致性正则/对比学习/掩码建模，缓解标注瓶颈 强化学习：智能体与环境交互 → 最大化累积奖励。调度优化、机器人控制、工艺参数自适应 ML 项目工程化四阶段标准化
机器学习早已家喻户晓，但鲜有人知如何着手应用。希望阅读本文能帮助您理解如何利用 PLCnext 控制器开启机器学习之旅。本文将涵盖：训练首个 ML 模型、转换为 ONNX 标准、在 PLCnext 控制器上推理。为避免过度复杂，我们将使用经典的 Iris 鸢尾花数据集构建模型。 开始前，明确目标至关重要。以下简要介绍本文涉及的主题，参考资料见文末。 机器学习简介 什么是机器学习 机器学习的本质是利用统计与算法在数据集中发现模式。主要分为三类：监督学习、无监督学习和强化学习。监督学习最常用，本文采用此类。监督学习中，我们对数据打标签，明确告知机器寻找的模式。 无监督学习不打标签，让机器自行发现模
