In this paper, the analysis and design of master-slave teleoperation systems are discussed. The goal of this paper is to build a superior master-slave system that can provide good maneuverability. We first analyze a one degree-of-freedom system including operator and object dynamics. Second, some ideal responses of master-slave systems are defined and a quantitative index of maneuverability is given, based on the concept of ideal responses. Third, we propose new control schemes of master-slave manipulators that provide the ideal kinesthetic coupling such that the operator can maneuver the system as though he/she were directly manipulating the remote object himself/herself. The proposed control scheme requires accurate dynamic models of the master and slave arms, but neither parameters of the remote object nor the operator dynamics is necessary. Last, the proposed control scheme is introduced to a prototype master-slave system and the experimental results show the validity of the proposed scheme.

The purpose of this study is to elucidate changes in mean diffusivity (ADC) and fractional anisotropy (FA) using MR diffusion tensor imaging (DTI) in the central nervous system during normal aging. We studied 50 normal volunteers (30 men, 20 women; mean age 44.8 ± 14.0; age range, 21–69 years) without disorders affecting the central nervous system. The frontal, parietal white matter, lentiform nucleus, posterior limb of internal capsule, thalamus, genu and splenium of the corpus callosum were selected for investigation. There was no significant difference in ADC or FA between male and female or between the right and left hemisphere. A significant ADC increase with advancing age was observed in frontal white matter (P = 0.010) and lentiform nucleus (P = 0.022). A significant FA decline was found only in the genu of the corpus callosum (P < 0.001) with advancing age. Quantitative diffusion tensor analysis correlate with normal aging and may help in assessing normal age-related changes and serve as a standard for comparison with neurodegenerative disorders.

The concept of dynamic manipulability measure of robot arms is proposed as a quantitative measure of their manipulating ability in positioning and orienting the end-effectors, which takes the arm dynamics into consideration. This measure is defined on the basis of the relation between the joint driving force and the acceleration of the end-effector. Some properties of the measure are established. A two-joint link mechanism is analyzed and its best posture is obtained under certain condition from the viewpoint of this measure. A numerical example is also given to illustrate the utilization of this concept for the design of robot manipulators.

PurposeThe prevalence of type 2 diabetes mellitus (T2DM) has been steadily increasing over the years. We aim to predict the occurrence of T2DM using mammography images within 5 years using two different methods and compare their performance.ApproachWe examined 312 samples, including 110 positive cases (developed T2DM after 5 years) and 202 negative cases (did not develop T2DM) using two different methods. In the first method, a radiomics-based approach, we utilized radiomics features and machine learning (ML) algorithms. The entire breast region was chosen as the region of interest for extracting radiomics features. Then, a binary breast image was created from which we extracted 668 features and analyzed them using various ML algorithms. In the second method, a complex convolutional neural network (CNN) with a modified ResNet architecture and various kernel sizes was applied to raw mammography images for the prediction task. A nested, stratified five-fold cross-validation was done for both parts A and B to compute accuracy, sensitivity, specificity, and area under the receiver operating curve (AUROC). Hyperparameter tuning was also done to enhance the model's performance and reliability.ResultsThe radiomics approach's light gradient boosting model gave 68.9% accuracy, 30.7% sensitivity, 89.5% specificity, and 0.63 AUROC. The CNN method achieved an AUROC of 0.58 over 20 epochs.ConclusionRadiomics outperformed CNN by 0.05 in terms of AUROC. This may be due to the more straightforward interpretability and clinical relevance of predefined radiomics features compared with the complex, abstract features learned by CNNs.