XiaoMi-AI文件搜索系统
World File Search System凝视
RSVP 下基于视觉 ERP 的 BCI 中的刺激大小效应
摘要：快速序列视觉呈现 (RSVP) 是目前最适合用于基于事件相关电位 (ERP-BCI) 的视觉脑机接口 (ERP-BCI) 的范例之一，适用于眼球运动障碍患者。然而，凝视非依赖性范例的研究不如凝视依赖性范例那么深入，而且在 RSVP 下尚未探索诸如呈现的刺激大小等变量。因此，本研究的目的是评估刺激大小是否会影响 RSVP 范例下的 ERP-BCI 性能。12 名参与者使用三种不同的刺激大小测试了 RSVP 下的 ERP-BCI：小 (0.1 × 0.1 厘米)、中 (1.9 × 1.8 厘米) 和大 (20.05 × 19.9 厘米)，距离为 60 厘米。结果显示，不同条件下的准确度存在显著差异；刺激越大，准确度越高。研究还表明，这些差异不是由于对刺激的错误感知造成的，因为在感知辨别任务中，刺激大小没有影响。因此，本研究显示，刺激大小会影响 RSVP 下 ERP-BCI 的性能。未来针对需要注视独立系统的用户的 ERP-BCI 提案应考虑这一发现。
3D臂目光：3D ARM的公共数据集到达虚拟现实中的注视信息
3D武器凝视是一个公共数据集，旨在从精确控制的，舒适的姿势到达宽的可触及空间中的物体时提供自然的手臂运动以及视觉和凝视信息。参与者参与了在虚拟环境中挑选和将物体放置在各种位置和方向上，从而使工作空间最大化了探索工作区，同时通过指导参与者通过躯干和肩部来确保参与者通过视觉反馈来确保一致的坐姿姿势。这些实验设置允许以高成功率（> 98％的物体）和最小的补偿性运动捕获自然手臂运动。数据集重组超过250万个样本，这些样本从20位健康参与者中记录，他们执行14,000个单次选拔运动（每位参与者700个）。最初旨在探索基于自然眼睛和手臂协调的新型假体控制策略，但该数据集也将对对核心感觉运动控制，人形机器人机器人，人类机器人相互作用以及在注视指导计算机视觉中相关解决方案的开发和测试的研究人员也很有用。
9 个月大的婴儿的 Alpha 和 Theta 大脑活动 - Chieti
摘要 在他人注视方向和所观察物体之间建立联系的能力对社会认知和学习的发展具有重要意义。在本研究中，我们通过实施面对面的现场范式分析了一组 9 个月大婴儿的 alpha 和 theta 波段振荡，该范式为婴儿提供了与真实人类的三元社会互动。我们比较了两种实验条件下的神经激活情况：物体出现后的一致和不一致凝视转移。在不一致物体注视转移条件下，我们观察到与一致条件相比，theta 功率有所增加。我们还发现，在一致物体注视条件下，alpha 活动比不一致物体注视条件下有所增强。这些发现证实了当他人的目光转向参考目标时，theta 和 alpha 波段活动参与了对目光的检测。我们认为 theta 波段调节可能与意外事件的处理有关。此外，在一致物体凝视条件下，alpha 波段活动的增加似乎与之前关于生命第一年之前出现的内部控制注意力机制的研究结果一致。与非现场标准范式相比，现场范式的实施引发了部分不同的振荡模式，支持了重现现实生活条件的生态设置对于研究社会认知发展的重要性。
通函072024更改战略商品...
通函号：07/2024 2024年8月1日，贸易商和宣布的代理人，亲爱的先生/夫人，更改了战略商品控制清单对战略商品控制清单新加坡海关的最新消息，希望新的战略商品（控制）订单（控制）2024（“ SGCO 2024”）（“ SGCO 2024”）已在2024年8月1日被凝视，并将在2024年8月1日登上2024年10月1日效应。 您可以通过我们的网站www.customs.gov.sg>业务>战略商品控制>战略商品控制列表访问SGCO 2024。通函号：07/2024 2024年8月1日，贸易商和宣布的代理人，亲爱的先生/夫人，更改了战略商品控制清单对战略商品控制清单新加坡海关的最新消息，希望新的战略商品（控制）订单（控制）2024（“ SGCO 2024”）（“ SGCO 2024”）已在2024年8月1日被凝视，并将在2024年8月1日登上2024年10月1日效应。您可以通过我们的网站www.customs.gov.sg>业务>战略商品控制>战略商品控制列表访问SGCO 2024。
Leidos 高空持续红外 (OPIR) 监视
Leidos 提供真正先进的技术，为美国提供大量 MEO 和 LEO 红外传感器星座，能够探测和跟踪最先进的导弹威胁，从战术到战略，从弹道到高超音速。自从我们在地球同步轨道上发射了世界上第一个宽视场凝视阵列红外传感器作为商业托管红外有效载荷 (CHIRP) 以来，我们的创新技术已经得到了长足的发展。我们对导弹预警 (MW) 和导弹跟踪 (MT) 的方法：
通过同步光学脑成像和眼动追踪测量实现认知工作量的多模态模型
神经成像技术的最新进展使得对复杂任务设置和环境中操作员的认知过程进行多模态分析变得越来越实用。在这项探索性研究中，我们利用光学脑成像和移动眼动追踪技术来研究专家和新手操作员在正常和不利条件下操作人机界面时的行为和神经生理差异。与相关工作一致，我们观察到与新手相比，专家的前额叶氧合水平往往较低，并且表现出与最佳任务序列更一致的凝视模式，注视时间更短。这些趋势仅在操作员收到意外错误消息的不利条件下才达到统计显著性。错误消息前后的血流动力学和凝视测量之间的比较表明，专家对错误的神经生理反应包括双侧背外侧前额叶皮层 (dlPFC) 活动的系统性增加，同时注视时间增加，这表明他们的注意力状态发生了转变，可能从常规过程执行转变为问题检测和解决。新手的反应不如专家强烈，包括左侧 dlPFC 仅略有增加，注视持续时间呈下降趋势，这表明他们通过视觉搜索行为来寻找可能的线索，以理解
使用深度学习的视网膜眼底图像早期检测青光眼的框架” 2279
摘要：青光眼是一种高度危险的眼部疾病，可显着影响人类视力。这是一种视网膜状况，会损害视神经头（ONH），如果在后期发现，可能会导致永久失明。预防永久性失明取决于青光眼在其初始阶段的及时识别和干预。本文介绍了卷积神经网络（CNN）模型，该模型利用特定的建筑设计来通过分析底面图像来识别早期青光眼。这项研究利用了公开访问的数据集，包括用于青光眼分析和研究的在线视网膜底面图像数据库（ORIGA），视网膜的结构化分析（凝视）和视网膜眼底青光眼挑战（避难所）。为了对青光眼进行分类，视网膜底面图像被送入Alexnet，VGG16，Resnet50和InceptionV3模型中。RESNET50和InceptionV3模型都证明了出色的性能，以创建混合模型。ORIGA数据集以97.4％的F1得分达到了高精度，而凝视数据集则获得了更高的精度，而F1分数为99.1％。避难数据集也表现出色，F1得分为99.2％。所提出的方法已经建立了可靠的青光眼诊断系统，帮助眼科医生和医生进行准确的质量筛查和诊断青光眼。
