XiaoMi-AI文件搜索系统
World File Search System动眼
内窥镜国际开放-Thieme Connect
摘要：背景：腺瘤的检测率较高，这些内镜者花费更多时间观察结肠镜检查中的屏幕边缘。尽管如此，与病变检测有关的眼动参数仍然未知。这项研究旨在终止与结直肠腺瘤检测有关的特定眼动参数，包括特定区域的凝视率和眼动速度。方法：这项研究是对一项随机对照试验的事后分析，该试验研究了修改内镜医生对结直肠腺瘤检测的眼睛运动的影响。根据内窥镜医生在每次检查中的凝视坐标计算特定区域和眼动速度的凝视速率。排除了观察和处理息肉所需的时间。将屏幕分为6×6部分时，将下部外围区域定义为底部行。在患有和没有腺瘤的患者之间比较了这些参数。结果：五名医生进行了158次结肠镜检查。腺瘤检测组表现出较低的外围目光率（13.7％比9.5％，p = 0.004）和较小的平均眼动运动距离（29.9像素/30 ms，而33.3像素/30 ms，p = 0.022）。逻辑回归分析表明，较低的外围视觉率> 13.0％和平均眼动运动距离<30像素/30 ms是增加了腺瘤检测的独立预测指标（P = 0.024，优势比[OR]：2.53，95％的置信区间[CI]：1.71–3.28; P = 0.045; P = 0.045; 1.03–20.2），而年龄，性别和戒断时间却没有。结论：较低的外周观察速率和缓慢的眼睛运动与结直肠腺瘤的检测有关。
翻译眼研究
UNC-Chapel Hill是一个很棒的跨学科，合作的环境，适合调查人员。UNC眼科研究人员追求的所有研究旨在改善患者护理，就像我们的教育和临床任务一样。我们的研究人员通常与其他大学学校的研究同事（例如，UNC Gillings全球公共卫生学院，UNC Eshelman药学院），UNC医学系和中心学院（例如生理学和细胞生物学系，微生物学部门，微生物学，放射学，放射学，Line Berberger综合综合中心）和其他教育大学（EG CARIMIANIMIAN CARIMIANIAS CARIMIANION CARION CARIMI cARIMIANIAS），纽约大学，DUKE Incorcy，DUKE CARKEINE，DUKE CAREKIAN CARKERIANS，DUKE CARKEINE，DUKEIMIAN。在本期《 UNC Eye》中，您将了解正在在动物模型中起作用的新疗法，以防止角膜移植和角膜疤痕，消除眼部肿瘤细胞，治疗黄斑变性和新型纳米颗粒应用以治疗遗传性视网膜疾病。
眼健康与健康：
营养与健康之间的相互作用具有两千年半的学者。在此帐户中，在旧约中，丹尼尔（Daniel）和他的同事在国王的豪华票价上选择了蔬菜和水，因此注意到了改善的健康状况。1快进到1747年，我们遇到了詹姆斯·林德（James Lind）在HMS索尔兹伯里（HMS Salisbury）上的先驱实验 - 通常被认为是第一次受控的临床试验 - 发现柑橘类水果的治疗方法是针对Scurvy的。2这些初步研究为不断发展的营养科学领域树立了基础，这是由整个历史上社会的饮食习惯不断变化的。正如Virginia Woolf巧妙地指出的那样，如果没有很好的用餐，就无法很好地思考，爱好，睡得很好。3这种见解捕捉了我们的饮食选择与整体福祉之间的深刻联系，甚至扩展到了我们的视觉能力。
改进单次试验分类中的意图检测......
摘要 — 意图解码是免提人机交互 (HCI) 中不可或缺的过程。传统的眼动追踪系统使用单一模型注视持续时间可能会发出忽略用户真实期望的命令。在本研究中，引入了一种眼脑混合脑机接口 (BCI) 交互系统，通过融合多模态眼动追踪和 ERP（源自 EEG 的测量）特征来检测意图。当 64 名健康参与者在 25 个图标中执行 40 分钟的定制自由搜索任务时，记录了他们的眼动追踪和 EEG 数据。提取了相应的眼动追踪和 ERP 注视持续时间。采用五个已验证的基于LDA的分类器（包括RLDA，SWLDA，BLDA，SKLDA和STDA）和广泛使用的CNN方法从离线和伪在线分析中验证特征融合的有效性，并通过调节训练集和系统响应持续时间来评估最佳方法。我们的研究表明，多模态眼动和ERP特征的输入在主动搜索任务的单次试验分类中实现了意图检测的优异性能。并且与单模型ERP特征相比，该新策略也在不同的分类器之间获得了一致的准确率。此外，与其他分类方法相比，我们发现SKLDA在离线测试（ACC=0.8783，AUC=0.9004）和不同样本量和持续时间长度的在线模拟中融合特征时表现出更优异的性能。总之，本研究揭示了一种利用眼脑混合BCI进行意图分类的新颖有效的方法，并进一步以更精确、更稳定的方式支持了免提HCI的实际应用。
使用脑电图和眼动追踪功能对虚拟现实中的外部和内部注意力进行多模式检测
未来的虚拟现实环境将感知用户的环境，实现广泛的智能交互，从而通过注意力感知虚拟现实系统实现多样化的应用并提高可用性。然而，基于脑电图数据的注意力感知虚拟现实系统训练周期长，阻碍了其普遍性和广泛应用。同时，在哪些生理特征（脑电图和眼动追踪）对解码虚拟现实范式中的注意力方向最有效的研究中仍然存在空白。我们通过评估使用脑电图和眼动追踪数据的几种分类模型来解决这一问题。我们在 N-Back 任务中需要内部注意力或在视觉监控中需要外部注意力分配的任务期间同时记录了训练数据。我们使用线性和深度学习模型比较了几种单峰和多峰特征集以及不同窗口大小下的分类性能。结果表明，多峰特征可以提高经典和现代分类模型的预测能力。我们讨论了评估生理特征重要性并实现自动、稳健和个性化特征选择的方法。