摘要 在英国,追尾碰撞占所有车辆事故的 8% 左右,而未注意到或对刹车灯信号做出反应是主要原因。同时,车辆上传统的白炽刹车灯正越来越多地被大量采用 LED 的设计所取代。在本文中,我们使用一种新方法在模拟环境中使用物理刹车灯组件记录受试者的反应时间来研究刹车灯设计的有效性。测量了 22 名受试者对 10 对 LED 和白炽灯刹车灯的反应时间。为每个受试者调查了三个事件,即刹车灯亮到油门松开的延迟时间(BrakeAcc)、油门松开到刹车踏板踩下的延迟时间(AccPdl)以及从灯亮到刹车踏板踩下的累积时间(BrakePdl)。据我们所知,这是第一项将反应时间分为 BrakeAcc 和 AccPdl 的研究。结果表明,与八个测试的 LED 灯相比,两个装有白炽灯泡的刹车灯导致反应时间明显变慢。BrakeAcc 结果还显示,经验丰富的受试者通过松开油门踏板对刹车灯的激活做出反应更快。有趣的是,分析还显示,刹车灯的类型会影响 AccPdl 时间,尽管经验丰富的受试者并不总是比没有经验的受试者反应更快。总体而言,研究发现,不同设计的刹车灯会显著影响驾驶员的反应时间。
摘要:多路复用深度神经网络 (DNN) 已经产生了高性能预测模型,这些模型在解码以脑电图 (EEG) 信号形式广泛收集的脑电波方面越来越受欢迎。在本文中,据我们所知,我们介绍了一种基于 DNN 的通用方法,该方法使用 48 名参与者的视觉刺激反应实验中单次试验 EEG 的周期图表示来估计反应时间 (RT)。我们设计了一个全连接神经网络 (FCNN) 和一个卷积神经网络 (CNN) 来预测和分类每次试验的 RT。虽然深度神经网络因分类应用而广为人知,但我们通过将 FCNN/CNN 与随机森林模型级联,设计了一个基于回归的稳健估计器来预测 RT。使用 FCNN 模型,二分类和三类分类的准确率分别为 93% 和 76%,使用 CNN 后准确率进一步提高(分别为 94% 和 78%)。基于回归的方法预测了 RT,FCNN 和 CNN 的相关系数 (CC) 分别为 0.78 和 0.80。进一步研究发现,左中叶以及顶叶和枕叶对于预测 RT 至关重要,在 theta 和 alpha 频带中有显著活动。
摘要 — 越来越多的证据表明,适应性是康复机器人促进运动学习的关键机制。然而,它通常基于机器人衍生的运动运动学,这是一种相当主观的性能测量,尤其是在存在感觉运动障碍的情况下。在这里,我们提出了一个深度卷积神经网络 (CNN),它使用脑电图 (EEG) 作为两个运动学成分的客观测量,这两个成分通常用于评估运动学习并从而评估适应性:i) 发起目标导向运动的意图,以及 ii) 该运动的反应时间 (RT)。我们根据从内部实验中获得的数据评估了我们的 CNN,在该实验中,13 名受试者在平面上向四个方向移动康复机械臂,以响应视觉刺激。我们的 CNN 在意图(意图与无意图)和 RT(慢速与快速)的二元分类中分别实现了 80.08% 和 79.82% 的平均测试准确率。我们的结果表明,从运动开始前获取的同步 EEG 数据可以预测不同类型的运动学习所涉及的单个运动成分。因此,我们的方法可以实时为机器人适应提供信息,并有可能进一步提高人们执行康复任务的能力。
本研究的主要假设是,可以根据事件发生前记录的大脑活动预测对意外事件的反应延迟时间。这种心理活动可以用脑电图数据来表示。为了验证这一假设,我们进行了一项新实验,涉及 19 名参与者,他们参加了长达 2 小时的模拟飞机飞行。提出了一种 EEG 信号处理流程,包括信号预处理、提取带通特征和使用回归预测反应时间。本研究中使用的预测算法是最小绝对收缩算子及其最小角度回归修改,以及核岭和径向基支持向量机回归。在 19 名受试者中获得的平均绝对误差为 114 毫秒。本研究首次证明可以根据 EEG 数据预测反应时间。所提出的解决方案可以作为未来可以提高空中交通安全性的系统的基础。
背景:近年来,眼动追踪技术和方法取得了长足进步。具体而言,使用眼动追踪定量测量眼球运动和心理生理结构正在获得发展势头。反应时间的测量方式有很多种,从对刺激的简单反应到对刺激更具挑战性的选择或辨别反应。传统上,反应时间是从刺激事件开始到反应事件测量的,包括视觉和运动反应时间。眼动追踪技术可以提供更离散的反应时间测量,包括视觉延迟和视觉速度等视觉成分,并可以识别刺激出现时人是否在看目标区域。本文旨在检验使用眼动追踪技术测量的简单反应时间、选择反应时间和辨别反应时间测试的可靠性。此外,我们试图建立表现规范并研究普通人群中反应时间的性别差异。最终目标是对不同人群的反应时间测量进行初步比较,包括非运动员、运动员和遭受创伤性脑损伤的个人。