XiaoMi-AI文件搜索系统
World File Search System注视
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。
在眼睛注视跟踪中的调查以控制光标运动
计算机科学与工程系教职员工1学生，计算机科学与工程系2,3,4,5 Vidya Vikas工程技术研究所，印度卡纳塔克邦迈索鲁，摘要：在由一个物理挑战的人控制鼠标时，实际上是一个艰难的人。要为无法物理使用鼠标使用的人找到解决方案，我们建议使用眼动动作该鼠标光标控制。眼目光是使用眼动以控制鼠标的访问计算机的另一种方法。对于那些细触摸屏的人来说，鼠标无法访问，眼睛凝视是一种替代方法，可以使用眼睛的运动来操作用户计算机。眼运动可以被视为人力计算机通信的关键实时输入介质，这对于身体残疾的人尤为重要。为了提高用户计算机对话中眼睛跟踪技术的可靠性，移动性和可用性，使用网络摄像头提出了一种新颖的眼部控制系统，而无需使用任何额外的硬件。所提出的系统专注于仅使用用户的眼睛提供简单便捷的交互式模式。所提出的系统的使用流旨在完美遵循人类的自然习惯。提议的系统描述了虹膜的实现和光标的实现，该系统可根据IRIS位置进行，可用于使用网络摄像头在屏幕上控制光标，并使用Python关键字实施：脆弱性，Web应用程序，虚拟鼠标，人类计算机交互
使用目光注视训练自适应肌电接口
肌电接口在消费者和健康应用中前景广阔，但目前它们受到不同用户之间性能差异和任务间通用性差的限制。为了解决这些限制，我们考虑在操作过程中不断适应的接口。尽管当前的自适应接口可以减少受试者之间的差异，但它们在任务之间的通用性仍然很差，因为它们在训练期间使用了特定于任务的数据。为了解决这一限制，我们提出了一种新范式，使用自然眼球注视作为训练数据来调整肌电接口。我们招募了 11 名受试者，使用从前臂肌肉测量的高密度表面 EMG 信号在 2D 计算机光标控制任务上测试我们提出的方法。我们发现我们的凝视训练范式和当前的任务相关方法之间的任务性能相当。这一结果证明了
不仅仅是输入：利用注视心理学链接实现更易于访问的增强现实
Apple Vision Pro 和 Meta Quest Pro 等眼动追踪混合现实头戴设备已将眼动追踪推向主流。截至撰写本文时，消费级混合现实 (XR) 产品通常将眼动追踪用于两个主要目的。首先，Vision Pro 将目光注视和手指捏合 [ 11 , 12 ] 作为其主要输入模式。其次，VRChat 等社交 XR 应用可以使用目光注视数据在虚拟形象中实现准确的目光表现和目光接触 [ 1 ]。这些机制通常将瞳孔位置数据作为输入，并产生光线投射或虚拟形象运动作为输出。然而，目光注视和人类心理学之间的深厚联系可以使研究方向超越显式位置输入。传统上，HCI 专注于显式输入领域的眼动追踪——用于交互或运动追踪的位置数据。在系统综述中，Vasseur 等人 2019 年 9 月发表了一篇系统综述，介绍了一种用于追踪眼动追踪的眼动追踪方法。 [ 13 ] 发现大多数眼动追踪研究传统上都是使用桌面设置进行的，并建议将眼动追踪人机交互扩展到新的指标、分析和设备中。心理生理学领域率先使用可观察的物理数据来揭示人类的认知过程。眼球运动和特征以及心跳、脑电波和荷尔蒙变化等其他指标已被用来得出有关用户行为和认知状态的结论。可观察的认知行为可以包括有目的的（有意识的）状态和冲动的（无意识的）状态 [ 3 ]。此外，可测量的认知还可以包括一般的个人现象，如学习、反思、情感和记忆。凝视数据可以预测疲劳、注意力、分心和走神等认知状态 [ 9 ]。除了瞳孔扩张和眨眼率可以 61% 的准确率预测用户的困惑之外 [ 5 ]，瞳孔大小还与
注视AI
2000年代初期，专家们推测，就像蒸汽机和互联网一样，人工智能（AI）会改变世界。随着AI革命的途径，超级计算机在处理大量数据并支持各种应用程序中的AI开发时在旅途中发挥了重要作用。在本期超级计算的亚洲问题中，我们涵盖了AI在两个关键领域的存在：医疗保健和气候。从药物开发到疾病诊断，世界各地的医疗保健系统将通过高性能计算（HPC）和AI的力量提高（医疗保健的加速进步，第10页）。为了告知气候政策和基础设施计划，政府寻求气候建模，该领域旨在在HPC的帮助下每年获得更精确的范围（气候模型的关键，第30页）。HPC支持大语模型中的AI进步，药物发现和气候预测，但AI反过来支持更快，更有效的超级计算机的发展。，对于鸟类对超级计算机与AI之间关系的眼光，我们的封面故事突出了HPC促进的五个主要AI突破（AI，第16页）。最后，我们以Super Computing Asia的第一个访谈资料（定义AI的未来，第24页）来考虑AI的未来。瑞士国家超级计算中心机器学习的首席建筑师Torsten Hoefler教授讨论了该领域的主要机遇和挑战，以及协作和教育的重要性。
伪相互注视可增强远程联合注意力任务中的脑间同步
图 4 凝视运动。 (a) 三种模式下参与者目光注视的示例。屏幕上显示 16 个字母数字字符，由 4×4 矩阵表示。每次试验在 16 个字符中有一个、三个或五个目标与声音呈现的单词相匹配。在单人模式下，屏幕上显示的红色圆圈表示参与者的注视点。在合作和竞争模式下，屏幕上两位参与者的注视点以红色和绿色圆圈区分。 (b) 单次试验中观察到的参与者扫描路径和注视热图的示例。虚线框在实验期间不可见，标记了目标的位置。请注意，观察者的注视点在实验期间不可见。 (c) 40 次试验的注视热图。 (d) 两位参与者眼动追踪热图之间的相似性。每个小提琴图（透明色）上都叠加了一个箱线图，显示了相似性度量的分布，包括单一、合作和竞争模式下的 Pearson's r、结构相似性指数度量 (SSIM) 和 Jaccard 相似性系数。黑色星号和线分别表示相似性的平均值和中位数。使用重复测量方差分析确定任务模式之间相似性的显著差异。
儿童注视策略和双眼眼动摄影术：可行性和相关性
本文件是经过答辩评审团批准的大量工作的结果，并向整个大学社区提供。它受作者知识产权的保护。这意味着使用本文档时有义务引用和引用。此外，任何伪造、剽窃或非法复制行为都将受到刑事起诉。联系方式：ddoc-theses-contact@univ-lorraine.fr
推荐引用 推荐引用 Wang, Y., Clifford, W. & Markham, C. (2021). 使用眼球注视相关电位检查驾驶员对广告牌引起的被动分心的视觉和认知反应。传感器，第 21 卷，第 4 期。doi:10.3390/s21041471
摘要：车辆外部的干扰会导致视觉注意力分散，从而导致交通事故。作为一种低成本、高效的广告解决方案，广告牌被广泛安装在路边，尤其是高速公路上。然而，广告牌对驾驶员分心、目光注视和认知的影响尚未得到充分研究。本研究利用定制的驾驶模拟器和同步脑电图 (EEG) 和眼动追踪系统来研究与驾驶员视觉信息处理相关的认知过程。区分了与辅助驾驶刺激相关的目光注视和其他可能成为分心源的刺激。本研究比较了驾驶员对广告牌注视和车辆仪表板注视的认知反应。测量的眼球注视相关电位 (EFRP) 显示 P1 成分相似；然而，随后的 N1 和 P2 成分不同。此外，当驾驶员受到限速标志提示而调整行驶速度时，会观察到 EEG 运动反应。实验结果表明，所提出的测量系统是评估驾驶员认知的有效工具，并表明对广告牌的认知参与水平可能是驾驶员分心的前兆。将实验结果与文献中的人类信息处理模型进行了比较。
使用眼球注视相关电位检查驾驶员对广告牌引起的被动分心的视觉和认知反应
摘要：车辆外部的干扰会导致视觉注意力分散，从而导致交通事故。作为一种低成本、高效的广告解决方案，广告牌被广泛安装在路边，尤其是高速公路上。然而，广告牌对驾驶员分心、目光注视和认知的影响尚未得到充分研究。本研究利用定制的驾驶模拟器和同步脑电图 (EEG) 和眼动追踪系统来研究与驾驶员视觉信息处理相关的认知过程。区分了与辅助驾驶刺激相关的目光注视和其他可能成为分心源的刺激。本研究比较了驾驶员对广告牌注视和车辆仪表板注视的认知反应。测量的眼球注视相关电位 (EFRP) 显示 P1 成分相似；然而，随后的 N1 和 P2 成分不同。此外，当驾驶员受到限速标志提示而调整行驶速度时，会观察到 EEG 运动反应。实验结果表明，所提出的测量系统是评估驾驶员认知的有效工具，并表明对广告牌的认知参与水平可能是驾驶员分心的前兆。将实验结果与文献中的人类信息处理模型进行了比较。
通过眼睛注视和脑电图在交互式多模式驾驶任务中进行认知工作负载评估
评估混合倡议团队中人类互动人的认知工作量是自主互动系统的关键能力，可以使适应能够改善团队绩效。然而，由于证据的分歧，仍然尚不清楚，这种传感方式可能最适合确定人类工作量。在本文中，我们报告了一项实证研究的结果，该研究旨在通过收集眼睛注视和脑脑脑（EEG）数据来回答这个问题，该数据来自人类受试者，执行交互式多模式驾驶任务。通过介绍驾驶过程中的对话，制动事件和触觉刺激（例如对话，刹车事件和触觉刺激）来产生不同级别的认知工作量。我们的结果表明，瞳孔直径比脑电图更可靠的工作量预测指标。，更重要的是，结合了提取的脑电图和学生直径功能的五种不同的机器学习模型都能仅仅显示了工作负载分类的任何改进，而不是眼神凝视，这表明眼睛凝视是一种足够的方式，可以评估人类的认知工作负载，以评估人类的互动，多模式，多任务，多任命，多任务设置。