XiaoMi-AI文件搜索系统
World File Search System瞳孔
在竞争性视听任务条件下，神经 α 振荡和瞳孔大小差异性地指示认知需求
图 1. 实验设计。A：试验设计。听觉和视觉刺激同时呈现。听觉间隙检测任务：参与者必须在白噪声 7 秒内检测到间隙（间隙可能发生在 4-6 秒的时间窗口内）。对于“困难”条件，间隙持续时间单独滴定至 75% 正确。对于“简单”条件，间隙持续时间加倍。多物体跟踪任务：参与者观看 16 个移动点，并被要求在移动点场景中跟随最初提示的（红色）点。7 秒后，点停止移动，三个点被标记为绿色，并标为 1、2 和 3。参与者必须决定三个点中的哪一个是提示点。参与者必须跟随一个（简单）或五个（困难）点。分析集中在 3-4 秒的时间窗口（间隙前窗口；此外，由于其反应缓慢，还关注 5-6 秒的瞳孔大小窗口）。 B：单任务会话（左）和双任务会话（右）的设计。在单任务会话中，参与者分别执行听觉和视觉任务（但始终呈现视听刺激）。在双任务条件下，参与者同时执行这两项任务。C：假设示意图。如果生理测量指标独立于模态来指示认知需求，则难度增加的影响在各种模态之间应该是相同的（左图）。或者，难度增加的影响可能在不同的感官模态之间有所不同（右图）。
基于移动智能手机的数字瞳孔测量曲线在创伤性脑损伤诊断中的应用
的严重 TBI 患者未得到充分分诊并被送往非创伤医院（Capone-Neto 和 Rizoli，2009 年；Carrick 等人，2021 年）。这种分诊不足模式导致美国 TBI 患者的超额死亡率为 25%（Chesnut 等人，1993 年；Capone-Neto 和 Rizoli，2009 年；Chen 等人，2011 年；Cheng 等人，2017 年；Carrick 等人，2021 年）。在世界 85% 的人口居住的中低收入国家，超额死亡率可能更高，严重 TBI 后的死亡率会翻倍（Couret 等人，2016 年；Alali 等人，2018 年；Dagain 等人，2018 年；Dewan 等人，2018a 年）。在现场进行初步创伤调查本质上非常复杂，特别是在涉及头部和颈部受伤的病例中（Alali 等人，2018 年）。一种完善的 TBI 生物标志物是瞳孔对光反射 (PLR)。瞳孔对闪光的反射性收缩直接反映了中枢神经系统的功能状态 (Dewan 等人，2018b；GBD，2019；Gurney 等人，2020)。PLR 可指示颅内压升高，这是 TBI 的更严重后果 (Haas 等人，2010)，并且即使在脑震荡 (Hall and Chilcott，2018) 和轻度 TBI (Helmick 等人，2015) 中也显示出异常。 PLR 是 TBI 最重要的早期指标之一（Hernández-Sierra 等人，2021 年），最简单、最常见的 PLR 评估方法是传统的笔电检查（也称为手动瞳孔测量法），其中使用手持光源引起瞳孔收缩。然后，检查者用肉眼确定 PLR 的程度和性质。虽然这种方法简单且经济实惠，但缺乏观察者间的信度（GBD，2019 年）。数字瞳孔测量法目前是评估 PLR 的黄金标准（Larson 和 Behrends，2015 年）；然而，这种机器价格昂贵，需要专门的培训才能使用。为了解决当前临床瞳孔测量技术的缺点，我们开发了一款名为 PupilScreen 的移动应用程序（Mariakakis 等人，2017 年；图 1）。 PupilScreen 是一款机器学习驱动的应用程序，依赖于计算机视觉神经网络算法，旨在在智能手机平台上进行瞳孔测量，以提供一种比手动瞳孔测量更准确、更可靠的 PLR 评估方法，同时比数字瞳孔测量更容易使用。虽然之前发表的一项研究证明了该应用程序在评估 PLR 方面的准确性（Mariakakis 等人，2017 年），但将这些结果呈现给检查者进行解释的最佳方法仍不清楚。本研究的目的是确定从业者是否可以通过查看 PupilScreen 生成的 PLR 曲线来评估 PLR 是否正常，并将这种评估方法与更传统的笔电方法的评分者间信度进行比较。确实存在通过智能手机检测 PLR 的替代方法（Meeker 等人，2005 年；McAnany 等人，2018 年；Master 等人，2020 年），但 PupilScreen 目前在双目测量 PLR 的方法方面是独一无二的。
基于机器学习的操作员分析瞳孔反应，以评估临床超声成像中的认知工作量
简介：瞳孔测量，眼瞳直径的测量，是一种公认的客观形态，与认知工作量相关。在本文中，我们分析了超声成像算子的瞳孔响应，以评估其认知工作量，并在进行常规的胎儿超声检查时被捕获。我们的实验和分析是在自然临床环境条件下使用远程眼球跟踪获得的现实世界数据集进行的。方法：我们的分析管道涉及仔细的时间序列（时间序列）提取，通过回顾性将瞳孔直径数据与在多模态数据采集设置中相应的超声扫描视频中捕获的任务匹配。接下来是学生直径预处理和PU胎儿反应序列的计算。对操作员瞳孔响应（胎儿心脏与胎儿大脑）与操作员专业知识（新资格的与经验丰富的操作员）之间分布的探索性统计分析进行了比较。机器学习将被探索以将时间序列自动分类为具有经典（浅层）模型的时间，频谱和时频特征，并将其经验分类为相应的超声处理任务和操作员体验，以及卷积神经网络作为深度学习模型。结果：提取的瞳孔响应的初步统计分析显示，不同的超声任务和操作员专业知识的显着差异，表明每种情况下的认知工作量不同，如通过划分测量。对于超声检查任务分类和操作员经验分类，曲线（AUC）值（AUC）值（AUC）值分别为0.98和0.80，在曲线（AUC）值（AUC）值下实现了接收器的操作。结论：我们得出结论，我们可以在超声操作员执行常规扫描时成功地评估瞳孔直径变化的认知工作量。机器学习允许使用瞳孔响应序列作为操作员的认知工作量的索引来歧视执行的超声检查任务和扫描专业知识。高认知工作量可以降低操作员的效率并限制其决策，因此，客观评估认知工作量的能力是迈出这些对运营商在生物医学应用（例如医学成像等生物医学应用中）产生影响的第一步。
脑电图和瞳孔测量证据
与单一连续说话者相比，不连续、混合说话者的语音处理效率较低，但人们对处理说话者变异性的神经机制知之甚少。在这里，我们使用脑电图 (EEG) 和瞳孔测量法测量了听众在执行延迟回忆数字广度任务时对说话者变异性的心理生理反应。听众听到并回忆了七位数字序列，其中既有说话者不连续性（单个说话者数字与混合说话者数字），也有时间不连续性（0 毫秒与 500 毫秒数字间隔）。说话者不连续性降低了序列回忆准确性。说话者和时间不连续性都会引发类似 P3a 的神经诱发反应，而快速处理混合说话者的语音会导致相位瞳孔扩张增加。此外，混合说话者的语音在工作记忆维持期间产生的 alpha 振荡功率较低，但在语音编码期间不会产生。总体而言，这些结果与听觉注意力和流式框架一致，其中说话者的不连续性会导致不自愿的、刺激驱动的注意力重新定位到新的语音源，从而导致通常与说话者多变性相关的处理干扰。
基于遗传算法和人工神经网络的瞳孔反应客观疼痛测量实验研究
摘要 对医疗保健提供者来说，获得患者疼痛程度的客观测量一直是一个挑战。医院环境中最常见的疼痛评估方法是询问患者的口头评分，这被认为是一种主观方法。为了获得患者的客观疼痛程度，我们建议使用瞳孔反应和机器学习算法来客观地测量疼痛程度。东北大学招募了 32 名健康受试者参与了这项研究。通过要求健康受试者将手放在装满冰水的桶中，对他们施加疼痛刺激。我们从瞳孔直径数据中提取了 11 个特征。为了获得最佳特征子集，使用遗传算法 (GA) 为人工神经网络 (ANN) 分类器选择特征。在特征选择之前，ANN 的 f1 分数为 54.0 ± 0.25%，包含所有 11 个特征。经过特征选择后，ANN 使用所选特征子集（即平均值、均方根 (RMS) 和瞳孔曲线下面积 (PAUC)）表现出最佳性能，准确率为 81.0%。实验结果表明，瞳孔反应与机器学习算法相结合可能是一种有前途的客观疼痛水平评估方法。这项研究的结果可以改善患者在远程医疗中测量疼痛的体验，尤其是在大多数人不得不待在家里的疫情期间。
瞳孔活动的低/高指数 - NSF PAR
摘要 一种新颖的眼动追踪瞳孔直径振荡测量方法被推导出来作为认知负荷的指标。这种新的指标称为低/高瞳孔活动指数 (LHIPA)，能够在一些实验中区分认知负荷（相对于任务难度），而瞳孔活动指数则无法做到这一点。LHIPA 的基本原理与人类自主神经系统的功能有关，它产生了一种基于低/高瞳孔振荡频率比率的混合测量方法。这篇论文的贡献是双重的。首先，提供了 LHIPA 计算的完整文档。与 IPA 一样，研究人员可以将此指标应用于他们自己的实验中，在这些实验中，认知负荷的测量是感兴趣的。其次，通过对三项实验的分析，证明了 LHIPA 的稳健性，这三项实验分别是限制性固定注视计数任务、限制性较低的固定注视 n-back 任务和应用眼动打字任务。
360 度瞳孔测量工作量测量...
所有飞行员都进行了 10 次任务场景飞行，旨在考验飞行员的能力，并有效评估不同组合的避障提示模式对经验和性能的影响。所有飞行均在位于阿拉巴马州拉克堡的美国陆军航空医学研究实验室 (USAARL) 的 NUH-60FS 黑鹰模拟器 (NUH-60FS) 中进行（图 1）。NUH-60FS 已获得模拟理事会 (DoS) 和模拟、训练和仪器项目执行办公室 (PEOSTRI) 的全面认可，是一款 6 自由度 (DOF)、全动态和全视觉（相当于 D 级）NUH-60FS 黑鹰直升机飞行模拟器。它使用 X-IG（CATi Training Systems，阿拉巴马州欧扎克），这是一种基于 OpenGL 的视觉图像生成器，可以模拟自然飞行条件和 DVE。该模拟器还以 60 Hz 的频率捕捉飞行性能和模拟器状态特征。
组装任务期间的瞳孔测量 - DTU Orbit
图 1：LEGO R ⃝ TECHNIC 数字拼砌说明。角落中的箭头表示向后（左角）和向前（右角）。播放按钮（中间部分）提供了一个简短的动画，显示两个部件的放置位置。播放按钮旁边的滑块允许用户逐帧控制动画。底部带有圆圈的滑块用作交互式进度条。在触摸屏上用两根手指捏合即可缩放，在平板电脑上移动手指即可旋转模型。
瞳孔活动指数 - OSF
摘要 提出了一种新颖的眼动追踪瞳孔直径振荡频率测量方法，用于捕捉被认为是认知负荷指标的内容。所提出的度量标准称为瞳孔活动指数，在一项实验中，参与者在注视中心目标（复制先前工作的要求）的同时执行简单和困难的心算任务，结果表明，该指标可以区分任务难度与认知负荷（如果可以假设隐含的因果关系）。本文的贡献是双重的：提供了对所提出的测量方法计算的完整文档，可以将其视为现有专有认知活动指数 (ICA) 的替代方案。因此，研究人员可以复制实验并构建自己的软件来实现此测量。其次，ICA 的几个方面以更数据敏感的方式进行处理，目的是提高测量的性能。