XiaoMi-AI文件搜索系统
World File Search System该解
通过 Shapley 加法解释比较 ANOVA 和 PowerShap 特征选择方法，该解释使用 Theta 和 Alpha EEG 频带比率构建的心理工作量模型
摘要：背景：创建模型来区分自我报告的心理工作量感知具有挑战性，需要机器学习来识别脑电图信号中的特征。脑电图频带比率量化了人类活动，但对心理工作量评估的研究有限。本研究评估了使用 theta-to-alpha 和 alpha-to-theta 脑电图频带比率特征来区分人类自我报告的心理工作量感知。方法：在本研究中，分析了 48 名参与者在休息和任务密集型活动时的脑电图数据。使用不同的脑电图通道簇和频带比率开发了多个心理工作量指标。使用 ANOVA 的 F 分数和 PowerSHAP 提取统计特征。同时，使用逻辑回归、梯度提升和随机森林等技术建立和测试模型。然后用 Shapley 加法解释来解释这些模型。结果：根据结果，使用 PowerSHAP 选择特征可以提高模型性能，在三个心理工作量指数中表现出超过 90% 的准确率。相比之下，用于模型构建的统计技术表明所有心理工作量指数的结果都较差。此外，使用 Shapley 值来评估特征对模型输出的贡献，可以注意到，ANOVA F 分数和 PowerSHAP 测量中重要性较低的特征在确定模型输出方面发挥了最重要的作用。结论：使用具有 Shapley 值的模型可以降低数据复杂性并改进对感知人类心理工作量的更好判别模型的训练。但是，由于选择过程中特征的重要性及其对模型输出的实际影响有所不同，因此结果有时可能不明确。
本背景说明介绍了 SESAR 解决方案 PJ.02-01-06“基于静态飞机特性的尾流湍流分离（用于离场）”，并总结了为实现该解决方案而开展的研发活动所取得的成果。它（向 SESAR 计划的外部和内部人员）概述了 PJ.02-01-06 的范围、主要运营和性能优势、相关系统影响，并推荐了应在工业化阶段或作为部署一部分开展的其他活动。
RTS3a：在混合跑道运行下，使用优化跑道交付（ORD）工具评估进场静态成对分离（S-PWS-A）加上使用优化分离交付（OSD）工具评估离场静态成对分离（S-PWS-D）的验证； RTS4a：在混合跑道运行下，使用优化分离交付（OSD）工具评估进场静态成对分离（S-PWS-D）的验证； RTS4b：在隔离和部分隔离跑道运行下，在使用 CSPR 的双重进近环境中，使用优化分离交付（OSD）工具评估进场静态成对分离（S-PWS-A）加上使用优化分离交付（OSD）工具评估离场静态成对分离（S-PWS-D）的验证； RTS5：验证离场静态成对分离间隔（S-PWS-D）和离场天气相关分离间隔（WDS-D），及其与隔离模式下单跑道离场优化分离交付（OSD）工具的集成（伦敦希思罗机场）； RTS6：验证离场基于静态飞机特性的尾流湍流分离（S-PWS-D），及其与离场优化分离交付（OSD）工具和到达进场天气相关分离（WDS-A）的集成，及其与到达分离交付工具的集成。