XiaoMi-AI文件搜索系统
World File Search System雷达监控
双被动反应脑机接口
本研究提出了一种新的神经自适应技术概念，即双被动-反应脑机接口 (BCI)，可实现人与机器之间的双向交互。我们在逼真的飞行模拟器中实现了这样一个系统，使用 NextMind 分类算法和框架来解码飞行员的意图（反应性 BCI）并推断他们的注意力水平（被动 BCI）。12 名飞行员使用反应性 BCI 执行检查单以及由被动 BCI 监督的防撞雷达监控任务。当后者检测到飞行员没有遇到即将到来的碰撞时，它会模拟自动避让动作。当仅执行检查单任务时，反应性 BCI 的分类准确率达到 100%，平均反应时间为 1.6 秒。当飞行员还必须驾驶飞机并监控防撞雷达时，准确率高达 98.5%，平均反应时间为 2.5 秒。被动 BCI 的 F 1 − 得分为 0.94。首次演示展示了双 BCI 改善人机协作的潜力，可应用于各种应用。
R-2515 用户手册 - 爱德华兹空军基地
• SPORT 不提供 ATC 或 IFR 服务，而是为参与 VFR 的飞机提供“咨询”服务。这些服务包括雷达监控、交通咨询、安全警报、边界呼叫、战术机动交通呼叫、雷达引导、排序和一般冲突消除。• 飞机在进入 R-2515 之前必须与 SPORT 建立双向无线电通信。• 从 EAFB 起飞的飞机将在起飞前联系 SPORT 进行简报。• 虽然 SPORT 提供咨询服务，但当潜在的不安全情况需要 SPORT 发布指令时，参与的飞机将尽最大可能遵守。• 飞机将在进行激进的水平或垂直机动之前通知 SPORT。• 预先简报。参与的飞机必须在起飞前联系 SPORT 或向 SPORT 提交预先简报表。这允许 SPORT 积极规划冲突消除。此表可在 R-2515 空域网站上找到。尽早将此表传真至 SPORT：661-277-8863。
双被动反应脑机接口 - bioRxiv
本研究提出了一种新的神经自适应技术概念，即双被动-反应脑机接口 (BCI)，可实现人机之间的双向交互。我们已经在逼真的飞行模拟器中实现了这样一个系统，使用 NextMind 分类算法和框架来解码飞行员的意图 (反应性 BCI) 并推断他们的注意力水平 (被动 BCI)。12 名飞行员使用反应性 BCI 执行检查表以及由被动 BCI 监督的防撞雷达监控任务。当后者检测到飞行员错过了即将到来的碰撞时，它会模拟自动避让动作。反应性 BCI 达到 100% 的分类准确率，平均反应时间为 1 。专门执行检查表任务时为 6 秒。准确率高达 98 。5% ，平均反应时间为 2 。5 秒，飞行员还必须驾驶飞机并监视防撞雷达。被动 BCI 的 F 1 − 得分为 0 。94 。首次演示展示了双 BCI 改善人机协作的潜力，可应用于各种应用。
双被动反应脑机接口
本研究提出了一种新的神经自适应技术概念，即双被动-反应脑机接口 (BCI)，可实现人与机器之间的双向交互。我们在逼真的飞行模拟器中实现了这样一个系统，使用 NextMind 分类算法和框架来解码飞行员的意图（反应性 BCI）并推断他们的注意力水平（被动 BCI）。12 名飞行员使用反应性 BCI 执行检查单以及由被动 BCI 监督的防撞雷达监控任务。当后者检测到飞行员没有遇到即将到来的碰撞时，它会模拟自动避让动作。当仅执行检查单任务时，反应性 BCI 的分类准确率达到 100%，平均反应时间为 1.6 秒。当飞行员还必须驾驶飞机并监控防撞雷达时，准确率高达 98.5%，平均反应时间为 2.5 秒。被动 BCI 的 F 1 − 得分为 0.94。首次演示展示了双 BCI 改善人机协作的潜力，可应用于各种应用。
通过视觉神经辅助方法评估动态环境中的注意力监控水平
目的：本研究旨在通过视觉神经辅助方法建立一个框架，用于测量实时动画环境中人类操作员的各种注意力水平。背景：随着自动化和远程操作趋势的不断增长，了解动态环境中的人机交互可极大地帮助提高性能、提高操作效率和安全性。方法：对 20 名参与者进行了两项独立的 1 小时实验，记录了眼动追踪指标和脑电图 (EEG) 的神经活动。实验要求参与者在一组实验中表现出注意力集中的行为，在另一组中表现出注意力不集中的行为。还提取了两个片段（“增加的航班数量”和“相对恒定的航班数量”），以研究参与者相对于飞机数量的视觉行为差异。结果：对于这两项实验研究，注意力行为研究中的受试者的注视次数、注视持续时间、发现的飞机数量和着陆注视的发生率更高，而注意力不集中行为研究中的受试者的零注视帧数更高。在涉及“增加飞行次数”的实验中，与两组中“恒定飞行次数”的实验相比，发现的飞机百分比更高。新建立了三个参数（发现的飞机数量、着陆注视点和零注视点帧数）。由于雷达监控是一种大脑参与活动，因此所有参与者都记录了积极的脑电图数据。还制定了一个新任务参与指数 (TEI) 来预测不同的注意力水平。结论：结果提供了一种精细的量化工具，用于区分实时动态环境中的专注和不专注监控行为，可应用于各个领域。建议：建立定量 TEI 后，为未来研究按区域、基于时间的注意力水平以及与视觉任务参与和管理以及确定要探索的专业水平相关的眼部特征研究铺平了道路。还可以使用提出的 TEI 方法研究与疲劳有关的因素。