XiaoMi-AI文件搜索系统
World File Search SystemDehais
社论：人类机器人互动中的神经经济学
神经经济学（Parasuraman，2003; Ayaz and Dehais，2021; Gramann et al。，2021）对调查和改善人类机器人相互作用（HRIS）具有很大的影响（Scotto di Luzio et al。可以在生态有效的上下文中作为其用户的合作者，工具，甚至扩展的智能机器。因此，我们可以根据神经活动的指标（被认为是任何经验和行为的前提，在心理工作负载方面都有可用，可接受，安全和最少的要求。机器人系统可以利用这些指数来识别各个条件，以调整其活动，以改善人机系统的性能以及用户的安全和福祉。本研究主题中介绍的论文收集提出了有关HRI神经经济学的调查和概念的例子，这表明在以用户为中心的机器人技术中取得了进一步的突破。例如，手稿介绍了神经工程学中的相关主题，该主题突出了该学科的根源如何在神经科学发现与神经工程的创新之间达到地面。大脑之间的直接通信：对脑对脑界面的系统性PRISMA回顾，Nam等。讨论了脑对脑界面（B2BI）技术的当前状态及其在通过大脑计算机界面（BCI）和计算机脑界面（CBI）之间传输信息之间传输信息的潜力。这样的革命性概念可以导致跨机器人设备和多个用户的合作的新型神经经济学范式。这篇评论绝对地指出了该领域中神经认知和神经生物学概念的重要性，如远程学习复杂性中的教学和培训框架：
神经技术和系统神经工程学中的巨大挑战
神经经济学的研究领域旨在“了解野外的大脑，其在日常生活中不受限制的现实世界中的活动及其与行动，行为，身体和环境的关系”（Dehais等人，2020年）。这个领域具有巨大的潜力，可以在许多领域（例如教育，制造，娱乐，健康，交通运输）开发创新应用。为了实现这一潜力，许多神经经济学的研究应用都依赖或需要神经技术。神经技术是一种技术类别，其中系统设计结合了神经原理或直接与大脑和身体信号接口。最流行的神经技术类型特别包括脑部计算机界面（BCI）（Clerc等，2016a，b; Nam等，2018）和生理计算（Fairclough，2009; Fairclough; Fairclough and Gilleade，2014）。为了在实践中使用，还必须在整个系统级别上研究和集成神经经济学。换句话说，我们需要开发系统神经经济学的概念，这是工程，神经科学和人为因素的跨学科领域，这将神经经济学的方法整合到复杂系统的设计，开发和管理（例如，地球，信息，信息系统，视频系统或医疗刀具）中。在这种情况下的系统是指机器，机器人，计算机和人类用户的任何组合。但是，这个目标与技术如何在日常生活中融入工作和休闲的现实相去甚远。这是机器级别的挑战。本期刊，神经经济学领域的前沿，部分神经技术和系统神经工程学，旨在在这些原理，协议和应用中发表显着进步，这些进步是基于神经技术发展中神经工学的发展的发展，以创建人类计算机界面的新形式，以增强人体计算机界面。的确，对于实验室研究的演示器系统级别，绝大多数用于神经工学的神经技术仍然存在，并且在这些实验室之外很少使用。如果通过定义的神经经济学旨在研究在野外使用的行为和技术，那么对于神经技术而言，也很重要的是，也要从实验室和现实世界中进行这种发展的飞跃。此外，我们必须建立系统理解神经技术如何嵌入个人，团队和组织的工作中。为了了解神经技术如何从当前作为实验室示威者的地位演变为日常工作和休闲中的用法案例，我们提出了三个宏伟的挑战：（1）设计具有强大可靠的神经技术，甚至在所有用法环境中都具有很高的精度。（2）设计用户使用神经技术的体验，以确保这些技术可用，可接受且对其用户有用。这是用户级别的挑战。（3）开发神经经济学中的系统思维，将神经经济学整合，研究和优化为
神经适应驾驶舱中的自动化惊喜
背景。操作飞机是多维且复杂的。飞行员必须“飞行、导航、通信”——保持空中飞行、管理飞机航线并与空中交通管制部门通话。为了方便完成这些任务，驾驶舱引入了自动化（Billings，1997 年）。当这种自动化发生故障时，后果充其量是令人讨厌的，最坏的情况是危及生命（Endsley & Kiris，1995 年）。自动化中的错误可能会令人惊讶和分心，从而导致自动化意外（Boer & Dekker，2017 年）。这些可能会导致飞行员感到困惑，进而导致人为错误，这是航空事故的主要原因（Lyssakov，2019 年）。识别这种混淆及其原因可能会改善人机交互 (Dehais 等人，2015)。在之前的一项研究中 (Krol 等人，2018)，我们表明可以通过脑电图 (EEG；Berger，1929) 记录飞行员对飞行相关事件的认知反应，使用被动脑机接口 (pBCI；Zander & Kothe，2011) 确定不同级别的事件关键性并实时将解释报告回驾驶舱。此程序可用于使驾驶舱适应飞行员的认知，从而形成神经自适应驾驶舱 (Krol 等人，即将出版)。在本研究中，我们开发了一个更具体的分类器，可以可靠地检测飞行员对意外和/或错误的飞行相关事件的认知反应，这些事件对于持续操作飞机至关重要。方法。记录了 13 名试飞员（均为男性）的脑电图活动和眼球运动，年龄 44-62 岁（平均 54 岁），飞行经验 7210 ± 4809 小时。我们在两部分实验中使用了 32 通道移动无线脑电图系统 1 和双目眼球追踪眼镜 2。在第一部分中，参与的飞行员进行了 10 个新设计的训练范例。我们打算针对意外事件（S 分类器）、错误事件（E 分类器）以及意外和错误事件（AS 分类器）校准不同的分类器，以对应可能的自动化意外。因此，我们设计了一种训练范式组合，即交互奇特范式。该范式由 2 个独立部分组成，分类器在结果数据的不同部分上进行训练。为了唤起与意外和/或错误相对应的认知状态，我们模拟了一个计算机程序，需要教它何时计数音调以及何时忽略它。在 10 个块中的每个块中呈现 50 个音调序列。每个音调可以是标准音调（概率 70%-80%）、非目标音调（概率 10%-15%）或目标音调（概率 10%-15%）。这代表了一个标准的奇特范例（Friedman 等人，2001 年）。研究发现，目标音调会引起参与者的惊讶（Squires 等人，1975 年）。指示参与者在每个音调之后口头说明它是目标音调（“是”）还是不是目标音调（“否”）。然后计算机给出声音反馈：“计数”或“忽略”。由于语音识别是（参与者不知道）模拟的，因此反馈与参与者的评估无关。这使我们能够控制反馈中发生的错误数量。在前 7 个区块中，不一致反馈的概率为 14%-18%，即计算机在“是”后回答“忽略”，或在“否”后回答“计数”。这对应于罕见的、令人惊讶的错误。在最后 3 个区块中，不一致概率为 38-40%，对应于频繁的错误。