XiaoMi-AI文件搜索系统
World File Search SystemFitts
无标题 - 空军科学顾问委员会
af.mil › 他... PDF 2020 年 12 月 14 日 — 2020 年 12 月 14 日 核专家小组关于美国空军飞机核推进计划的报告：1956 年 10 月 ... 人因工程学报告 P. Fitts：1957 年 4 月。< /div>
家访中解决药物滥用问题的接触点：第一阶段最终报告
我们要感谢我们的项目官员 Nicole Denmark（规划、研究和评估办公室 [OPRE]）。此外，我们还要感谢 Kathleen Dwyer（OPRE）和 Rachel Herzfeldt-Kamprath（卫生资源和服务管理局 [HRSA]）。我们还要感谢 OPRE 和 HRSA 领导层对这项工作的贡献。我们感谢 Mathematica 团队，包括 Elizabeth Cavadel、Emily Sama-Miller、Brigitte Tran、Colleen Fitts 和 Cindy Castro，以及我们的编辑团队。我们还要感谢我们的项目合作伙伴南卡罗来纳大学的 Ron Prinz 博士、西北大学的 Darius Tandon 博士和健康与康复研究所的 Norma Finkelstein 博士。最重要的是，我们要向与我们分享信息的家访模型开发者、产妇、婴儿和幼儿家访 (MIECHV) 获奖者领导以及部落 MIECHV 受助者领导表示感谢。
通过视觉进行凝视交互的设备的可行性......
一种用于视觉诱发脑电图 (EEG) 信号的干电极头戴式传感器已经进入游戏市场，它可以无线、低成本地实时跟踪用户对目标区域的注视。与传统的 EEG 传感器不同，这种新设备易于非专业人员设置。我们进行了一项菲茨定律研究 (𝑁 = 6)，发现平均吞吐量 (TP) 为 0.82 位/秒。该传感器性能稳定，错误率低于 1%。总体中位激活时间 (AT) 为 2.35 秒，一个和九个并发目标之间的差异很小。我们讨论了该方法是否可以补充基于摄像头的注视交互，例如，在注视输入或轮椅控制方面，并注意到一些局限性，例如 AT 速度慢、浓密头发时校准困难以及 10 个并发目标的限制。
GIMIS：通过运动想象选择进行凝视输入
在 Fitts 定律实验中，开发了一种混合凝视和脑机接口 (BCI) 来完成目标选择。该方法 GIMIS 使用凝视输入来控制计算机光标以指向目标，并通过 BCI 使用运动意象 (MI) 执行点击以选择目标。一项实验 (n = 15) 比较了三种运动意象选择方法：仅使用左手、使用腿以及使用左手或腿。后一种选择方法（“任一”）具有最高的吞吐量（0.59 bps）、最快的选择时间（2650 毫秒）和 14.6% 的错误率。随着目标宽度的增加，瞳孔大小显著增加。我们建议使用大目标，这显著降低了错误率，并使用“任一”选项进行 BCI 选择，这显著提高了吞吐量。与停留时间选择相比，BCI 选择速度较慢，但如果凝视控制正在恶化，例如在 ALS 疾病的晚期阶段，GIMIS 可能是一种逐步引入 BCI 的方法。
医学执照委员会会议记录索引 1 月 14 日......
出席董事会成员：主席 Maroulla S. Gleaton 医学博士；秘书 Christopher R. Ross 医学博士；Holly Fanjoy 医学博士；Renee M. Fay-LeBlanc 医学博士；David H. Flaherty 医学博士；公众成员 Gregory Jamison 注册药剂师；Noah Nesin 医学博士；公众成员 Jonathan Sahrbeck；Brad Waddell 医学博士；以及公众成员 Lynne M. Weinstein 缺席董事会成员：Anthony T. Ng 医学博士 出席董事会工作人员：执行董事 Timothy E. Terranova；助理执行董事 Valerie Hunt；医疗主任 Paul N. Smith 医学博士；投诉协调员 Kelly McLaughlin；消费者援助专家 Faith McLaughlin；行政助理 Maureen S. Lathrop；许可主管 Tracy Morrison；许可专家 Savannah Okoronkwo 和许可专家 Nathan Fitts 出席总检察长办公室工作人员：助理总检察长 Jennifer Willis
比较头戴式显示器中凝视输入技术的选择机制
头部运动是 VR/AR 头戴设备的常见输入方式。然而，尽管它们使用户能够控制光标，但它们缺乏触发操作的集成方法。存在许多方法可以填补这一空白：专用的“点击器”、设备上的按钮、空中手势、停留、语音和基于将头部运动与视觉呈现的目标相匹配的新输入技术。这些提议多种多样，目前缺乏关于这些不同技术的性能、体验和偏好的实证数据。这妨碍了设计师选择合适的输入技术进行部署的能力。我们进行了两项研究来解决这个问题。一项 Fitts 定律研究比较了五种传统的选择技术，并得出结论：点击器（手动）和停留（免提）提供了精度、速度和物理负荷的最佳组合。一项后续研究将点击器和停留与运动匹配实现进行了比较。虽然点击器保持最快且停留最准确，但运动匹配可能在这两极之间提供有价值的折衷。
增强反馈和运动学习适应对人机交互因素的影响
人们对身体-机器界面的兴趣日益浓厚，因此有必要了解如何训练用户使用非传统输入。在本研究中，开发了一个由受试者激活的表面肌电图控制任务测试，作为试验台，以观察自动训练方法对绩效、工作量和信任发展的影响。48 名受试者学习使用基于表面肌电图的命令系统执行 Fitts 定律式光标到目标任务，其中包括 120 次训练试验和 40 次评估试验。受试者被分为四组：对照组、并发反馈组、终端反馈组和自适应阈值组。对照组使用光标位置的视觉反馈通过重复进行训练和学习。并发反馈组在命令输入期间收到额外的并发虚拟反馈，终端反馈组在命令输入后收到补充视觉反馈。自适应阈值组没有任何额外反馈，但经历了旨在诱导运动学习适应的光标控制变化。结果表明：I）额外的视觉反馈可提高训练期间的任务表现、工作量和信任；2）训练结束时，各组的指挥能力趋于一致。
移动机械手遥操作的性能和可用性评估方案
摘要 — 本文介绍了一种标准化的移动机械手人机遥控界面 (HRTI) 评估方案。遥控操作仍然是开放环境中移动机械手的主要控制类型，尤其是四足机械手。然而，与传统机械相比，移动机械手，尤其是四足机械手，在工业中实施的系统相对较新。因此，尚未为它们建立标准化的界面评估方法。所提出的方案是评估移动机械手遥控操作的首个方案。它包括一组机器人运动测试、客观测量、主观测量和预测模型，以提供全面的评估。运动测试包括运动、操纵和综合测试。每次试验的持续时间被收集为客观测量中的响应变量。统计工具（包括平均值、标准差和 T 检验）用于交叉比较不同的预测变量。基于扩展的 Fitts 定律，预测模型采用时间和任务难度指数来预测未来任务中的系统性能。主观测量利用 NASA 任务负荷指数和系统可用性量表来评估工作量和可用性。最后，提出的方案在现实世界的四足操纵器上实施，该操纵器具有两个广泛使用的 HRTI、游戏手柄和可穿戴运动捕捉系统。
使用脚控假肢进行身体重塑
摘要 我们介绍了 MetaArms，这是一种可穿戴的拟人机械臂和机械手，具有六个自由度，由用户的腿和脚操作。我们的总体研究目标是使用身体重塑方法重新想象我们的身体在可穿戴机器人的帮助下可以做什么。为此，我们提出了一个初步的探索性案例研究。MetaArms 的两个机械臂由用户的脚部运动控制，机械手可以根据用户的脚趾弯曲来抓取物体。用户的脚上还会呈现触觉反馈，与机械手上触摸的物体相关，从而创建一个闭环系统。我们对该系统进行了正式和非正式的评估，前者根据菲茨定律使用 2D 指向任务。据报道，该系统 12 个用户的总吞吐量为 1.01 比特/秒（标准差 0.39）。我们还提供了来自 230 多名用户的非正式反馈。我们发现 MetaArms 证明了身体重塑方法在机器人肢体设计中的可行性，这可能有助于我们重新想象人体可以做什么。