XiaoMi-AI文件搜索系统
World File Search SystemGONOMICS
神经人体工程学：大脑在工作
在神经工效学这一新兴领域，研究和开发工作日益增多。本书首次将这些知识汇集到一本。在编写本书时，我们试图展示如何通过对大脑功能的理解来设计安全、高效和愉快的工作。《神经工效学：工作中的大脑》展示了神经工效学如何以现代神经科学和人为因素心理学和工程学为基础，以增强我们对大脑功能和日常生活中复杂任务行为的理解，这些评估是在标准研究实验室范围之外的自然和自然环境中进行的。本书首先概述了神经工效学的关键问题，最后展望了这一新跨学科领域的未来。22 个中间章节涵盖了特定主题。主题范围广泛，涉及科学和临床方法，以解决有关大脑和行为的难题，这些问题继续推动我们的研究和寻找解决方案。这篇文章需要对医学、人为因素工程、生理学、心理学、神经影像学、公共卫生政策和法律等各方面有见解的专家的参与。有效应对这些问题需要
设计可维护性的人体工程学评估
摘要：可维护性是设计参数（可靠性、可用性、可维护性和安全性 (RAMS)）之一，需要进行维护才能使相应设计可持续使用。同时，人以界面和交互的形式参与到所设计的工程产品/系统中。人体工程学是一门多学科科学，它从更广泛的意义上考虑了人的能力和局限性。本文的目的是将人体工程学融入可维护性设计过程中，以减少维护操作的时间和成本，简化操作并提高参与人员的幸福感。换句话说，良好的人体工程学可以带来良好的经济效益，从更广泛的意义上讲，还可以带来可持续性。这项调查表明，为维护操作员设计舒适的工作场所和减少工作量将有利于可维护性设计过程，并缩短维修平均修复时间。为了评估设计工作场所和工作量对维护人员的影响，应用了在科学研究中常用作人体工程学评估工具的 3D 静态强度预测程序 (3D SSPP)。关键词：可维护性、人体工程学、下背部压缩、3D 静态强度预测程序
极光分类人体工程学及其对...的影响 - GI
摘要。机器学习研究界非常关注算法中的偏见，并已确定了其不同的表现形式。训练样本中的偏见被认为是机器学习中偏见的潜在来源。它可以由定义训练集的人类专家引入。随着机器学习技术应用于极光分类，识别和解决专家注入偏见的潜在来源非常重要。在一项正在进行的研究中，13 947 张极光图像被手动分类，分类之间存在显著差异。这个大型数据集允许识别其中一些偏差，特别是那些源于分类过程的人体工程学的偏差。本文提出的这些发现作为提高训练数据完整性的清单，不仅适用于专家分类，也适用于众包公民科学项目。由于机器学习技术在极光研究中的应用相对较新，因此在偏差成为训练数据语料库中普遍存在的问题之前，识别和解决偏差非常重要。
极光分类人体工程学及其对...的影响 - GI
摘要。机器学习研究界非常关注算法中的偏见，并已确定了其不同的表现形式。训练样本中的偏见被认为是机器学习中偏见的潜在来源。它可以由定义训练集的人类专家引入。随着机器学习技术应用于极光分类，识别和解决专家注入偏见的潜在来源非常重要。在一项正在进行的研究中，13 947 张极光图像被手动分类，分类之间存在显著差异。这个大型数据集允许识别其中一些偏差，特别是那些源于分类过程的人体工程学的偏差。本文提出的这些发现作为提高训练数据完整性的清单，不仅适用于专家分类，也适用于众包公民科学项目。由于机器学习技术在极光研究中的应用相对较新，因此在偏差成为训练数据语料库中普遍存在的问题之前，识别和解决偏差非常重要。
安全，动态人体工程学和自适应决策
摘要 - 将协作机器人集成到工业环境中的整合提高了生产率，但也强调了与操作员安全和人体工程学相关的重大挑战。本文提出了一个创新的框架，该框架集成了先进的视觉感知技术，实时人体工程学监测和行为树（BT）基于自适应的决策。与通常在孤立或静态上运行的传统方法不同，我们的方法结合了深度学习模型（Yolo11和缓慢地），先进的跟踪（无流感的卡尔曼滤波器）和动态的人体工程学评估（OWAS），提供了模块化，可扩展和适应性系统。实验结果表明，该框架在几个方面都优于先前的方法：检测姿势和动作的准确性，在管理人类机器人相互作用方面的适应性以及通过及时的机器人干预措施降低人体工程学风险的能力。尤其是，视觉感知模块比Yolov9和Yolov8具有优越性，而实时人体工程学的概念消除了静态分析的局限性。自适应角色管理是由行为树实现的，比基于规则的系统具有更大的响应能力，使该框架适合复杂的工业场景。我们的系统在掌握意图识别方面的准确性为92.5％，并成功地将人体工程学风险分类为实时响应能力（平均延迟为0.57秒），使及时的机器人指数术语 - 人类机器人合作，实时的eR-GONOMICS，实时的eR-GONOMICS，适应性的决策，视觉感知，视觉感知，是Haviour haviour tree Yolo，Yolo。
在黎曼流形上对复杂 EEG 数据分布进行建模，以实现异常值检测和多模态分类
摘要 — 目的：近年来，黎曼几何在脑机接口 (BCI) 中的应用势头强劲。为黎曼 BCI 提出的大多数机器学习技术都认为流形上的数据分布是单峰的。然而，由于高数据变异性是脑电图 (EEG) 的一个关键限制，因此分布可能是多峰的而不是单峰的。在本文中，我们提出了一种新颖的数据建模方法，用于考虑 EEG 协方差矩阵的黎曼流形上的复杂数据分布，旨在提高 BCI 的可靠性。方法：我们的方法黎曼谱聚类 (RiSC) 使用基于测地距离的相似性测量的图来表示流形上的 EEG 协方差矩阵分布，然后通过谱聚类对图节点进行聚类。这允许灵活地在流形上对单峰和多峰分布进行建模。可以以 RiSC 为基础设计异常值检测器（即异常值检测黎曼谱聚类 (oden-RiSC)）和多模态分类器（即多模态分类器黎曼谱聚类 (mcRiSC)）。odenRiSC/mcRiSC 的所有必需参数均以数据驱动的方式选择。此外，无需预设异常值检测阈值和多模态分类模式数。结果：实验评估表明，odenRiSC 可以比现有方法更准确地检测 EEG 异常值，并且 mcRiSC 的表现优于标准单模态分类器，尤其是在高变异性数据集上。结论：odenRiSC/mcRiSC 有望使实验室外的真实 BCI 和神经人体工程学应用更加稳健。意义：RiSC 可以用作稳健的 EEG 异常值检测器和多模态分类器。
对Riemannian歧管上的复杂EEG数据分布进行建模朝外检测和多模式分类
摘要 - 目的：riemannian几何形状用于脑部计算机界面（BCIS）已在纪念百年中获得了动力。针对Riemannian BCIS提出的大多数机器学习技术都会考虑一个人的数据分布是单峰的。但是，由于高数据可变性是脑电图（EEG）的关键限制，因此该分布可能是多模式的，而不是单峰。在本文中，我们提出了一种新型的数据建模方法，用于考虑在EEG协方差矩阵的Riemannian歧管上考虑复杂的数据分布，旨在提高BCI可靠性。方法：我们的方法，riemannian光谱聚类（RISC），代表使用基于地质距离提出的模拟测量的图形上的eeg协方差矩阵分布，然后通过光谱群集将图形节点组成。这允许在歧管上建模单峰和多模式分布。RISC可以用作设计名为Outier检测的离群检测器Riemannian光谱聚类（ODEN-RISC）和名为多模式的多模式分类器Riemannian Spectral spectral clustering（MCRISC）的基础。以数据驱动方式选择Odenrisc/Mcrisc的所有必需参数。越过，无需预先设置离群检测的阈值和多模式分类的模式的数量。结果：实验评估表明，与现有方法相比，Odenrisc可以更准确地检测EEG异常值，而Mcrisc进行了标准的单峰分类器，尤其是在高变异性数据集上。结论：预计Odenrisc/Mcrisc将有助于使现实生活中的BCI在实验室外和神经学应用程序外应用更强大。明显：RISC可以用作强大的EEG Outier检测器和多模式分类器。
脑电图指标在量化人类认知表现中的应用：系统评价和文献计量分析
人因与工效学学科研究人、机器、环境和技术之间的相互作用，同时考虑人的能力和局限性，以确保安全和令人满意的工作环境[1-4]。传统的技术和方法采用各种定性方法[5-7]，以主观的方式评估工作任务。这些方法不能充分分析现代技术在认知、感知和身体方面之间的复杂相互作用[3,8-11]，也不能让我们对人类思维和技术之间的复杂关系进行建模和量化[11]。人工智能、自主系统和数字化制造（即工业4.0）等现代工业自动化方面的最新进展使得当今的人类操作员需要与复杂且动态变化的技术环境进行协作，而这些环境需要高水平的认知和感知[12,13]。因此，我们需要通过考虑人脑的工作情况来更深入地了解人的表现。Parasuraman 等人首次提出了神经工效学这一开创性概念[14, 15]。这项关于大脑和工作行为的研究应用神经科学的方法和工具来研究大脑在日常生活活动中对人的表现的影响[16]。神经工效学研究旨在扩展我们对认知和运动功能背后神经机制的理解，重点是现实世界的应用。认知工效学侧重于感知、信息处理和决策等心理过程，可应用于不动的参与者[3, 11, 16, 17]。人脑是协调所有身体功能并控制身体各个方面的器官，由超过 1000 亿个神经元组成[18]。神经元之间的通讯是通过电信号进行的，电信号的流动会产生电流，进而产生称为“脑信号”的波形。文献中对脑信号有不同的分类[19、20]，但最广泛使用的分类法是基于以赫兹 (Hz) 为单位测量的脑电波频率，如下所示：delta（δ：0.5 至 4 Hz）、theta（θ：4 至 8 Hz）、alpha（α：8 至 13 Hz）、beta（β：13 至 30 Hz）和 gamma（γ：30 至 150 Hz）[21]。不同的脑功能与不同的脑叶相关。例如，额叶与计划、自主运动、情绪、推理和