XiaoMi-AI文件搜索系统
World File Search SystemMWL
一种多模式的方法利用脑电图研究VR环境对心理工作负载的影响
抽象虚拟现实（VR）是一项允许用户体验模拟真实或虚构场景的多感觉和交互式环境的技术。仍然辩论了不同的VR沉浸式技术神学对心理工作量（MWL）的影响，即执行任务所需的资源数量；但是，从未利用脑电图在这种情况下的潜在作用。本文旨在调查在VR环境中对MWL进行认知任务的影响，这是通过使用多模式的方法进行的，其特征在于以不同程度的沉浸式来进行，这些方法通过生理EEG测量对MWL进行了良好评估的主观评估。提出了基于N-BACK测试的认知任务，以比较使用头部安装显示器（HMD）或桌面计算机展示Stim uli的特定裤子的性能和MWL。任务具有四个不同的复杂度（N¼1或2具有视觉或视觉和听觉刺激）。二十七名健康参与者都参加了这项研究，并在两种情况下都执行了任务。EEG数据和NASA任务负荷指数（NASA-TLX）分别用于评估客观和主观MWL的变化。 错误率（ER）和反应时间（RTS）也针对每个条件和任务水平进行了COL。 任务水平在两种情况下都对MWL产生了重大影响，增加了次级措施和降低性能。 EEG MWL指数显示出显着增加，特别是与休息相比。 不同程度的沉浸式均未显示个人的表现和MWL的显着差异，如主观评分所估计。EEG数据和NASA任务负荷指数（NASA-TLX）分别用于评估客观和主观MWL的变化。错误率（ER）和反应时间（RTS）也针对每个条件和任务水平进行了COL。任务水平在两种情况下都对MWL产生了重大影响，增加了次级措施和降低性能。EEG MWL指数显示出显着增加，特别是与休息相比。 不同程度的沉浸式均未显示个人的表现和MWL的显着差异，如主观评分所估计。EEG MWL指数显示出显着增加，特别是与休息相比。不同程度的沉浸式均未显示个人的表现和MWL的显着差异，如主观评分所估计。但是，在大多数情况下，HMD降低了EEG衍生的MWL，表明较低的认知负载。总而言之，HMD可能会减少某些任务的认知负荷。如脑电图MWL指数所示，MWL的降低水平可能对基于VR的应用程序的设计和未来评估有影响。
一种多模式的方法利用脑电图研究VR环境对心理工作负载的影响
抽象虚拟现实（VR）是一项允许用户体验模拟真实或虚构场景的多感觉和交互式环境的技术。仍然辩论了不同的VR沉浸式技术神学对心理工作量（MWL）的影响，即执行任务所需的资源数量；但是，从未利用脑电图在这种情况下的潜在作用。本文旨在调查在VR环境中对MWL进行认知任务的影响，这是通过使用多模式的方法进行的，其特征在于以不同程度的沉浸式来进行，这些方法通过生理EEG测量对MWL进行了良好评估的主观评估。提出了基于N-BACK测试的认知任务，以比较使用头部安装显示器（HMD）或桌面计算机展示Stim uli的特定裤子的性能和MWL。任务具有四个不同的复杂度（N¼1或2具有视觉或视觉和听觉刺激）。二十七名健康参与者都参加了这项研究，并在两种情况下都执行了任务。EEG数据和NASA任务负荷指数（NASA-TLX）分别用于评估客观和主观MWL的变化。 错误率（ER）和反应时间（RTS）也针对每个条件和任务水平进行了COL。 任务水平在两种情况下都对MWL产生了重大影响，增加了次级措施和降低性能。 EEG MWL指数显示出显着增加，特别是与休息相比。 不同程度的沉浸式均未显示个人的表现和MWL的显着差异，如主观评分所估计。EEG数据和NASA任务负荷指数（NASA-TLX）分别用于评估客观和主观MWL的变化。错误率（ER）和反应时间（RTS）也针对每个条件和任务水平进行了COL。任务水平在两种情况下都对MWL产生了重大影响，增加了次级措施和降低性能。EEG MWL指数显示出显着增加，特别是与休息相比。 不同程度的沉浸式均未显示个人的表现和MWL的显着差异，如主观评分所估计。EEG MWL指数显示出显着增加，特别是与休息相比。不同程度的沉浸式均未显示个人的表现和MWL的显着差异，如主观评分所估计。但是，在大多数情况下，HMD降低了EEG衍生的MWL，表明较低的认知负载。总而言之，HMD可能会减少某些任务的认知负担。如脑电图MWL指数所示，MWL的降低水平可能对基于VR的应用程序的设计和未来评估有影响。
科学现状：人体工程学中的心理工作量 - Typeset.io
心理负荷 (MWL) 是人体工程学和人为因素中最广泛使用的概念之一，代表着日益重要的主题。由于许多工作环境中的现代技术对操作员的认知要求越来越高，而体力要求却越来越低，因此了解 MWL 如何影响绩效变得越来越重要。然而，MWL 也是最模糊的概念之一，具有众多定义和维度。此外，MWL 研究倾向于关注复杂、通常安全至关重要的系统（例如运输、过程控制）。在这里，我们概述了过去三十年来在复杂系统设计中对 MWL 的理解、测量和应用的现状。最后，我们讨论了应用研究面临的当代挑战，例如认知工作量和身体工作量之间的相互作用，以及工作量“红线”的量化，该红线指定操作员何时接近或超过其性能容忍度。
日本机械学会论文集 - J-Stage
Abstract 本研究的目的是通过使用可见光相机来调查眼动参数来估计汽车驾驶期间的心理负荷（MWL）。本研究涉及 12 名学生（6 名男性和 6 名女性）。参与者同时使用驾驶模拟器执行驾驶任务和次要任务，以控制MWL。N-back任务的级别如下：无、0-back。 , 1-回,使用可见光相机测量 2-back 和 3-back 的视线和头部角度以及眨眼频率，根据视线和头部角度计算眼球旋转角度，即头部运动的比率。还测量了 N-back 任务的主观 MWL 和准确性，结果表明，随着 N-back 任务难度的增加，主观 MWL 单调增加。 N-back 任务具有统计显着性对水平和垂直注视角度的标准差（SD）、眼球水平旋转角度的标准差、水平方向头部运动的共享率以及眨眼频率进行Logistic回归分析，结果显示，眼球水平旋转角度的标准差和眨眼频率的标准差（SD）。眨眼频率是估计 MWL 的最重要参数 受试者工作特征 (ROC) 曲线的曲线下面积 (AUC)
引入心理负荷评估以设计虚拟现实训练场景
由于虚拟现实 (VR) 模拟的灵活性和可重复性，训练是虚拟现实 (VR) 的主要用例之一。然而，在训练场景设计中，用户的认知状态，特别是心理工作量 (MWL) 的使用仍然很大程度上尚未得到探索。在本文中，我们建议在设计涉及 VR 中多个并行任务的复杂训练场景时考虑 MWL。所提出的方法基于对训练应用中每个潜在任务配置引起的 MWL 的评估。评估之后，将使用生成的模型来创建能够随时间调节用户 MWL 的训练场景。基于多属性任务电池 II 的 VR 飞行训练模拟器说明了这种方法，它征求不同的认知资源，能够生成 12 种不同的任务配置。进行了第一项用户研究 (N = 38)，使用自我报告和绩效测量来评估每种任务配置的 MWL。然后使用此评估来生成三个训练场景，以便随着时间的推移诱导不同级别的 MWL。第二项用户研究 (N = 14) 证实，所提出的方法能够随着时间的推移在每个训练场景中诱导预期的心理工作量。这些结果为进一步研究如何使用 MWL 调制来改进 VR 训练应用铺平了道路。
在模式下形成水和阿拉伯海侵蚀
层深度（MLD）用蓝线，模式的水深度（MWD）表示，模式水层的核心是绿色点，模式水层的上和底部边界分别是虚线和实心黑线。（C-H）两个浮子的示例保守温度（CT，C-D），绝对盐度（SA，E-F）和分层（N2，G-H）的示例（No.6903059，C-E-G）和Southern AS（No. 2901857，D-F-H）。 根据面板B，MLD用蓝线，点虚线的MWD表示，MWL的核心为绿色，分别为MWL的上层和底层，分别为虚线和实心黑色线。 灰线指示95 何时6903059，C-E-G）和Southern AS（No.2901857，D-F-H）。 根据面板B，MLD用蓝线，点虚线的MWD表示，MWL的核心为绿色，分别为MWL的上层和底层，分别为虚线和实心黑色线。 灰线指示95 何时2901857，D-F-H）。根据面板B，MLD用蓝线，点虚线的MWD表示，MWL的核心为绿色，分别为MWL的上层和底层，分别为虚线和实心黑色线。灰线指示95
使用 cEEGrid 开发心理工作量模型...
本研究旨在检验 cEEGrid 技术在飞行相关任务期间监控操作员心理负荷 (MWL) 的可行性。航空业存在风险，无论是从财务角度还是从生命损失角度来看，这些风险都可能非常昂贵。飞行员在整个任务过程中执行大量不同难度级别的任务。任务的成功取决于飞机和操作员的状态。如果操作员心理负荷不足，他们就会处于自满状态；这会导致更长的响应时间，并且注意到意外高风险事件的可能性会降低。如果操作员心理负荷过重，则在一项或多项任务中的表现会下降。优化操作员的 MWL 状态可以提高安全性和性能 [7]。但是，如果不可靠准确地监控操作员的 MWL，就无法优化 MWL。有三种方法可以
利用黎曼几何对脑电信号进行心理状态检测
本研究的目的是实施一种基于黎曼几何 (RG) 的算法，使用任务诱导的脑电图 (EEG) 信号检测高心理负荷 (MWL) 和心理疲劳 (MF)。为了引发高 MWL 和 MF，参与者以字母 n-back 任务的形式执行了一项认知要求高的任务。我们采用基于 RG 的框架分析了不同任务条件和皮质区域下 theta 和 alpha 频带中 EEG 波段功率 (BP) 特征的时间变化特性。当任务运行 EEG 的黎曼距离达到或超过基线 EEG 的阈值时，MWL 和 MF 被认为太高。本研究结果显示，随着实验持续时间的增加，theta 和 alpha 频带中的 BP 增加，表明 MWL 和 MF 升高会阻碍/妨碍参与者的任务表现。在 20 名参与者中，有 8 名检测到高 MWL 和 MF。随着实验持续时间的增加，黎曼距离也显示出向阈值稳步增加，大多数检测发生在实验结束时。为了支持我们的发现，我们还考虑了主观评分（有关疲劳和工作量水平的问卷）和行为测量（性能准确性和响应时间）。
一种自适应人机交互架构，利用实时工作量感应来增强手术性能——半自动吸盘工具的演示
人机协作是许多领域中一种很有前途的范例，因为它有可能充分利用人类的灵活性和机器人的精确性 (Reason, 2000)。即使有了极其复杂和高度发展的技术，机器人系统也主要由人类操作，干预和控制程度也各不相同 (Power 等, 2015)。然而，需要外科医生远程操纵机械臂的遥控控制可能会带来诸如模糊性和缺乏运动反馈等问题 (Chen 等, 2007)，从而导致过度的心理工作负荷 (MWL)，进而影响外科医生的表现。由于极端的 MWL 会降低性能并增加错误概率 (Yurko 等, 2010)，操作员的工作负荷正成为决定人机协作是否成功的核心问题。因此，人们对开发能够在任务执行期间根据操作员的 MWL 为其提供不同程度协助的机器人的兴趣日益浓厚 (即基于心理工作负荷的自适应自动化) (MWL-AA)。
eeg-tnet：端到端的大脑计算机界面框架估计
不同职业群体工人的心理工作量（MWL）是不安全行为的主要和直接因素，这可能会导致严重的事故。估计MWL的新技术之一是基于脑电图信号的大脑计算机接口（BCI），这被视为认知状态的黄金标准。但是，涉及手工脑电图功能的估计系统是耗时的，不适合实时申请。这项研究的目的是提出一个最终的BCI框架以进行MWL估计。首先，提出了一种新的自动数据预处理方法，以消除无人干扰的人工制品。然后，一种名为EEG-TNET的新神经网络结构旨在从原始EEG中提取时间和频率信息。此外，进行了两种类型的实验和消融研究，以证明该模型的有效性。在主题依赖性实验中，双任务估计的估计准确性（无任务与任务）和三任任务估计（LO vs. MI与HI）分别达到99.82和99.21％。相反，在受试者无关的实验中，不同任务的准确性达到82.78和66.83％。此外，消融研究证明，预处理方法和网络结构对估计MWL具有显着贡献。所提出的方法在没有任何人类干预的情况下很方便，并且胜过其他相关研究，这成为降低人为因素风险的有效方法。