XiaoMi-AI文件搜索系统
World File Search SystemVigilance
警戒手册（2021 年更新）
起草委员会得到了许多官员的协助，包括委员会的附加秘书 PK Singh 博士、Sudhir Kumar 先生和 Ajay Kumar Kanoujia 先生，以及委员会的首席技术专家 Shailendra Singh 先生和 Ashok Kumar 先生。起草委员会还感谢 STC 前首席财务官 Arvind Kadyan 先生、BHEL 首席财务官 Alok Ranjan 先生和印度中央调查局 DIG Vijayendra Bidari 先生的贡献。委员会还感谢委员会官员发挥的重要作用，即主任 Nitin Kumar 先生、主任 M. Janaki 先生、主任 BB Roy 先生、副主任 Rajiv Verma 先生、副主任 TP Sharma 先生和副主任 WJ Keishing 女士。秘书、银行顾问 Shri Umesh Bhalla、银行顾问 Shri SC Teli、副秘书 Shri Arvind Kumar、副秘书 Shri SK Gwaliya 和助理顾问 Shri SV Krishnan 正在更新手册。
使用额叶脑电图进行实时警觉检测
印度喀拉拉邦阿姆利塔普里 2 首席技术官，StimScience Inc.，美国加利福尼亚州伯克利 摘要 在执行许多单调的活动时，操作员的警惕性会受到影响，例如车间和制造车间任务、驾驶、夜班工人、飞行以及一般任何需要个人长时间高度集中注意力的活动。在这些情况下，驾驶员或操作员疲劳会导致困倦和警惕性降低，这是造成道路交通事故或车间事故中伤亡的最大因素之一。在这些情况下，拥有一个警惕性监测系统来检测警惕性下降变得非常重要。本文介绍了一种系统，该系统使用来自易于使用的市售脑机接口可穿戴设备的非侵入性记录的额叶脑电图来确定个人的警惕状态。个人脑电波额叶 Theta 波段（4-8Hz）功率谱的变化可预测个人注意力水平的变化——提供早期检测和预警系统。该方法提供了一种准确、廉价且实用的系统，可用于跨不同环境进行警觉性监测。 关键词 脑机接口、脑电图 (EEG)、警觉性监测、低功耗蓝牙 (BLE)、驾驶员困倦 1. 引言
多架无人机系统 (UAS) 运行中的警戒和自动化依赖性：模拟研究
目标：本模拟研究调查了影响多架无人机系统 (UAS) 操作期间持续表现和疲劳的因素。本研究测试了任务完成时间和自动化可靠性对监视任务准确性和对自动化依赖性的影响。它还研究了特征和状态个体差异因素的作用。背景：Warm 的警觉资源模型在人为因素中具有很高的影响力，但需要进一步测试其对需要持续关注的复杂现实任务的适用性。多 UAS 操作不同于标准警觉范式，因为操作员必须在自动化的支持下在多个子任务之间切换注意力。方法：131 名参与者使用配置为低认知要求的多 UAS 模拟执行需要信号识别和符号计数的监视任务，持续 2 小时。在组间操纵自动化可靠性。在执行之前测量五因素模型人格特质。使用邓迪压力状态问卷评估主观状态。结果：在更苛刻的监视任务上的表现准确性显示警惕性下降，尤其是在自动化可靠性较低的情况下。对该任务的自动化依赖性随着时间的推移而下降。状态因素而非特质因素可以预测绩效。在更苛刻的任务条件下，高痛苦与较差的表现有关。结论：警惕性下降可能是多 UAS 监视任务的操作问题。Warm 的资源理论可能需要修改，以纳入与低工作量、疲劳环境中的多任务处理相关的信息处理和任务策略的变化。应用：多 UAS 操作的界面设计和操作员评估应解决包括动机、压力和对自动化的持续关注等问题。
航空安全合作：在动态世界中提升全球警惕性、全球影响力和全球实力
鉴于目前联邦预算面临严峻的财政限制，美国军方面临着艰难的决定，即开发和部署哪些常规能力来应对国家面临的广泛挑战和全球需求。 1 包括美国空军在内的各军种长期以来一直认为，威慑和/或击败民族国家的“传统”能力足以应对恐怖分子或叛乱分子等非国家行为者的“非传统”或“非常规”威胁。2 近年来，空军的战略规划和计划专注于应对未来在高度对抗环境中作战的传统挑战，这使空军对国家至关重要的其他能力面临严重风险。3 例如，随着阿富汗战争的结束，该军种面临风险。