XiaoMi-AI文件搜索系统
World File Search Systemtask
任务约束对虚拟现实中3D视觉运动跟踪任务的影响
近年来，许多研究都使用沉浸式虚拟现实（VR）来与真实环境尽可能地分析感知运动的协调（Bideau等，2010; Bideau et al。，2004; Ranganathan and Carlton and Carlton，2007; Vignais et; Vignais et al。，2009; Faure et al。，2020）。对VR的这种强烈兴趣创造了准确控制设备提供的信息，与环境的相互作用和任务的约束的可能性（例如Vignais等，2009； Choi等，2021）。在这种情况下，需要进行研究，以表征虚拟环境中可能的运动动作，这是在深度维度上恰当的（Armbrüster等，2008； Vienne等，2020）。为了解决这一目标，我们的研究团队已经开发了一项视觉运动跟踪任务，以操纵和评估不同虚拟约束对行动参与，尤其是在深度维度上的影响。跟踪任务的原理是移动效应器，以使其与移动目标保持尽可能近，可以通过互动
省略知识：5个选择串行反应时间任务中遗漏的重要性
hal是一个多学科的开放访问档案，用于存款和传播科学研究文件，无论它们是否已发表。这些文件可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
心肺适应性和在老年男性中Stroop任务期间的前额叶皮层氧合
目的：本研究的目的是评估执行功能和前额叶氧合是否取决于老年人的健身水平和年龄。方法：招募了55至69岁的二十四名健康男性。他们按年龄进行了分层，导致了两组的创建：55-60岁和61-69岁。基于CRF的中位数拆分会创建更高和较低拟合的参与者类别。在计算机化的Stroop任务中，使用功能近红外光谱（FNIRS）评估脑充氧。 准确性（正确响应的百分比）和反应时间（MS）用作认知表现的行为指标。 测量氧化（∆ HBO2）和脱氧（∆ HHB）血红蛋白的变化以捕获神经变化。 进行了重复测量方差分析（CRF X Age X Stroop条件），以测试CRF，年龄和执行绩效之间没有相互作用的零假设。 结果：我们还发现了CRF与年龄在反应时间上的相互作用（P = .001），其中较高的适应度水平与61-69岁的年龄在55-60岁的孩子中与更快的反应时间有关。 关于δHHB，ANOVA在右PFC中揭示了CRF的主要影响（P = .04），其中较高拟合的参与者的δHHB大于低拟合（d = 1.5）。 我们还发现右PFC中δHHB的年龄相互作用（p = .04）。 结论：我们的结果支持CRF在健康老年男性中脑充氧和StrOP性能的正相关。脑充氧。准确性（正确响应的百分比）和反应时间（MS）用作认知表现的行为指标。测量氧化（∆ HBO2）和脱氧（∆ HHB）血红蛋白的变化以捕获神经变化。进行了重复测量方差分析（CRF X Age X Stroop条件），以测试CRF，年龄和执行绩效之间没有相互作用的零假设。结果：我们还发现了CRF与年龄在反应时间上的相互作用（P = .001），其中较高的适应度水平与61-69岁的年龄在55-60岁的孩子中与更快的反应时间有关。关于δHHB，ANOVA在右PFC中揭示了CRF的主要影响（P = .04），其中较高拟合的参与者的δHHB大于低拟合（d = 1.5）。我们还发现右PFC中δHHB的年龄相互作用（p = .04）。结论：我们的结果支持CRF在健康老年男性中脑充氧和StrOP性能的正相关。他们表示，高适合个人在61-69岁的小组中表现更好，但在55-60岁的小组中却没有。我们还观察到高拟合个体中的PFC氧合变化较大（通过ΔHHB测量）。
利用神经特征增强任务 fMRI 个体差异研究
本研究由 K99AA030808 (DAAB) 和 R01DA54750 (RB) 资助。其他资助包括：AJG (DGE-213989)、SEP (F31AA029934)、ASH (K01AA030083)、RB (R21AA027827、U01DA055367)。本研究的数据由青少年大脑认知发展 (ABCD) 研究提供，该研究由美国国立卫生研究院和其他联邦合作伙伴颁发的 U01DA041022、U01DA041025、U01DA041028、U01DA041048、U01DA041089、U01DA041093、U01DA041106、U01DA041117、U01DA041120、U01DA041134、U01DA041148、U01DA041156、U01DA041174、U24DA041123 和 U24DA041147 奖项资助 (https://abcdstudy.org/federal-partners.html)。参与站点列表和研究调查员的完整列表可在 https://abcdstudy.org/consortium_members/ 上找到。ABCD 联盟调查员设计并实施了这项研究和/或提供了数据，但不一定参与了本报告的分析或撰写。本稿件反映的是作者的观点，可能不反映 NIH 或 ABCD 联盟调查员的意见或观点。
双重任务培训在提高认知方面的功效...
摘要：本研究研究了双任务训练（DTT）在改善脑外伤患者（TBI）患者认知和运动功能方面的功效。认知和运动障碍是TBI的常见后遗症，通常会破坏患者进行日常活动的能力，需要同时进行身体和心理努力。双重任务培训涉及同时执行认知和运动任务，并作为有效的康复策略提出。进行了系统的审查和荟萃分析，包括随机对照试验和关注DTT的TBI患者的观察性研究。结果度量包括改善认知功能（例如注意力，执行功能）和运动性能（例如步态稳定性，平衡）。此外，还评估了双重任务改进到现实世界任务的转移。双任务训练显着改善了认知运动的相互作用，在双重任务条件下，反应时间，任务准确性和步态参数的增强功能明显增强。患者在动态环境中还表现出更好的注意力分配和提高的适应性。重要的是，在随访评估中保持了改善，表明神经塑性作用持久。但是，DTT的功效受到损伤严重性，任务复杂性和训练持续时间等因素的影响。双重任务培训是改善TBI患者认知和运动功能的有效且有希望的干预措施，从而促进了他们重新融入日常生活。未来的研究应探讨最佳任务组合，个性化培训方案和长期结果，以最大程度地提高其临床适用性。
基于EEG
摘要 - 近年来，神经科学家与脑部计算机界面（BCI）设备的开发有关。运动障碍患者可能会受益于BCIS作为通信手段和恢复运动功能的手段。脑电图（EEG）是评估神经元活性的最常用之一。在许多计算机视觉应用中，深度神经网络（DNN）显示出显着的优势。倾向于最终使用DNN，我们在这里提出了一个浅神经网络，该网络主要使用两个卷积神经网络（CNN）层，其参数相对较少，并且快速学习了脑电图的光谱时暂时特征。我们将该模型与其他三个神经网络模型进行了比较，该模型具有不同的深度，该模型使用了针对患有运动障碍的患者和视觉功能下降的患者的眼神闭合状态应用于精神算术任务。实验结果表明，浅CNN模型的表现优于所有其他模型，并达到了90的最高分类精度。68％。处理跨主题分类问题也更加健壮：仅3％的准确性偏差而不是15。传统方法的6％。
将AI代理放在一般任务上的步调
多模式的大型语言模型（LLMS）在大量数据集中受过培训的多模型在许多情况下变得越来越有能力。但是，此类模型的capabilies通常在狭窄的任务中进行评估，就像标准的机器学习模型接受了针对特定目标的训练一样。，我们通过将最新的LLM代理通过其步调进行一般任务来解决不同的策略，以解决三个受欢迎的游戏 - Wordle，Face Quiz和Flashback。这些游戏很容易被人类解决，但他们要求一定程度的自我意识和更高层次的能力来实验，从错误中学习并计划。我们发现LLM代理在这些一般任务中表现出不同的性能。他们缺乏从错误和自我纠正能力中学习的意识。llms在最复杂的认知子任务中的性能可能不是其在现实世界环境中部署的限制因素。相反，重要的是要通过包含多个齿轮任务的一般测试来评估吸气LLM的功能，从而使它们能够解决完整的现实世界应用。
多任务处理会给你带来多少成本？一项调查...
多任务处理是一种被广泛研究的现象，近年来由于现代技术的发展而引起了人们的兴趣。执行多项任务需要分散认知功能的行为一直存在，但由于开车时发短信的普遍性和与之相关的危险，这种行为变得越来越普遍。由于人们认为在操作机器时多任务处理存在风险，许多州都出台了法律来防止这种行为，但除了发短信和开车的高风险情况外，人们很少探索在低风险环境下进行任务处理的效果，以评估其成本和收益。以前测试多任务处理效果的方法主要是在驾驶和学业成绩的背景下，并得出结论，从事多项活动会影响认知功能。然而，人们较少关注对家庭环境中分心影响的可量化和客观衡量标准。本研究的目的是使用认知评估工具 Brain Gauge，通过纳入不同类型的媒体作为干扰因素，研究多任务处理的强度和类型与认知处理之间的关系。这项研究通过测试受试者同时执行一系列有趣但平凡的任务时的反应时间来探索这一点。最终发现，与对照组相比，看电视时的反应时间有显著的变化。这项研究的结果可以用来更好地了解多任务处理如何影响认知功能，并有助于确定在做作业和开车等重要任务时是否应该避免多任务处理。
DrugOrchestra：通过深度多任务学习联合预测药物反应、目标和副作用
大量积累的药物基因组学、化学基因组学和副作用数据集为药物反应预测、药物靶标识别和药物副作用预测提供了前所未有的机会。现有的计算方法将其范围限制在这三个任务中的一项，不可避免地忽略了它们之间的丰富联系。在这里，我们提出了 DrugOrchestra，这是一个深度多任务学习框架，可以联合预测药物反应、靶标和副作用。DrugOrchestra 利用预先训练的基于分子结构的药物表征来连接这三个任务。DrugOrchestra 不是直接对单个任务进行微调，而是使用深度多任务学习通过同时对药物反应、靶标和副作用预测进行微调来获得基于表型的药物表征。通过将这三个任务结合在一起，DrugOrchestra 能够仅通过了解其分子结构来预测看不见的药物。我们通过整合三个任务中的 8 个数据集，构建了一个包含超过 21,000 种药物的异构药物发现数据集。与在单个任务或单个数据集上训练的方法相比，我们的方法获得了显着的改进。我们进一步揭示了 8 个数据集和 3 个任务之间的可迁移性，为理解药物机制提供了新的见解。关键词：多任务学习、药物靶标预测、药物副作用预测、药物反应预测可用性：https://github.com/jiangdada1221/DrugOrchestra
由于完成连续的认知任务或观看纪录片而导致的精神疲劳会损害平衡控制
摘要 本研究旨在评估由 90 分钟持续性认知任务引起的心理疲劳 (MF) 对平衡控制的影响。招募了 20 名健康的年轻参与者。他们必须在观看纪录片之前和之后站在力台上执行三项姿势任务（睁眼站在稳定支撑物上、闭眼站在摇板上），或在 MF 条件下执行长时间持续性认知任务 (AX-持续性表现测试 - AX-CPT)。结果表明，执行 AX-CPT 会产生 MF，因为参与者在 AX-CPT 后从 NASA 任务负荷指数中感受到的主观工作量比观看纪录片后更高。AX-CPT 和观看纪录片都会损害平衡控制，主要是通过影响姿势调节机制来损害平衡控制，这种机制随着认知资源的参与度增加而向不太自动和不太复杂的调节模式发展。 AX-CPT 产生的 MF 通过损害注意力处理来影响平衡控制，而观看纪录片对姿势控制的有害影响可能源于长时间坐着对随后站立时平衡控制的不利影响。