XiaoMi-AI文件搜索系统
World File Search Systemworkload
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。
使用 EEG 分析飞行员心理工作负荷
增强认知是一种人机交互形式，其中利用对用户认知状态的生理感知在需要时精确调用系统自动化。本研究监测飞行员的飞行生理状态，以确定 EEG 指标的最佳组合，以预测工作量的变化或增强认知的机会。参与者是 10 名拥有 FAA 商业飞行员证书和当前医疗证书的大学航空学生。每位参与者都执行了统一的飞行场景，其中包括工作量需求不同的程序。所有操作都是在飞行中同时获取 EEG 数据的同时进行的。EEG 数据分为高工作量和低工作量时期。计算功率谱密度值并对其进行多种机器学习方法来区分高工作量和低工作量时期。结果表明，在区分低工作量和高工作量方面具有出色的分类准确性。目前的结果进一步证明了增强认知的潜力。
实时预测认知工作量的短期波动
摘要 人类操作员在几秒钟内经常会经历认知工作量的大幅波动，这可能导致表现不佳，从超负荷到疏忽。自适应自动化可能会解决这个问题，但要做到这一点，它需要了解操作员备用认知能力的实时变化，以便在需求高峰时提供帮助，并利用低谷来引起操作员的参与。然而，目前还不清楚任务需求的快速变化是否反映在备用能力的同样快速波动中，如果是，那么对这些需求的响应的哪些方面可以预测当前的备用能力水平。我们使用 ISO 标准检测响应任务 (DRT) 大约每 4 秒测量一次认知工作量，这是一项要求监控和加油模拟无人机 (UAV) 机队的艰巨任务。我们表明，DRT 提供了一种有效的测量方法，可以检测到由于无人机数量变化而导致的工作量差异。我们使用交叉验证来评估 DRT 之前的任务绩效相关指标是否可以预测检测绩效作为认知工作量的代理。虽然简单的任务事件发生具有较弱的预测能力，但利用操作员对燃油水平的态势感知的综合措施更为有效。我们得出的结论是，认知工作量确实会随着最近的任务事件而迅速变化，并且
人因工程减少行李搬运工作量...
在机场办理完超重行李托运手续后，行李将通过自动分类和存储系统进行处理。对于小型区域性飞机，行李将运送到登机口并手动存放在货舱中。对于大型长途飞机，行李通常会手动装入飞机集装箱 (ULD)。起重辅助设备难以使用，因为大多数类型的 ULD 顶部都是封闭的。没有专门关于 ULD 装载的文献。Oxley (2009) 在英国某区域性机场对行李搬运人员的肌肉骨骼症状进行了调查。在搬运人员中，73% 的人报告有背痛，51% 的人报告有膝盖痛，43% 的人报告有肩痛。肌肉骨骼疾病占英国机场报告的人身伤害事件的 50%，大多数发生在地面处理活动期间。Koelewijn (2006) 报告了一种名为“Rampsnake”的机械小型飞机装载辅助装置的工作量减少效果。尽管航空公司很少发布行李重量分布的数据，但员工报告肌肉骨骼疾病并不奇怪。航空公司通常允许行李的最大重量为 23 公斤（经济舱）或 32 公斤（商务舱）。不幸的是，航空公司不共享重量分布数据。一个消息来源指出，对于长途航班，16% 的行李重量小于 15 公斤，18% 在 15-19 公斤之间，66% >19 公斤；总体平均值为 22 公斤。这里，经济舱行李的最大重量为 23 公斤，商务舱行李的最大重量为 32 公斤。
学业负担对心理疲劳的影响... - IEOM
摘要 本研究定量研究了学业负担对菲律宾玛普阿大学本科生感知心理疲劳的影响之间的关系。当前的全球疫情以及从面对面授课到远程学习的突然转变影响了学生的心理健康。研究人员使用了从包含疲劳评估量表和 NASA-任务负荷指数的数字调查中获得的 104 名受访者样本数据，然后使用描述性和推断性统计数据进行分析。结果显示，在线课程期间的学业负担因素与学生整体心理疲劳水平之间存在密切的关系。因此，结果表明，这些因素显著增加了大学生心理疲劳的强度。根据结论，结果表明 FAS 受到每个维度的极大影响——无论是精神上还是身体上。此外，分配给每个受访者的学业工作量表明，由于在线课程中分配给学生的工作量，所有认知因素（例如心理需求、身体需求、时间需求、努力和挫折感）都会受到显著影响。因此，学生必须付出更多的精神努力才能完成所需的输出。关键词 NASA-任务负荷指数、FAS、心理疲劳、在线课程 1.简介 心理疲劳通常被称为长期精神压力，这是一种由于认知活动而导致人经历认知压力和压倒性精神压力的精神状态（Maarten 等人，2008 年）。此外，自 Smith 等人以来，理论上它可以以生理或行为突然改变等各种形式表现出来。(2019) 指出，心理疲劳是具有挑战性的认知活动的产物。这种精神状态通常与疲劳和精力不足有关，而疲劳和精力不足对于健康成年人的日常最佳功能至关重要。精神疲劳可能与身体疲劳有相似的症状；然而，这两种疲劳的生物学功能是分开的，这意味着两者可能同时共存（疲劳科学，2019 年）。虽然身体疲劳源于过度的体力消耗，但个人的精神状态不会受到损害，只有在必须解决身体状态时才会恢复活力。然而，它对经历精神疲劳的不同个体仍然有不同的影响（Garikiparithi，2017 年）。2020 年 3 月 11 日，世界卫生组织 (WHO) 宣布肆虐的冠状病毒 (COVID-19) 疫情为大范围流行病，随着隔离协议和数字教育的大幅实施，精神疲劳急剧加剧。Labrague & Ballad (2021) 发表了一项研究，其中封锁引起的疲劳程度与疫情相符，包括其与菲律宾大学生的个人适应力、应对技巧和整体健康状况的相关性，这一点至关重要，因为在分析感知疲劳程度时要考虑认知因素。值得注意的是，在菲律宾的隔离限制期间，大学生的疲劳程度中等。然而，个人和认知特征被用作标识符，而不是与在线课程相关的学业工作量。此外，加利福尼亚州圣布鲁诺市的 Skyline College 发布了一项调查结果，该调查旨在解决在 COVID-19 大流行期间如何过渡到新常态的问题，统计数据显示，60% 的在校学生认为这种过渡在一定程度上具有挑战性——此外，这些挑战
空中交通管制 (ATC) 的脑力工作量...
从22×8螺旋桨（弦长4.5cm）的测试设备上的误差对比结果来看，误差差最大为7.143%，最小为2.663%，平均误差为4.178%。 22×8螺旋桨（5cm弦）最大误差差为8.824%，最小误差为1.893%，平均误差为3.719%。 4 结论 已对 dle-55cc 发动机推力进行了计算和测试。然后通过比较静态推力计算器值和已进行的测试设备测试数据来验证获得的发动机测试结果，然后查找所使用的燃油消耗值。将测得的推力结果与静态推力计算器值进行比较，得到平均差值。从测试设备上的误差比较来看，22×8螺旋桨（弦长4.5cm）得到的平均误差为4.178%。同时，产生的22×8螺旋桨（5cm弦）误差为3.719%，获得的燃油消耗值为588,600-20,708（N/kW.hr），这显示出良好的降低水平，因此所使用的发动机更加高效。在使用中。从测试结果来看，该发动机试验台具有准确性，能够产生良好的发动机性能，可作为测试和其他学习工具。参考文献 [1] Arismunandar, W. 2002。 “燃气轮机和推进电机简介”。万隆：ITB。 [2] 安德烈·德索萨. 2017.“无人机推进试验台开发
成功应对高强度的脑力劳动和压力
图 3 与心理工作量相关的大脑激活和停用。（a）统计参数图说明了 TNT 中心理工作量的主要影响。彩色条表示激活高度的 t 值（+ 10 至 � 10）。展示了在 2-back 与 0-back 期间激活增加（红色）和减少（蓝色）的皮质区域。为了便于说明，地图的阈值为 p < .001 FWE 校正。激活叠加在受试者的解剖 T1 扫描上，并标准化为标准 MNI 空间。ACC，前扣带皮层；PCC，后扣带皮层；DLPFC，背外侧前额叶皮层；DMPFC，背内侧前额叶皮层；PC，顶叶皮层（顶上回和顶下小叶）；SMA，辅助运动区； VMPFC，腹内侧前额皮质。（b）条形图显示相对于静止条件，0-back 和 2-back 条件下峰值体素处 BOLD 信号增加/减少的百分比。标明了 MNI 坐标。该百分比是针对每个任务难度级别的所有区块（即安全和威胁）计算的。误差线为 SEM。浅灰色 = 0-back，中灰色 = 2-back
驾驶员心理负荷等级划分 - MDPI
摘要：心理负荷 (MW) 表示执行并发任务所需的大脑资源量。鉴于 MW 与交通事故风险的相关性，对高级驾驶辅助系统而言，MW 的评估至关重要。在本研究中，在模拟环境中驾驶时对参与者进行了两项认知测试（数字广度测试 - DST 和 Ray 听觉言语学习测试 - RAVLT）。选择这些测试来调查驾驶员对预定认知负荷水平的反应，以对 MW 进行分类。同时使用红外 (IR) 热成像和心率变异性 (HRV) 来获取与受试者心理生理相关的特征，以便为机器学习 (ML) 分类器提供信息。基于单峰 IR/单峰 HRV/多峰 IR + HRV 特征比较了六类模型。基于多模态 IR + HRV 特征的分类器达到了最佳分类器性能（DST：准确度 = 73.1%，灵敏度 = 0.71，特异性 = 0.69；RAVLT：准确度 = 75.0%，平均灵敏度 = 0.75，平均特异性 = 0.87）。基于单模态 IR 特征的分类器也表现出高性能（DST：准确度 = 73.1%，灵敏度 = 0.73，特异性 = 0.73；RAVLT：准确度 = 71.1%，平均灵敏度 = 0.71，平均特异性 = 0.85）。这些结果证明了使用完全非接触式和非侵入式技术来高精度评估驾驶员 MW 水平的可能性，这代表了交通事故预防领域的最新进展。
虚拟现实中脑力负荷的利用
这三年以极快的速度过去了，其中一些重要的时刻将铭刻在我的心中，特别是感谢这份手稿。这是我向所有以某种方式为这一结果做出贡献的人表示感谢的机会。我首先要感谢评审团的所有成员：Catherine Pelachaud 博士，她让我有幸主持了我的论文答辩，Daniel Mestre 博士和 Mark Billinghurst 教授。我还要感谢安东尼·斯蒂德教授，他在国际交流的背景下慷慨地接受了我在伦敦大学学院的接待，尽管不幸的是，由于大流行，这并没有发生。这对我来说是一种荣幸和高兴，我希望在未来几年有机会参观虚拟环境和计算机图形小组。每个人都花了很多宝贵的时间来阅读我的作品。我很荣幸也很高兴能够得到高素质研究人员的评估，我特别感谢他们提出的相关、丰富和建设性的评论。不用说，我接下来要感谢我的主管，没有他们，这一切都是不可能的。在我论文的这三年里，我有难得的机会被才华横溢、在场且充满爱心的导师包围。非常感谢你所做的一切，阿纳托尔。您不断的鼓励、您的经验以及您对孩子福祉的重视