XiaoMi-AI文件搜索系统
World File Search System动眼
使用眼动监测设备监测空中交通管制员认知工作负荷的研究概述
空中交通管制员 (ATCO) 将成为对航空运输系统影响最大的部门。ATCO 的职责是防止地面管制员提供的空中飞机相撞并克服可能出现的混乱。ATCO 是高风险职业群体之一，因此，其极高的认知工作量对飞行安全至关重要。然而，据观察，文献中关于在不同任务难度下有经验和没有经验的 ATCO 之间可能出现的认知工作量差异的研究相当不足。本研究介绍了认知工作量测量方法和 ATCO 认知工作量的研究。在本研究中，解释了确定认知工作量及其测量方法的重要性。此外，还介绍了与 ATCO 认知工作量相关的文献研究，特别是使用眼动仪的研究。
使用眼动追踪和机器学习在 iVR 学习环境中评估学习者表现
摘要 目前，由于眼动追踪技术的低侵入性及其与商用 iVR 头戴式显示器的集成，在沉浸式虚拟现实 (iVR) 学习环境中使用眼动追踪数据将成为最大化学习成果的有力工具。然而，在将数据处理技术推广到学习环境之前，应首先确定最合适的技术。在本研究中，提出了使用机器学习技术来达到此目的，评估它们对学习环境质量进行分类和预测用户学习表现的能力。为此，开发了一种模拟桥式起重机操作的 iVR 学习体验。通过这次体验，对 63 名学生在最佳学习条件和压力条件下的表现进行了评估。最终的数据集包括 25 个特征，主要是时间序列，数据集大小高达 50M 个数据点。结果表明，不同的分类器（KNN、SVM 和随机森林）在预测学习表现变化时提供了最高的准确率，而用户学习表现的准确率仍远未达到最佳水平，这为未来的研究开辟了一条新思路。本研究旨在为未来使用复杂的机器学习技术提高模型准确率奠定基础。
使用眼动追踪器操作军用快速喷气式飞机中的不同显示器
传感器和通信技术的进步使航空飞行更加容易和安全，但代价是飞机会产生大量信息。尽管大量信息用于地面离线处理或机载任务计算机自动处理，如控制自动驾驶系统，但飞行员需要手动感知和处理大量信息，以便为飞行和任务控制任务做出决策（Hierl、Neujahr 和 Sandl，2012 年）。军用快速喷气式飞机（用于空中优势或多用途任务的战斗机）的信息处理比客机更困难，因为飞行员除了主要飞行任务外还需要执行次要任务。次要任务控制任务可能包括侦察、保护或跟踪空中资产以及武器投送，所有这些都需要仔细感知和分析飞机外部的信息以及驾驶舱内显示的信息。在有限的驾驶舱空间内有效显示信息是一项具有挑战性的设计任务。现有军用飞机使用三种类型的视觉显示器：下视显示器 (HDD)、抬头显示器 (HUD) 和头戴式显示器 (HMD)。HDD 配置为将信息显示为多功能显示器 (MFD)。MFD 用于以可配置的方式显示从主要飞行数据到空中物体细节等信息。每个都是矩形的，由一组
使用眼动追踪系统的平板电脑阅读障碍筛查应用程序的可靠性
目的：及早发现和管理阅读障碍对于防止不可逆转的教育差距和受影响学生的各种负面影响至关重要。然而，诊断阅读障碍具有挑战性，因为它需要全面的评估。利用快速、自动化、基于计算机的技术的阅读障碍筛查测试可用于及早识别和管理。在本文中，我们介绍了一种基于平板电脑的阅读障碍筛查应用程序，该应用程序使用眼动追踪系统并验证了其可靠性。方法：研究包括来自一所小学的 200 名年龄在 8 至 13 岁之间的参与者，他们都接受了两次阅读障碍筛查测试。筛查是使用在三星 Galaxy Tab S5e 平板电脑上实施的 VisualCamp SeeSo 眼动追踪 Android 软件开发工具包 v3.0.0 进行的。眼动追踪系统测量凝视阅读速度、平均凝视时间、凝视频率、扫视长度和回归率。为了评估两组测量的可靠性，我们采用了组内相关系数 (ICC)。结果：凝视频率 (ICC=0.83)、凝视平均时间 (ICC=0.82) 和凝视阅读速度 (ICC=0.76) 的测量结果具有极好的可靠性，回归比 (ICC=0.75) 和扫视长度 (ICC=0.72) 的测量结果具有良好的可靠性。结论：本研究表明，基于平板电脑的阅读障碍筛查应用程序可以可靠地测量阅读障碍患者的眼球运动。此外，该应用程序被证明具有高度可靠性，可能适合在临床或学校环境中使用，无需实验室环境和大量设备。
角色分配如何影响高风险环境中的决策：航空眼动追踪的证据
HAL 是一个多学科开放存取档案馆，用于存放和传播科学研究文献，无论这些文献是否已出版。这些文献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。
采用深度梯度卷积神经网络进行基于眼动追踪信号的情感分类
利用生物医学信号作为计算人类情感状态的基础是情感计算（AC）的重要问题。随着对情感信号研究的深入，多模型认知与生理指标的结合、动态完整数据库的建立以及高科技创新产品的加入成为AC的最新趋势。本研究旨在开发一种深度梯度卷积神经网络（DGCNN），用于利用眼动追踪信号进行情感分类。首先应用通用信号处理工具和预处理方法，例如卡尔曼滤波器、汉明窗、短时傅里叶变换（SIFT）和快速傅里叶变换（FTT）。其次，将眼动和追踪信号转换为图像。随后应用基于卷积神经网络的训练结构；实验数据集是通过眼动追踪设备通过分配16名参与者的四种情感刺激（紧张、平静、快乐和悲伤）获得的。最后，使用真阳性率 (TPR) 和假阴性率 (FPR) 指标将 DGCNN 与决策树 (DT)、贝叶斯高斯模型 (BGM) 和 k-最近邻 (KNN) 的性能进行比较。最后还部署了自定义小批量、损失、学习率和梯度定义以用于深度神经网络的训练结构。预测分类矩阵显示了所提出方法对眼动和跟踪信号的有效性，其准确率超过 87.2%。这项研究为通过眼动和跟踪信号寻找更自然的人机交互提供了一种可行的方法，并且在情感产品设计过程中具有潜在的应用价值。
人类眼球追踪及相关问题：综述
1 电子与通信工程系，DAV 工程技术学院，贾朗达尔（印度） 2 电子与通信工程系，Beant 工程技术学院，古尔达斯普尔（印度） 摘要 - 眼动追踪是指追踪眼球运动并确定用户注视点的过程。本文旨在介绍用于眼动追踪的各种技术。测量眼球运动有许多原理，包括测量电信号和光电信号、跟踪眼球图像中的许多视觉特征、测量红外 (IR) 光的相对反射以及使用机械或光学杠杆或磁场。本文还介绍了选择特定眼动追踪方法所涉及的因素。最后，本文介绍了眼动追踪技术的一些应用。索引词 - 眼动追踪、眼电图 (EOG)、视频眼动图 (VOG)、红外眼动图 (IROG)、巩膜搜索线圈。
引用：Li，Jason，Watters，Nicholas，Sohn，Hansem和Jazayeri，Mehrdad。 2022。
从平稳地追求移动的物体到在视觉搜索过程中迅速转移凝视，人类在不同情况下采用各种眼动策略。虽然眼动为心理过程提供了丰富的窗口，但众所周知，构建眼动的生成模型是困难的，并且至今，指导眼动的计算观察者在很大程度上仍然是一个谜。在这项工作中，我们在典型的空间计划任务（迷宫解决方案）的背景下解决了这些问题。我们使用新颖的可区分结构来从人类受试者那里收集了眼睛运动，并建立了深层的眼动模型，以凝视固定和凝视。我们发现，人眼运动最好由一个模型预测，该模型被优化，不要尽可能有效地构成任务，而是对横穿迷宫的对象进行内部模拟。这不仅提供了此任务中眼动的生成模型，而且还为人类如何解决该任务的计算效果，即人类使用心理模拟。
眼基因治疗
心力衰竭是全球健康挑战，影响了全球数百万。这种复杂综合征来自多种病因，包括缺血性心脏病，高血压，瓣膜异常和心肌病。心力衰竭的特征是心脏无法有效泵送血液以满足人体的代谢需求，从而导致症状令人衰弱，频繁住院和高死亡率。传统上，心力衰竭的管理集中在减轻症状，减少液体保留和增强心脏收缩力。通过药理学疗法（例如血管紧张素转换酶抑制剂，β受体阻滞剂和利尿剂）来实现这些目标，通常通过基于设备的干预措施（例如植入式心脏扭曲器解除剂和心脏脱氧剂）进行补充。，尽管有这些进展，但心力衰竭的不懈进展仍然是一个重大的临床挑战。神经激活，心脏纤维化和细胞重塑只是导致疾病进展的一些复杂过程。近年来，研究人员和临床医生开始寻求确定解决这些基本机制的新型治疗方法。这样的探索途径涉及基因治疗的革命领域，具有有希望的基因编辑技术，例如CRISPR-CAS9，为纠正有助于心力衰竭的基因突变提供了潜在的途径。此外，包括干细胞疗法和组织工程在内的再生医学方法对修复受损的心脏组织和恢复功能保持着巨大的希望。此外，考虑到遗传学，生物标志物和合并症，精确的医学计划已获得了吸引力，旨在针对个体患者概况量身定制心力衰竭疗法。在心力衰竭管理中整合人工智能和机器学习还可以开发早期干预，风险分层和个性化治疗建议的预测模型。这篇叙述性评论导航了新兴疗法的心力衰竭的复杂景观，强调了它们通过瞄准疾病的基本机制来彻底改变该领域的潜力。通过探索这些创新的方法，我们渴望提供有关心力衰竭管理不断发展的范式的全面观点，从而为患者和临床医生提供了希望的前景。