XiaoMi-AI文件搜索系统
World File Search System唤醒
机器人作为心理健康教练：使用生理信号对技术辅助压力管理任务的情绪反应的研究
摘要：当前的研究调查了社会机器人通过评估其生理反应来促进大学生的压力管理干预措施的有效性。我们收集了脑电图（EEG）大脑活动和电流皮肤反应（GSR），以及来自两组学生的自我报告的问卷，他们使用社交机器人或笔记本电脑进行了深呼吸运动。从GSR信号中，我们在整个干预过程中获得了参与者的唤醒水平的变化，并且从EEG信号中，我们使用额叶α不对称的神经计量学（FAA）提取了他们的情绪价值变化。两组之间对压力和用户经验的主观看法没有显着差异，但生理信号揭示了通过唤醒 - 价模型评估的情绪反应的差异。笔记本电脑组倾向于显示唤醒水平的降低，在某些情况下，伴随着负价，表明无聊或缺乏兴趣。另一方面，机器人组显示了两种模式。一些人表现出唤醒的减少，表明镇静和放松，而另一些人则表现出唤醒的增加，而正价被解释为兴奋。这些发现为社会机器人的影响提供了有趣的见解，因为心理福祉教练对学生的情绪，尤其是在新颖效果的情况下。此外，它们为生理信号的功效提供了证据，作为对HRI环境中用户体验的客观和可靠的衡量。
焦虑症及术后脑电图神经反馈治疗......
摘要 综述目的 本综述概述了目前对焦虑症和创伤后应激障碍的脑电图神经反馈的知识和理解。 最新发现 焦虑症和创伤后应激障碍 (PTSD) 的表现与神经生理应激轴和大脑唤醒回路的功能障碍有关，这是研究领域标准 (RDoC) 的重要维度。即使这些疾病的病理生理学很复杂，其定义特征之一是行为和生理过度唤醒。有趣的是，与唤醒相关的大脑活动可以通过基于脑电图的神经反馈 (EEG NF) 进行调节，这是一种非药理学和非侵入性方法，涉及通过脑机接口 (BCI) 进行神经认知训练。EEG NF 的特点是同时学习过程，其中患者和计算机都参与修改神经元活动或连接，从而改善焦虑和/或过度唤醒的相关症状。摘要 EEG NF 对焦虑症和 PTSD 都有积极作用，但由于一些方法问题，症状改善是否是 EEG NF 所针对的神经生理变化的直接结果仍不清楚。因此，在这项工作中，我们试图将当前关于大脑唤醒机制的知识与过去和现在的焦虑和 PTSD 的 EEG NF 疗法联系起来。简而言之，我们讨论了 EEG NF 对焦虑症和 PTSD 影响的神经生理机制、现有 EEG NF 随机对照试验对这些疾病的方法优势/劣势，以及可能影响 NF 训练成功的神经心理因素。
氧空位对铁电氧化铪电场循环行为的影响
摘要 —基于密度泛函理论（DFT）计算，提出了一种关于HfO 2 基铁电器件中氧空位（Vo）的新机制。在该机制中，除了已知的o相HfO 2 之外，m相HfO 2 中的Vo不仅作为电子陷阱而且也表现出铁电性。而“唤醒”过程中剩余极化的增加主要归因于这部分Vo-m相HfO 2 铁电单元。基于新机制，开发了动力学蒙特卡罗（KMC）模拟器来量化在HfO 2 基铁电器件中观察到的典型电场循环行为，包括唤醒、疲劳、分裂和击穿效应。这种新的认识建立了Vo与循环行为之间的关系，并进一步揭示了掺杂剂与HfO 2 基铁电器件唤醒特性之间的联系。
使用Ti的传感器控制器构建自动化应用的超低功率传感技术
传感器控制器是可编程的，自动的超低功率CPU，具有快速的唤醒功能和非常低的电流传感器读数。大多数构建自动化系统都需要唤醒和执行每秒多次的小任务，启动和关闭能源很容易成为应用程序所花费的总能量的主导因素。一个大型高速MCU系统通常需要大量模块/例程，这些模块/例程在变化从备用状态变为活动模式时会大大增加能源消耗。例如，较大的MCU系统可能需要更高功能的PRCM（功率和时钟模块）系统。为了解决此问题，TI引入了传感器控制器引擎，该引擎可以从备用中唤醒 - 执行任务并通过尽可能多的能量回到备用。本应用程序探索了传感器控制器的多功能性，传感器控制器是CC13X2/4和CC26X2/4无线设备中的超低辅助处理器，重点是构建自动化应用程序。
能量分析用户指南
第 1 章：能源分析用户指南 能源分析工作流程 ......................................................................................3 构建和管理能源分析驱动程序 ......................................................................6 为能源分析准备目标 Linux* 系统 ........................................................8 为能源分析准备目标 Android* 系统 ........................................................9 为能源分析准备目标 Windows* 系统 .................................................. 10 Intel ® SoC Watch 命令行工具选项 ............................................................. 11 运行能源分析 ...................................................................................... 13 使用 Intel ® VTune ™ Profiler 查看能源分析数据 ............................................. 15 使用 Intel ® VTune ™ Profiler 解释能源分析数据 ............................................. 16 使用 Intel ® System Studio 运行能源分析 ............................................................. 19 使用 Intel ® System Studio 查看能源分析数据 ............................................. 23 将能源分析结果导入 Intel ® System Studio ............................................. 25 能源分析指标参考 ............................................................................. 26 可用核心时间 ............................................................................................. 26 C 状态 ............................................................................................. 26 D0i x 状态 .................................................................................... 27 DRAM 自刷新 ................................................................................ 27 能耗 (mJ)................................................................................... 27 空闲唤醒 .............................................................................................. 27 P 状态 .............................................................................................. 27 S0i x 状态 .............................................................................................. 28 温度.................................................................................................... 28 定时器分辨率 ...................................................................................... 28 C0 状态下的总时间 ............................................................................. 28 非 C0 状态下的总时间 ............................................................................. 28 S0 状态下的总时间 ............................................................................. 29 总唤醒次数 ............................................................................................. 29 唤醒次数.................................................................................................... 29 每个核心每秒的唤醒次数 ............................................................................. 29 法律信息.................................................................................................... 29
日常的智能头部原型...
抽象的千古，BANU：脑电图（EEG）基于日常环境的基于脑电图（EEG）的智能头部原型原型监视福利技术的硕士论文学位计划，2023年3月的第75页：75本文的目的是为日常环境为消费者提供基于EEG的监控概念。这是与Satakunta Applied Sciences（Samk）和Tampere University（TAU）之间的项目合作完成的。论文遵循设计思维方法作为路线图，该方法被认为是合适的，但并非没有局限性。通过用户重点，协作，灵活性和迭代，综合问题变成了创新的解决方案。缺乏结构，恢复和动机被确定为该方法的主要缺点。数据是从研讨会和三个焦点小组会议收集的。唤醒测量概念是构想工作商店的主要结果。第一个焦点组结果包括用户界面（UI）原型I和头部设计规范。焦点组II结果包括第一个手工制作的原型和带有按钮的更新版本以提供更好的调整，以及UI原型II。在焦点组III之后，最初的设计更改为织物上的模块化EEG产品设计概念，UI设计III和用户流程图被更改为。该解决方案有两个组件。模块化生物传感器将收集实时脑电图数据，并将其以唤醒曲线的形式呈现给用户。抑郁症，焦虑和与压力相关的疾病正在增加。UI生物反馈曲线将在未达到期望的范围（睡眠，冷漠，最佳水平，压力，焦虑，恐慌）时，实时降低，最佳和增加唤醒水平。曲线将监视用户的大脑活动状态，以帮助保持最佳的唤醒水平。唤醒监测生物传感器和该软件可用于多个文件，并在不同用例中应用，包括睡眠，压力，焦虑或恐慌发作，从而可以更长的时间监测大脑活动，这在实验室环境中可能是不可能的。已经发现，员工福利的主要风险是心理的，心理健康和压力是长期旷工的前两个原因。远程监控可以减少住院费用，并减少医疗保健系统的压力。日常环境的EEG还可以使用户可以监视其福祉并相应地调整活动。需要进行更多的研究来验证这些概念。关键词：脑电图（EEG），智能磨损，可持续服装，唤醒水平。
使用可穿戴耳罩式脑电图系统解码情感状态下的听觉诱发反应
摘要 目的：本文研究了一种耳周脑电图系统，作为传统头皮脑电图系统的替代方法，用于对听觉刺激引起的唤醒-效价域中的人类情感状态进行分类。方法：在情感状态分类任务的有效性方面，将从耳朵周围记录的脑电图与根据国际 10-20 系统收集的脑电图进行比较。本研究设计了一种具有八个干脑电图通道的可穿戴设备用于耳部脑电图采集。21 名受试者参加了一项为期三天、共六次的实验，使用耳朵和头皮脑电图采集方法。实验任务包括聆听听觉刺激并自我报告对所述刺激引起的情绪。各种特征与不对称方法结合使用，以评估使用耳朵脑电图信号与头皮脑电图相比的唤醒和效价状态的二元分类性能。主要结果。在受试者相关环境中，使用耳部脑电图信号训练多层极限学习机后，我们实现了唤醒 67.09% ± 6.14 的平均准确度和效价 66.61% ± 6.14 的平均准确度，而头皮脑电图方法实现了唤醒 68.59% ± 6.26 的平均准确度和效价 67.10% ± 4.99 的平均准确度。在受试者无关的环境中，耳部脑电图方法实现了唤醒 63.74% ± 3.84 的准确度和效价 64.32% ± 6.38 的准确度，而头皮脑电图方法实现了唤醒 64.67% ± 6.91 的准确度和效价 64.86% ± 5.95 的准确度。最佳结果表明，耳部脑电图和头皮脑电图信号在情感状态分类方面没有显著差异。意义重大。据我们所知，本文是第一篇探索耳部脑电图信号在情绪监测中的应用的论文。我们的研究结果证明了耳部脑电图系统在开发情绪监测装置方面的潜在用途，与传统的头皮脑电图装置相比，这种装置更适合用于日常情感生活日志系统。
应用机器学习脑电信号分类来
摘要 机器学习方法已成功应用于多种神经生理信号分类问题。考虑到情绪与人类认知和行为的相关性，机器学习的一个重要应用是在基于神经生理活动的情绪识别领域。尽管如此，文献中的结果存在很大的差异，这取决于神经元活动测量、信号特征和分类器类型。本研究旨在为基于电生理脑活动的机器学习应用于情绪识别提供新的方法论见解。为此，我们分析了之前记录的脑电图活动，这些活动是在向一组健康参与者提供情绪刺激、高唤醒和低唤醒（听觉和视觉）时测量的。我们要分类的目标信号是刺激前开始的大脑活动。使用光谱和时间特征比较了三种不同分类器（线性判别分析、支持向量机和 k-最近邻）的分类性能。此外，我们还将分类器的性能与静态和动态（时间演变）特征进行了对比。结果表明，时间动态特征的分类准确率明显提高。特别是，具有时间特征的支持向量机分类器在对高唤醒和低唤醒听觉刺激进行分类时表现出最佳准确率（63.8％）。
使用3D激光雷达传感器对人的有效检测和跟踪
持续的注意力描述了我们不断专注于给定任务的能力。这种能力由我们的唤醒生理状态调节。尽管持续注意力的失误与唤醒失调有关，但潜在的生理学机制仍不清楚。新兴的工作表明，在睡眠状的慢波清醒中的入侵是向睡眠过渡的标记，可以机械地解释注意力失误。这项研究旨在通过对单胺系统的药理学操纵暴露，类似睡眠的慢波发生与持续注意力失败的行为结合之间的关系。在四个独立的实验性课程中，在一项双盲，随机控制试验中，有32名健康的男性参与者接受了甲式化甲酯，阿诺西汀，西妥位或安慰剂。在每个会话期间，脑电图（EEG）用于测量神经活动，而参与者完成了需要持续关注的视觉任务。甲化酯增加了皮质和皮质下区域的促唤醒的多巴胺和去甲肾上腺素，改善了行为性能，而原子氨酸却可以增加多巴胺和去甲肾上腺素，主要增加了额叶皮质的高度超过额叶。此外，增加促进睡眠的5-羟色胺的西妥位导致了更多的试验。基于脑电图记录，西妥位酰胺也与睡眠状的慢波增加有关。重要的是，与诸如功率之类的经典唤醒标记相比，只有慢速波会在特定区域特异性的时期中差异预测的错过和更快的响应。这些结果表明，唤醒的减少会导致清醒期间局部睡眠侵入，这可能与冲动性和迟钝性有关。