XiaoMi-AI文件搜索系统
World File Search System工作负荷
关于人类认知工作负荷测量的调查......
作者地址：Thomas Kosch，柏林大学，德国柏林，thomas.kosch@hu-berlin.de； Jakob Karolus，德国人工智能研究中心，德国凯泽斯劳滕，jakob.karolus@dfki.de；约翰内斯·扎格曼 (Johannes Zagermann)，康斯坦茨大学，德国康斯坦茨，johannes.zagermann@ uni-konstanz.de； Harald Reiterer，康斯坦茨大学，德国康斯坦茨，harald.reiterer@uni-konstanz.de； Albrecht Schmidt，慕尼黑大学，德国慕尼黑，albrecht.schmidt@ifi.lmu.de； Paweł W. Woźniak，瑞典哥德堡查尔姆斯理工大学，pawel.wozniak@chalmers.se。
道路环境如何影响驾驶员的工作负荷？
本文重点研究了驾驶员在乡村双车道公路上行驶时的工作负荷，这些公路的交通流量各不相同。研究的目的是研究一个可以代表驾驶努力的参数，该参数对干扰正常驾驶活动的外部因素非常敏感。为了解决这个问题，作者使用了一种特殊的仪器车辆来监测驾驶员的一些生理参数（如眼球运动和皮肤电化学电阻），并将其值与道路环境联系起来。结果非常有趣，并证实了只有当工作负荷与外部环境以及道路几何形状、交通、能见度等相关时，了解工作负荷才有助于提高道路安全。只有这样，道路管理人员才能推断出适当的信息，以规划和指导准确、高效的升级工作操作。© 2017 作者。由 Elsevier Ltd. 出版。同行评审由第 10 届国际科学会议 Transbaltica 2017：交通科学与技术组委会负责。
基于实时脑电图的认知工作负荷监测...
摘要 — 目标：认知工作负荷监控 (CWM) 可通过考虑操作员的认知状态来支持任务执行协助，从而增强人机交互。因此，我们提出了一种机器学习设计方法和数据处理策略，以在资源受限的可穿戴设备上实现 CWM。方法：我们的 CWM 解决方案基于边缘计算构建，该系统基于简单的可穿戴系统，只有四个脑电图 (EEG) 外围通道。我们根据来自 24 名志愿者的实验数据评估了我们的解决方案。此外，为了克服系统的内存限制，我们采用了一种优化策略来减小模型大小，并采用了多批次数据处理方案来优化 RAM 内存占用。最后，我们在最先进的可穿戴平台上实施了我们的数据处理策略，并评估了其执行情况和系统电池寿命。结果：我们对未见数据的 CWM 分类实现了 74.5% 的准确率和 74.0% 的灵敏度和特异性几何平均值。此外，与使用默认参数生成的模型相比，所提出的模型优化策略生成的模型小 27.5 倍，与单批数据处理相比，多批数据处理方案将 RAM 内存占用减少了 14 倍。最后，我们的算法仅使用 1.28% 的可用处理时间，从而使我们的系统实现了 28.5 小时的电池寿命。结论：我们提供了一种使用可穿戴设备的可靠且优化的 CWM 解决方案，
使用脑电图进行心理工作负荷估计...
E n i = [ e 1 i , e 2 i , ..., e C i ] ∈ R C 是时间戳 i 处的 EEG 信号，其中 i ∈ 1 , 2 , ..., W 。为了进行分析，我们将 EEG 转换为
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。
低水平和高水平脑力负荷之间的转换可以提高多任务处理能力
职业应用 复杂而动态的环境包括军事行动、医疗保健、航空和驾驶，要求操作员在不同程度的心理工作负荷之间无缝转换。然而，人们对工作负荷增加的速度如何影响多任务处理性能知之甚少，尤其是在现实任务中。我们评估了无人机 (UAV) 指挥和控制试验台的动态多任务环境中工作负荷的逐渐增加和突然增加，并将其与恒定工作负荷进行了比较。与工作负荷保持在低或高水平时相比，发现工作负荷转换可以提高响应时间和准确性。这些结果表明，工作负荷转换可以让操作员更好地调节心理资源。这些发现还可以为操作和技术的设计提供信息，以协助操作员管理认知资源，包括消除低工作负荷期间警惕性下降和高工作负荷期间数据过载的不利影响。
无人驾驶车辆系统工作负荷的基础
本文识别并描述了无人驾驶车辆系统中影响操作员工作负荷的因素。我们的目标是为开发用于设计和操作复杂人机系统的工作负荷模型提供基础。1986 年，Hart [1] 开发了一种基础性的工作负荷概念模型，该模型为应用最为广泛的工作负荷测量技术——NASA 任务负荷指数 [2] [3] 奠定了基础。然而，自那时以来，模型和因素识别以及工作负荷控制措施取得了许多进展。此外，鉴于技术进步（包括自动化和自主性），需要进一步盘点和描述影响人类工作负荷的因素。因此，我们提出了一个工作负荷构造的概念框架，并提出了可能影响操作员工作负荷的因素分类。这些因素称为工作负荷驱动因素，与各种系统元素（包括环境、任务、设备和操作员）相关。此外，我们还讨论了如何操纵工作负荷调节因素（例如自动化和界面设计）来影响操作员工作负荷。我们认为，在构建复杂的人机系统时，需要考虑工作量驱动因素、工作量调节因素以及驱动因素和调节因素之间的相互作用。
脑力负荷与……关系的调查
摘要 心理工作负荷反映了满足客观和主观绩效标准所需的注意力资源水平，可能受到任务需求、外部支持和过去经验的影响。心理工作负荷和职业疲劳通常被认为是工作场所事故的主要原因。本研究旨在调查德黑兰一家通信服务公司行政人员的工作负荷与职业疲劳之间的关系。在本研究中，向 94 名行政服务员工（69 名女性和 25 名男性）提供了一份人口统计特征问卷，包括年龄、体重指数 (BMI)、教育水平和工作经验。然后使用瑞典职业疲劳清单问卷来确定工作疲劳。NASA-TLX 心理工作负荷问卷用于评估心理工作负荷。最后，数据通过SPSS 20版进行分析，进行描述性统计、Pearson相关性检验和ANOVA检验。结果表明，NASA-TLX女性的脑力负荷（59.14）大于男性（54.56）。结果还显示，瑞典职业疲劳量表（SOFI）女性（30.12）大于男性（28.12）。此外，Pearson相关性检验表明，NASA-TLX与SOFI之间存在显著相关性（r=0.76，P<0.0001），随着脑力负荷的增加，职业疲劳也随之增加。换句话说，随着脑力负荷的增加，职业疲劳也随之增加。最近的一项研究结果显示，行政人员的脑力负荷与职业疲劳之间存在显著相关性，即随着脑力负荷的增加，职业疲劳也随之增加。关键词：心理工作负荷、职业疲劳、行政人员 引言 组织和人体工程学因素影响通信服务公司办公室工作人员的职业疲劳和心理工作负荷之间的关系。高工作负荷会给组织带来很多层面的成本，包括员工的工资下降
使用无线脑电图信号估计心理负荷
摘要：先前的研究已经证明了脑电图 (EEG) 在评估心理工作负荷方面的适用性。然而，开发可靠的跨任务、跨受试者和跨会话工作负荷分类模型仍然是一个挑战。在本研究中，我们使用无线 Emotiv EPOC 耳机评估了八名受试者和两项心理任务（即 n-back 和算术任务）的工作负荷。0-back 和 2-back 任务以及 1 位和 3 位加法分别被用作 n-back 和算术任务中的低和高工作负荷。使用功率谱密度作为特征，开发了一个信号处理和特征提取框架来对工作负荷级别进行分类。在 n-back 和算术任务中，会话内准确率分别达到 98.5% 和 95.5%。为了便于实时估计工作负荷，应用了快速域自适应技术，实现了 68.6% 的跨任务准确率。同样，我们在 n-back 和算术任务中分别获得了 80.5% 和 76.6% 的跨会话准确率，以及 74.4% 和 64.1% 的跨受试者准确率。尽管参与者数量有限，但该框架在跨受试者和任务方面具有很好的推广性，并为开发独立于受试者和任务的模型提供了一种有前途的方法。它还表明在认知监测中使用消费级无线 EEG 耳机实时估计工作量在实践中的可行性。
认知工作量评估方法 OCHMO-TB-032 ...
执行摘要 认知工作负荷是用户感知到的心理努力水平，受许多因素影响，特别是任务负荷和任务设计。工作负荷测量可以标准化评估任务的时间、空间、认知、感知和物理方面以及这些任务的机组人员界面是否设计和实施为相互支持。将机组人员界面和任务设计的工作负荷测量与其他性能指标（如可用性和设计引起的错误率）结合使用，有助于确保机组人员安全、成功和高效地操作系统。设计师在设计和制作界面或设计任务时需要考虑用户的工作负荷。低工作负荷水平与无聊和对任务的注意力下降有关，而高工作负荷水平与错误率增加和注意力集中有关，可能损害其他信息或任务（Sheridan，2002）。当人类既不无聊也不负担过重，并且工作和休息时间合理结合时，他们表现最佳。工作量评估应在工程设计生命周期的早期和经常性地进行，以便可以从数据驱动的角度做出相关的设计决策，确保机组人员的安全和性能。