XiaoMi-AI文件搜索系统
World File Search System工作负荷
用户飞行手册 - Velocity XL RG N99KT
HE V ELOCITY 是一款现代化、高性能定制远程飞机，采用最新的空气动力学和结构技术，具有良好的实用性、经济性、舒适性、简单性和飞行安全性。该飞机使用两种经过验证的航空发动机之一，即 Lycoming IO540（260HP）和 Lycoming IO540（300HP）。它有一个交流发电机供电的电气系统，并配备电动发动机启动器。其驾驶舱布局旨在补充飞行员的工作负荷，左侧控制台上有油门、混合器、化油器加热、俯仰配平和着陆制动器控制装置，中央控制台上有侧杆控制器。座椅提供合适的扶手、腰部、大腿和头枕支撑，提供传统飞机座椅所不具备的舒适感。这使长时间的飞行变得轻松无疲劳。大型机翼边条的内侧部分被用作行李区，可从前后驾驶舱进入。这些行李区与特殊手提箱和其他储存区相结合，提供了近 20 立方英尺的行李空间。该区域还可用于添加燃料，使总容量超过 90 加仑。Velocity 的设计载荷系数为 +9 G/-7 G，测试机身载荷为 + 6 G。 Velocity 飞机使用美国宇航局开发的翼尖小翼系统，该系统由每个翼尖的弧形表面组成。这旨在抵消翼尖涡流并减少诱导阻力。Velocity 在每个翼尖小翼中使用单向方向舵，利用翼尖弧度来调整方向舵力。这会导致在低速时使用方向舵时产生的力较小，而在高速时不需要方向舵时产生的力较大。
基于脑电功能连接与深度学习的主体特定认知负荷分类
摘要：认知工作量是涉及动态决策和其他实时和高风险情况的任务中的关键因素。神经成像技术长期以来一直用于估计认知工作量。与 fMRI 和其他神经成像方式相比，EEG 具有便携性、成本效益和高时间分辨率，因此使用 EEG 估计个人工作量的有效方法至关重要。已知多种认知、精神和行为表型与“功能连接”有关，即不同大脑区域之间的相关性。在这项工作中，我们探索了使用不同的无模型功能连接指标以及深度学习来有效分类参与者的认知工作量的可能性。为此，在 19 名参与者执行传统 n-back 任务时收集了他们的 64 通道 EEG 数据。这些数据（预处理后）用于提取功能连接特征，即相位转移熵 (PTE)、相互信息 (MI) 和相位锁定值 (PLV)。选择这三个特征对有向和非有向无模型功能连接指标进行全面比较（允许更快的计算）。利用这些特征，使用三个深度学习分类器，即 CNN、LSTM 和 Conv-LSTM 将认知工作量分类为低（1-back）、中（2-back）或高（3-back）。由于 EEG 和认知工作量的受试者间差异很大，并且最近的研究强调基于 EEG 的功能连接指标是特定于受试者的，因此使用了特定于受试者的分类器。结果显示，MI 与 CNN 的组合具有最先进的多类分类准确率，为 80.87%，其次是 PLV 与 CNN 的组合（75.88%）和 MI 与 LSTM 的组合（71.87%）。PLV 与 Conv-LSTM 的组合和 PLV 与 CNN 的组合实现了最高的受试者特定性能，准确率为 97.92%，其次是 MI 与 CNN 的组合（95.83%）和 MI 与 Conv-LSTM 的组合（93.75%）。结果强调了基于 EEG 的无模型功能连接指标和深度学习相结合对分类认知工作负荷的有效性。这项工作可以进一步扩展，以探索在实时、动态和复杂的现实场景中对认知工作负荷进行分类的可能性。
使用基于脑电图的功能连接和深度学习进行特定主题的认知工作量分类
摘要：认知工作量是涉及动态决策和其他实时高风险情况的任务中的一个关键因素。神经成像技术长期以来一直用于估计认知工作量。与 fMRI 和其他神经成像方式相比，EEG 具有便携性、成本效益和高时间分辨率，因此使用 EEG 估计个人工作量的有效方法至关重要。已知多种认知、精神和行为表型与“功能连接”有关，即不同大脑区域之间的相关性。在这项工作中，我们探索了使用不同的无模型功能连接指标以及深度学习来有效分类参与者的认知工作量的可能性。为此，在 19 名参与者执行传统 n-back 任务时收集了他们的 64 通道 EEG 数据。这些数据（预处理后）用于提取功能连接特征，即相位转移熵 (PTE)、相互信息 (MI) 和相位锁定值 (PLV)。选择这三个特征对有向和非有向无模型功能连接指标进行全面比较（允许更快的计算）。利用这些特征，使用三个深度学习分类器，即 CNN、LSTM 和 Conv-LSTM 将认知工作量分类为低（1-back）、中（2-back）或高（3-back）。由于 EEG 和认知工作量的受试者间差异很大，且最近的研究强调基于 EEG 的功能连接指标是特定于受试者的，因此使用了特定于受试者的分类器。结果显示，MI 与 CNN 的组合具有最先进的多类分类准确率，为 80.87%，其次是 PLV 与 CNN 的组合（为 75.88%）和 MI 与 LSTM 的组合（为 71.87%）。受试者特定性能最高的是 PLV 与 Conv-LSTM 的组合，以及 PLV 与 CNN 的组合，准确率为 97.92%，其次是 MI 与 CNN 的组合（准确率为 95.83%）和 MI 与 Conv-LSTM 的组合（准确率为 93.75%）。结果突出了基于 EEG 的无模型功能连接指标与深度学习相结合对分类认知工作负荷的有效性。这项工作可以进一步扩展，以探索在实时、动态和复杂的现实场景中对认知工作负荷进行分类的可能性。
脑机神经反馈：机器人技术还是电刺激？
当前，人们正在研究将脑机接口 (BMI) 等神经技术用作神经康复训练设备，用于不再可能进行主动运动的情况。例如，当手部因中风而瘫痪时，机器人矫形器、功能性电刺激 (FES) 或二者的组合可提供运动辅助；即根据运动意图或想象提供相应的感觉和本体感受神经反馈，从而闭合感觉运动回路。控制这些设备可能具有挑战性，甚至令人沮丧。然而，目前尚未直接比较这两种反馈模式（机器人技术与 FES）对用户的工作负荷。20 名健康受试者通过手指伸展的动觉运动意象控制 BMI。在随机交叉组块设计中，通过机器人矫形器或 FES 将 EEG β 频带（17-21 Hz）中与运动意象相关的感觉运动失同步转变为对侧手的被动张开。通过将这些工作量组成部分相互比较（权重）、单独评估（评级）并估计各自的组合（调整后的工作量评级），使用 NASA 任务负荷指数 (NASA-TLX) 问卷记录了心理需求、体力需求、时间需求、表现、努力和挫折水平。将研究结果与 EMG 反馈的主动手部运动的任务相关方面进行了比较。此外，还比较了两种反馈模式的 BMI 性能。在对不同组成部分进行加权和评级时，机器人和 FES 反馈的工作量相似。对于机器人和 FES，心理需求是最相关的组成部分，并且高于 EMG 反馈的主动运动。在调整后的工作量评级中，FES 任务导致的体力需求 (p = 0.0368) 和时间需求 (p = 0.0403) 明显高于机器人任务。值得注意的是，FES 任务的体力需求比 EMG 任务接近 2.67 倍，但心理需求比机器人任务接近 6.79 倍。平均而言，与 FES 任务相比，机器人任务中达到的发病次数明显更多（17.22 次发病，SD = 3.02 vs. 16.46，SD = 2.94（20 次机会中）；p = 0.016），尽管 BMI 分类准确度之间没有显著差异（p = 0.806；CI = - 0.027 至 - 0.034）。这些发现可能有助于神经康复界面的设计，使其更以人为本，实现更自然的双向交互，并让用户接受。
颈源性头痛的患病率...
第一实习生，第二教授兼肌肉骨骼物理治疗系主任 LSFPEF 物理治疗学院，尼格迪，浦那，印度 摘要背景 - 从颈部骨结构或软组织传导至大脑的慢性半头痛被称为颈源性头痛综合征。CGH 有别于其他头痛的特点是侧锁痛、因颈部肌肉受压而加剧的疼痛以及头部运动。在重度电脑用户中，工作时出现颈部问题的频率越来越高。颈部疼痛可能由多种因素引起，但长时间坐着没有休息时间、不活动、姿势控制不佳以及工作时身体、精神和心理压力增加是办公室员工中最常见的因素。将以本次患病率调查的结果为基础，进一步开展针对电脑用户 CGH 的干预研究。方法 - 已获得伦理批准。所选受试者的年龄从 18 岁到 40 岁不等，每周工作时间至少为 32 至 42 小时。根据国际头痛学会的 ICHD-3 和 Biondi 核对表对颈源性头痛的标准，创建了一份在线问卷，并分发给电脑用户。使用视觉模拟量表测量疼痛强度。进行统计分析，并将结果制成表格。结果 - 这项观察性研究纳入了 110 名年龄在 18 岁到 40 岁之间的电脑用户，其中 57.3% 为男性，42.7% 为女性。根据国际头痛学会的 ICHD-3 和 Biondi 核对表 CGH 标准，34.85% 的用户患有 CGH。结论 - 根据 ICHD-3 和 Biondi 核对表标准，研究结果显示 34.85% 的电脑用户患有颈源性头痛。关键词：头痛、颈痛、颈源性头痛、Biondi 清单简介颈源性头痛是一种综合征，其特征是来自骨结构或颈部软组织的慢性半头痛。 [4] 国际头痛学会 5 发布了第二版《国际头痛疾病分类》，其中确定了 14 种不同类型和子分类的头痛。 [5] 原发性头痛和继发性头痛是最常见的两种头痛类型。 [5]。原发性头痛包括血管来源的头痛（丛集性头痛和偏头痛）以及压力引起的紧张性头痛。 [5]。颈源性头痛是由颈部和头部周围的肌肉骨骼疾病引起的。 [5]。CGH 与其他头痛的区别是侧锁痛、颈部肌肉受压和头部运动会加剧疼痛 [1]。疼痛从头部后部向前放射。 [1] CGH 是由上颈椎的感觉输入汇聚到三叉神经脊核引起的，这些感觉输入包括：上颈椎小关节，上颈肌、C2-3 椎间盘、椎动脉和颈内动脉、脊髓上部硬膜和颅后窝。 [6] 肌肉触发点通常位于枕下、颈部和肩部肌肉，当受到手动或物理刺激时，这些触发点会导致疼痛传导至头部。 [4] 颈部疾病影响大约 30% 的不同年龄段的男性和 50% 的女性。 [12] 颈部疼痛和僵硬分别影响全球大约 9.5% 和 17% 的人口。 [13] 与工作相关的颈部问题现在在重症监护室工作中很常见此外，颈部疼痛是由多种因素引起的，尤其是对于办公室工作人员，因为长时间坐着休息不足、不活动、姿势控制不佳以及工作时身体、精神和心理压力增加 [11]。计算机技术取得了重大进步，工业也转向了以服务为导向的经济。[8]。为了将企业利润损失降至最低，企业裁员，导致久坐不动的工作增多，从而对留在公司员工的生产力要求更高，因颈部疼痛而请病假的人数也随之增加。[8]。电脑用户 [14]。由于工作负荷增加和对姿势支撑的需求，工作相关性肌肉骨骼疾病 (WRMSD) 有所增加，其中颈部疼痛占这些健康问题的 30-40%。[8,10]。这意味着越来越多的人使用电脑来工作和娱乐，我们需要找到更好的方法来应对长时间使用电脑引起的颈部疼痛。[8 [8]。目的 - 研究电脑用户中颈源性头痛的患病率。由于负荷增加和对姿势支撑的需求，与工作相关的肌肉骨骼疾病 (WRMSD) 有所增加，其中颈椎疼痛占这些健康问题的 30-40%。[8,10]。这意味着越来越多的人使用电脑来工作和娱乐，我们需要找到更好的方法来处理长时间使用电脑引起的颈部疼痛。[8 [8]。目的 – 研究电脑用户中颈源性头痛的患病率。由于负荷增加和对姿势支撑的需求，与工作相关的肌肉骨骼疾病 (WRMSD) 有所增加，其中颈椎疼痛占这些健康问题的 30-40%。[8,10]。这意味着越来越多的人使用电脑来工作和娱乐，我们需要找到更好的方法来处理长时间使用电脑引起的颈部疼痛。[8 [8]。目的 – 研究电脑用户中颈源性头痛的患病率。