XiaoMi-AI文件搜索系统
World File Search System工作量
验证 YMCA 为亚极限自行车测力计测试设定工作量指南
表 1.周期测试协议 ...................................................................................................... 35 表 2.受试者特征（组合） ...................................................................................... 41 表 3.受试者特征（按年龄划分的男性） ...................................................................... 4 表 4.受试者特征（按年龄划分的女性） ...................................................................... 3 表 5.一般结果（所有受试者） ...................................................................................... 6 表 6.结果和卡方（男性和女性） ............................................................................. 47 表 7.结果和卡方（工作量列） .............................................................................48 表 8.结果和卡方（年龄和性别） ............................................................................. 49 表 9.结果和卡方（健康水平） ................................................................ 50 表 10。所有受试者的工作量指南成功率 .............................................. 52 表 11。男性和女性的工作量指南成功率 .............................................. 53 表 12。所有工作量列的工作量指南成功率 .............................................. 54 表 13。年龄和性别综合的工作量指南成功率 .......................................... 55 表 14。所有健康水平的工作量指南成功率 .............................................. 56
使用功能性大脑连接和机器学习进行基于 EEG/fNIRS 的工作量分类
摘要：为了提高生产率或预防事故，人们迫切需要一种技术来估计人类在某些活动期间的心理负荷。大多数研究都集中于单一的生理感知方式，并使用单变量方法来分析多通道脑电图 (EEG) 数据。本文提出了一个新框架，该框架依赖于混合脑电图 - 功能性近红外光谱 (EEG-fNIRS) 的特征，并由机器学习特征支持，以处理多级心理负荷分类。此外，我们建议在三个频段的时间和频域中使用双变量功能性大脑连接 (FBC) 特征，而不是常用的用于脑电图记录的单变量功率谱密度 (PSD)：delta (0.5-4 Hz)、theta (4-7 Hz) 和 alpha (8-15 Hz)。借助 fNIRS 氧合血红蛋白和脱氧血红蛋白 (HbO 和 HbR) 指标，FBC 技术显著提高了分类性能，使用公共数据集对 0-back 与 2-back 的准确率为 77%，对 0-back 与 3-back 的准确率为 83%。此外，地形和热图可视化表明，EEG 和 fNIRS 的区分区域在 0-back、2-back 和 3-back 测试结果之间存在差异。确定 EEG 和 fNIRS 区分心理工作量的最佳区域是不同的。具体而言，后区在 alpha 波段的后中线枕叶 (POz) EEG 中表现最佳，而 fNIRS 在右额叶区域 (AF8) 中具有优势。
被动脑电图脑计算机界面预测飞行模拟期间的心理工作量
本研究的目的是研究脑电图（EEG）脑部计算机界面（BCI），以监测虚拟现实（VR）飞行模拟过程中心理工作量的现实差异。许多航空事故与试点认知和任务需求与认知资源之间的不匹配有关。实时神经生理监测提供了一种方法，可以通过获得连续的客观测量，而无需增加飞行员的工作量，从而识别高工作量的精神状态。在VR飞行模拟期间的导航困难和通信任务改变了工作负载。分析了在模拟飞行过程中收集的EEG数据，以评估被动BCI的性能以分类工作负载水平。BCI方法以EEG工作量文献为指导。获得了75.9％的分类率，α和β频带最有用。结果表明，被动EEG-BCI可能是监控工作量和提高飞行安全性的有效策略。
ACT ARC 建议 20-1：管理与信息自动化相关的注意力和工作量
• 飞行管理系统（FMS） • 移动地图（MM） • 主飞行显示器（PFD） • 平视显示器（HUD） • 数据通信（飞机通信寻址和报告系统（ACARS）、管制员-飞行员数据链通信（CPDLC）） • 电子飞行包（EFB） • 机组警报系统（发动机指示和机组警报系统（EICAS）、电子中央飞机监视器（ECAM）） • 交通防撞系统（TCAS） • 增强型近地警告系统（EGPWS） 但出于本建议的目的，考虑范围仅限于那些支持飞行员任务、提高机组意识和通知决策的系统，但一般不用于控制飞机或其系统。主要用于协助飞行员引导飞机完成安全性能所需机动（控制自动化）的系统和主要显示直接感应信息的系统（例如电子姿态方向指示器）将不在本建议的考虑范围内。由于范围缩小，以下系统未包括在讨论中：
带注释的参考书目：具有不同经验水平的飞行员的认知工作量
估计此次信息收集的公共报告负担平均为每份回应 1 小时，包括审查说明、搜索现有数据源、收集和维护所需数据以及完成和审查信息收集的时间。请将有关此负担估计或本次信息收集任何其他方面的评论（包括减轻负担的建议）发送至国防部华盛顿总部服务处信息行动和报告局 (0704-0188)，1215 Jefferson Davis Highway, Suite 1204, Arlington, VA 22202-4302。受访者应注意，尽管法律有任何其他规定，但如果信息收集未显示当前有效的 OMB 控制编号，则任何人均不会因未遵守信息收集而受到任何处罚。请不要将您的表格寄回上述地址。1.报告日期 (DD-MM-YYYY) 2.报告类型 3.涵盖日期 (从 - 到) 19-11-2021 参考书目
Yukawa-21理论物理学的超级计算机很容易支持从天文到量子的工作量
性能因使用，配置和其他因素而异。在www.intel.com/performanceIndex上了解更多信息。性能结果基于配置中显示的日期的测试，并且可能无法反映所有公开可用的更新。有关配置详细信息，请参见备份。没有绝对安全的产品或组件。您的成本和结果可能会有所不同。英特尔不控制或审核第三方数据。您应该咨询其他来源以评估准确性。您的成本和结果可能会有所不同。Intel Technologies可能需要启用硬件，软件或服务激活。©Intel Corporation。英特尔，英特尔徽标和其他英特尔商标是英特尔公司或其子公司的商标。其他名称和品牌可能被称为他人的财产。052021/rjmj/rl/pdf请回收347108-001US
截至 2023 年 6 月 30 日的海军工程司令部太平洋工作量预测
项目、设计和施工工具列表旨在提高您对 NAVFAC PACIFIC 机会的认识。如果您对列出的任何项目感兴趣，请访问 www.SAM.gov。位置可能不反映项目的实际物理位置。在发布项目概要后确认项目位置。对于设计代理，IH =
截至 2024 年 6 月 30 日的海军工程司令部西南工作量预测
项目、设计和施工工具列表旨在提高您对 NAVFAC Southwest 机会的认识。如果您对列出的任何项目感兴趣，请访问 www.SAM.gov。位置可能不反映项目的实际物理位置。项目概要发布后，请在其中确认项目位置。对于设计代理，IH = NAVFAC Southwest 和 AE = 建筑师/工程师顾问免责声明：此处包含的信息不能保证政府针对当前或未来要求的行动方针。所提供的信息反映了当前政府的意图；但可能会发生变化。发布的招标（如果发布）是确定政府实际要求时应依赖的唯一文件。
截至 2023 年 1 月 24 日的海军西北司令部工作量预测
项目、设计和施工工具列表旨在提高您对 NAVFAC PACIFIC 机会的认识。如果您对列出的任何项目感兴趣，请访问 www.SAM.gov。位置可能不反映项目的实际物理位置。在发布项目概要后确认项目位置。对于设计代理，IH =
使用脑电图信号评估现实场景中记忆检索时的工作量
摘要。目的：脑电图 (EEG) 作为一种生理测量手段，在人因研究中越来越受欢迎，因为它客观、不易产生偏见，并且能够评估认知状态的动态。本研究调查了参与者在单显示器和双显示器配置下执行典型办公室任务时记忆工作量与 EEG 之间的关联。我们预计单显示器配置的记忆工作量会更高。方法：我们设计了一个实验，模拟受试者执行某些办公室工作的场景，并检查受试者在两种不同的办公室设置中是否经历了不同程度的记忆工作量：1）单显示器设置和 2）双显示器设置。我们使用 EEG 频带功率、相互信息和一致性作为特征来训练机器学习模型，以对高记忆工作量状态和低记忆工作量状态进行分类。主要结果：研究结果表明，这些特征表现出显着差异，并且在所有参与者中都是一致的。我们还在先前的研究中通过 Sternberg 任务收集的不同数据集验证了这些 EEG 特征的稳健性和一致性。意义：该研究发现 EEG 与个体的记忆工作量相关，证明了使用 EEG 分析在开展现实世界的神经人体工程学研究中的有效性。