XiaoMi-AI文件搜索系统
World File Search System心理负荷
评估佩戴耳机的脑电图系统在记录听觉诱发电位和心理负荷评估方面的作用
便携式神经成像技术的进步为深入了解日常行为背后的神经动力学和认知过程开辟了新的机会。在本研究中，我们评估了耳机式脑电图 (EEG) 系统对监测心理负荷的相关性。参与者 (N=12) 被指示在执行多属性任务电池 (MATB) 时注意偶尔出现的听觉警报，该任务电池的难度分为三种条件来操纵心理负荷。由听觉警报呈现引发的 P300 事件相关电位 (ERP) 被用作可用注意力资源的探测。在实验条件下比较了 P300 ERP 的幅度和延迟。我们的研究结果表明，可以使用耳机式 EEG 系统捕获 P300 ERP 成分。此外，对警报的神经反应可用于在单次试验水平上以高精度 (超过 80%) 对心理负荷进行分类。我们的分析表明，海绵传感器获取的信噪比在整个记录过程中保持稳定。这些结果突出了便携式神经成像技术在神经辅助应用开发中的潜力，同时也强调了目前将 EEG 传感器集成到日常生活可穿戴技术中存在的局限性和挑战。总的来说，我们的研究为越来越多的研究做出了贡献，这些研究探索了可穿戴神经成像技术在人类研究中的可行性和有效性
使用 MUSE 2 低成本系统记录的心脏和神经动态对模拟飞行操作期间的心理负荷进行分类
低成本、高便携性生理系统的进步为监测人类在日常生活活动和驾驶飞机等更复杂任务中的认知过程提供了良好的机会。Muse 2 系统结合了脑电图 (EEG) 和光电容积描记法 (PPG) 传感器，可以提取时域、频域和心率中的神经动力学特征。在一项研究中，我们为五名飞行员配备了 Muse 2 系统，让他们执行低负荷和高负荷交通模式任务以及被动听觉异常任务。组级分析显示，与低负荷条件相比，参与者在高负荷下表现出更高的平均心率、更低的 alpha 波段功率谱密度、更低的 P300 幅度。这些结果与之前在高度控制的环境和研究级仪器中进行的实验室研究一致。基于 EEG 频率特征，在单次试验基础上对两种水平的心理工作负荷进行分类的准确率达到 93.2%。事后分析显示，分类器主要依赖于 beta 和 gamma 波段的运动伪影特征。使用心率和 ERP 特征的分类器分别达到 76% 和 77.8% 的分类准确率。尽管该系统很有趣，但它在移动和神经人体工程学应用方面存在一些局限性，特别是电极数量有限，阻碍了使用先进的信号处理技术来解决信号中的噪声和伪影。
使用脑电图测量心理负荷的影响和解释对适当人工智能依赖的影响
摘要。人们期待人工智能能改善人类在各个领域的决策能力，尤其是高风险、困难的任务。然而，人类对人工智能建议的依赖往往是不恰当的。解决这个问题的常用方法是向决策者提供有关人工智能输出的解释，但迄今为止结果好坏参半。人们往往不清楚何时可以适当地依赖人工智能，何时解释可以提供帮助。在这项工作中，我们进行了一项实验室实验（N = 34），以研究人类对（可解释的）人工智能的依赖程度如何取决于不同决策难度引起的心理负荷。我们使用脑电图（Emotiv Epoc Flex 头罩，32 个湿电极）来更直接地测量参与者的心理负荷，而不是自我评估。我们发现，决策的难度（由诱发的心理负荷表明）强烈影响参与者适当依赖人工智能的能力，这通过相对自力更生、相对人工智能依赖以及有无人工智能的决策准确性来评估。虽然依赖对于低脑力负荷决策是合适的，但参与者在高脑力负荷决策中容易过度依赖。在这两种情况下，解释都没有显著影响。我们的结果表明，应该探索常见的“推荐和解释”方法的替代方案，以帮助人类在具有挑战性的任务中做出决策。
引入心理负荷评估以设计虚拟现实训练场景
由于虚拟现实 (VR) 模拟的灵活性和可重复性，训练是虚拟现实 (VR) 的主要用例之一。然而，在训练场景设计中，用户的认知状态，特别是心理工作量 (MWL) 的使用仍然很大程度上尚未得到探索。在本文中，我们建议在设计涉及 VR 中多个并行任务的复杂训练场景时考虑 MWL。所提出的方法基于对训练应用中每个潜在任务配置引起的 MWL 的评估。评估之后，将使用生成的模型来创建能够随时间调节用户 MWL 的训练场景。基于多属性任务电池 II 的 VR 飞行训练模拟器说明了这种方法，它征求不同的认知资源，能够生成 12 种不同的任务配置。进行了第一项用户研究 (N = 38)，使用自我报告和绩效测量来评估每种任务配置的 MWL。然后使用此评估来生成三个训练场景，以便随着时间的推移诱导不同级别的 MWL。第二项用户研究 (N = 14) 证实，所提出的方法能够随着时间的推移在每个训练场景中诱导预期的心理工作量。这些结果为进一步研究如何使用 MWL 调制来改进 VR 训练应用铺平了道路。
使用集成生理传感器实时识别用户心理负荷 - VR HMD
本文介绍了一种通过定制带有生理传感器的商用 HMD 来实时识别虚拟现实中用户心理工作量的“一体化”解决方案。首先，我们介绍了构建系统所采用的硬件和软件解决方案。其次，我们详细介绍了用于自动识别用户心理工作量的机器学习方法，这些方法基于著名的随机森林算法。为了收集数据来训练系统，我们对 75 名参与者进行了广泛的用户研究，使用 VR 飞行模拟器来诱导不同程度的心理工作量。与之前根据标准化任务（例如 n-back 任务）或预定义任务难度标记数据的研究不同，参与者在实验过程中被询问他们感知到的心理工作量水平。利用收集到的数据，我们能够训练系统以对四种不同程度的心理工作量进行分类，准确率高达 65%。此外，我们讨论了信号标准化程序的作用、不同生理信号对识别准确度的贡献，并将使用嵌入 HMD 中的传感器获得的结果与商业级系统进行比较。初步结果表明，我们的流程能够实时识别心理工作量。总之，我们的结果表明，这种将生理传感器直接嵌入 HMD 的一体化方法是实现
人类心理负荷：一项调查和一个新的包容性定义
人类心理负荷可以说是人因工程学中最常被提及的多维结构，在神经科学和神经人体工程学中也得到了发展。其特征存在不确定性，这促使人们设计和开发计算模型，因此最近计算机科学学科积极支持该模型。然而，它在人类绩效预测中的作用是有保证的。这项工作旨在通过考虑、定义、测量技术以及应用，综合人类心理负荷评估的当前最新水平。研究结果表明，尽管相关研究工作越来越多，但似乎尚未完全建立单一、可靠且普遍适用的心理负荷研究框架。造成这种差距的一个原因是存在大量基于不同理论假设的操作定义，而这些假设很少被集体研究。第二个原因是，三种主要测量类别（即自我报告、任务绩效和生理指标）已被单独或成对使用，但很少一起使用。多种定义相互补充，我们提出了一种新颖的包容性心理工作量定义，以支持下一代基于实证的研究。同样，通过综合运用生理、任务绩效和自我报告措施，可以对
体验性心理负荷、可用性感知、二者的相互作用及其对任务绩效的影响
过去在 HCI 领域的研究已经产生了许多评估交互系统可用性的程序。在这些程序中，人们倾向于忽略用户的特征、上下文的各个方面以及任务的特殊性。建立一个包含这些特征的凝聚模型并不是一件容易的事情。在人为因素中，一个被大量引用的概念是人类的心理负荷。对它的评估是预测人类表现的基础。尽管可用性和心理负荷有多种用途，但对它们之间的关系的探索却不多。这项实证研究的重点是 I）对这种关系的研究和 II）对这两个概念对人类表现的影响的研究。进行了一项用户研究，参与者在三个流行的网站上执行一组信息搜索任务。对可用性和心理负荷进行了深入的相关性分析，分析了任务、用户和客观任务表现类别 (I)。基于不同的学习策略，采用了多种监督机器学习技术来构建模型，旨在预测任务表现类别 (II)。研究结果有力地表明，可用性和心理工作量是两个不重叠的结构，它们可以联合使用来大大提高对人类表现的预测。
比较腹腔镜检查期间视觉和听觉次要任务对心理负荷的影响
推荐引用 推荐引用 Corcoran, James P.. “比较腹腔镜检查期间视觉和听觉次要任务之间的心理负荷影响”（2019 年）。理学硕士 (MS)，论文，心理学，Old Dominion University，DOI：10.25777/kv21-7v83 https://digitalcommons.odu.edu/psychology_etds/230
驾驶员心理负荷等级划分 - MDPI
摘要：心理负荷 (MW) 表示执行并发任务所需的大脑资源量。鉴于 MW 与交通事故风险的相关性，对高级驾驶辅助系统而言，MW 的评估至关重要。在本研究中，在模拟环境中驾驶时对参与者进行了两项认知测试（数字广度测试 - DST 和 Ray 听觉言语学习测试 - RAVLT）。选择这些测试来调查驾驶员对预定认知负荷水平的反应，以对 MW 进行分类。同时使用红外 (IR) 热成像和心率变异性 (HRV) 来获取与受试者心理生理相关的特征，以便为机器学习 (ML) 分类器提供信息。基于单峰 IR/单峰 HRV/多峰 IR + HRV 特征比较了六类模型。基于多模态 IR + HRV 特征的分类器达到了最佳分类器性能（DST：准确度 = 73.1%，灵敏度 = 0.71，特异性 = 0.69；RAVLT：准确度 = 75.0%，平均灵敏度 = 0.75，平均特异性 = 0.87）。基于单模态 IR 特征的分类器也表现出高性能（DST：准确度 = 73.1%，灵敏度 = 0.73，特异性 = 0.73；RAVLT：准确度 = 71.1%，平均灵敏度 = 0.71，平均特异性 = 0.85）。这些结果证明了使用完全非接触式和非侵入式技术来高精度评估驾驶员 MW 水平的可能性，这代表了交通事故预防领域的最新进展。
估计分布变化以预测基于脑电图的心理负荷评估中的跨受试者泛化
在现实条件下评估心理负荷是确保执行需要持续注意力的任务的工人表现的关键。先前的文献已经为此采用了脑电图 (EEG)，尽管已经观察到脑负荷与脑电图的相关性因受试者和身体压力而异，因此很难设计出能够同时呈现不同用户可靠表现的模型。领域适应包括一组策略，旨在提高机器学习系统在训练时对未见数据的性能。然而，这些方法可能依赖于对所考虑的数据分布的假设，而这些假设通常不适用于 EEG 数据的应用。受这一观察的启发，在这项工作中，我们提出了一种策略来估计从不同受试者收集的数据中观察到的多种数据分布之间的两种差异，即边际和条件偏移。除了阐明对特定数据集成立的假设之外，使用所提出的方法获得的统计偏移估计值还可用于研究机器学习管道的其他方面，例如定量评估领域适应策略的有效性。具体来说，我们考虑了从在跑步机上跑步和在固定自行车上踩踏板时执行心理任务的个体收集的脑电图数据，并探索了通常用于减轻跨受试者变异性的不同标准化策略的影响。我们展示了不同的标准化方案对统计变化的影响，以及它们与在训练时对未见过的参与者进行评估的心理工作量预测准确性的关系。