XiaoMi-AI文件搜索系统
World File Search System心理负荷
基于心理生理指标的空中交通管制员心理负荷评估
摘要。本文介绍了一项更广泛研究的一部分，该研究旨在识别和监测职业风险，以及早发现员工身心健康可逆性损伤的迹象和症状、工作能力下降以及工作实践中出现缺陷和危险行为，这是由于高强度的神经心理或身体专业努力造成的。研究结果旨在强调：试验对象所经历的专业努力因素；无法避免的职业风险因素，由于工作量的性质和完成工作的条件，这些因素最终会导致工作能力下降、过早磨损、与工作有关的疾病和工作场所的危险行为，对员工和/或其他人的安全和健康造成严重后果；预防和减少已发现的工作和压力因素的措施，以确保工作场所的健康和安全、最佳利用人力资源和在整个职业生涯中保持工作能力。研究结果可以应用于确保职业健康和安全法规的行动中，并根据现行立法监测员工的健康状况和工作能力。
基于生理特征的飞行员-无人机协同应用心理负荷评估
有人-无人协同 (MUM-T) 可定义为空中机器人 (人工智能体) 与人类飞行员 (自然智能体) 的协同，其中人类智能体不是权威控制者，而是合作的团队成员。据我们所知，尚无研究使用神经人体工程学方法 (即使用生理测量) 评估 MUM-T 场景对操作员心理工作量 (MW) 的影响，也未通过对这些测量进行分类来提供 MW 估计。此外，分类流程中很少考虑生理信号的非平稳性的影响，特别是在验证设计中。因此，本研究有两个目标：(i) 基于生理信号表征和估计 MUM-T 设置中的 MW；(ii) 评估验证程序对分类准确性的影响。在此背景下，开发了一个搜索和救援 (S&R) 场景，其中 14 名参与者扮演飞行员的角色，与三架 UAV（无人驾驶飞行器）合作。任务旨在诱发高和低 MW 水平，使用自我报告、行为和生理指标（即大脑、心脏和眼球运动特征）进行评估。基于这些生理特征的各种组合的监督分类管道进行了基准测试，并比较了两种验证程序（即不考虑时间的传统程序与考虑时间的生态程序
利用脑电信号识别座舱内飞行员心理负荷
摘要：商用飞机驾驶舱是一个自然的多任务工作环境，其中经常以各种形式出现中断，在许多情况下导致航空事故报告。自动表征飞行员的工作负荷对于防止此类事故至关重要。此外，尽可能最小化生理传感器网络仍然是一项挑战和要求。脑电图 (EEG) 信号与特定的认知和心理状态（例如工作负荷）显示出高度相关性。但是，文献中没有足够的证据来验证模型在新的受试者执行与模型训练期间的工作负荷相似的任务的情况下的泛化能力。在本文中，我们提出了一个卷积神经网络，用于在连续性能任务测试中对不同心理负荷的 EEG 特征进行分类，该测试部分测量工作记忆和工作记忆容量。我们的模型在一般人群层面有效，并且能够将任务学习转移到模拟作战环境中的飞行员心理工作量识别。
基于脑电独立成分特征的心理负荷分类方法
摘要：脑力负荷过大会降低工作效率，脑力负荷过低会造成人力资源的浪费。研究操作员的脑力负荷状况具有十分重要的意义。现有的脑力负荷分类方法是基于脑电图（EEG）特征的，由于脑电电极记录到的通道信号是一组混合的脑电信号，类似于多源混合语音信号，其分类准确率往往较低。直接对混合信号进行分析以区分脑电信号的特征是不明智的。本研究借鉴混合语音信号的盲源分离（BSS）思想，提出了一种基于脑电独立分量（ICs）特征的脑力负荷分类方法。该方法利用独立分量分析（ICA）来获取纯净的信号，即ICs。该方法直接利用IC的能量特征进行特征提取，直接提取IC的能量特征对脑力负荷进行分类。与现有的解决方案相比，所提出的方法可以获得更好的分类结果。所提出的方法可能为实现快速、准确、自动的脑力负荷分类提供一种途径。
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
驾驶事件导致心理负荷增加后电生理和性能变化
本研究旨在调查如何利用驾驶表现以及电生理和主观数据来评估驾驶员在驾驶过程中的心理工作负荷。参与者必须在驾驶模拟器上的两个会话（基线和实验）内以安全且恒定的距离跟随前导车辆并处理两个特定驾驶事件（超车和行人事件）。在实验会话中，增加了交通密度和时间压力（超车事件）以及时间压力（行人事件），以引起更高的工作负荷。参与者在每次驾驶会话后填写 NASA TLX 问卷。每次事件后在两个时间窗口（30 秒和 5 分钟）内分析电生理参数（SCL、ECG）、驾驶表现（SDLP 和对前导车辆速度变化的响应：连贯性、延迟和增益）。结果表明，表现和生理变量均因交通状况和时间压力而不同。此外，虽然在很长一段时间内（事件发生后 5 分钟）系统地观察到了性能变化，但实验过程中获得的平均 SCL 数据的影响与事件发生后 30 秒内的基线值明显不同。从心理负荷的角度讨论了结果，并提出了有关可以监控驾驶员心理状态的安全系统的建议。
评估脑电图 alpha-to-theta 和 theta-to-alpha 波段比值作为心理负荷指标
许多研究表明，EEG 波段，特别是 alpha 和 theta 波段，是潜在有用的认知负荷指标。然而，很少有研究可以证实这一说法。本研究旨在评估和分析 alpha-theta 和 theta-alpha 波段比率对支持创建能够区分自我报告的心理负荷感知的模型的影响。使用原始 EEG 数据集，其中 48 名受试者以多任务 SIMKAP 测试的形式进行静息活动和诱导任务要求练习。波段比率是根据额叶和顶叶电极簇设计的。构建和模型测试是使用从计算的比率随时间提取的频率和时间域的高级独立特征进行的。模型训练的目标特征是从休息和任务需求活动后收集的主观评级中提取的。模型是通过使用逻辑回归、支持向量机和决策树构建的，并使用准确度、召回率、精确度和 f1 分数等性能指标进行评估。结果表明，使用从 alpha-theta 比率和 theta-alpha 比率中提取的高级特征训练的模型具有较高的分类准确率。初步结果还表明，使用逻辑回归和支持向量机训练的模型可以准确地对自我报告的心理工作量感知进行分类。这项研究通过展示从 alpha-theta 和 theta-alpha EEG 频带比率中提取的时间、频谱和统计域中用于区分自我报告的心理工作量感知的信息的丰富性，为知识体系做出了贡献。
从心理负荷跟踪的亲身经历看消费者神经技术的伦理顾虑和看法
随着消费者神经技术的快速发展，为了将消费者的伤害降到最低，考虑其中的伦理影响至关重要。虽然之前已经提出了商业化的伦理和法律准则，但我们旨在通过调查消费者神经技术的潜在最终用户的伦理顾虑来进一步讨论这一问题。我们采访了 19 名曾在日常生活中经历过心理工作量跟踪的参与者，询问他们对这种未来神经技术的伦理顾虑和看法。解释现象学分析 (IPA) 方法确定了三个上级主题。这些主题涉及隐私、数据有效性和误解以及个人身份等问题。研究结果进一步验证了之前的研究，并强调了在神经技术商业化中应考虑的进一步伦理问题。
心理工作量与职业压力之间的关系
摘要 简介：飞机维修人员是容易产生工作压力的职业之一，因为它需要大量的知识和技能，以及快速准确地完成任务。此外，噪音、振动和极端温度等恶劣的工作环境也会增加工作量并引发职业压力。本研究旨在确定 PT 飞机维修人员的心理工作量与职业压力之间的关系。X. 方法：本研究是一项横断面设计的描述性观察研究。本研究的样本是 PT 的所有官员。X，包括 21 名工程师和 20 名机械师。本研究共使用 41 名官员作为受访者。采用NASA-TLX方法收集心理负荷数据，并使用简明工作压力问卷测量PT航空维修人员的职业压力。X.结果：本研究结果表明，大多数人员心理负荷较大，职业压力处于中等水平。Spearman-rho相关性检验表明，心理负荷与职业压力之间存在中等关系（r = 0.306）。结论：可以得出结论，PT航空维修人员的心理负荷与职业压力之间存在相关性。X. 关键词：航空维修人员，心理负荷，职业压力
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