XiaoMi-AI文件搜索系统
World File Search System心理负荷
人机协作的工具和方法 - HAL
摘要：人机自主团队 (HAT) 范式最近出现，用于设计混合团队，其中人类操作员与自主人工智能体合作。一个主要的挑战是将这个自主代理转变为一个更好的队友，使其能够与人类更多地相互依赖。所呈现的工作探索了两个轴线，得到了工业合作（在运输和工业系统领域）、学术伙伴关系（特别是南澳大利亚）和博士生指导的支持。第一个轴涉及认知状态的监控，以便使机器具有检测人类遇到的困难的能力。为了回答这个问题，提出了一种全局方法，从生理和行为数据的融合角度对操作员的心理负荷进行分类。然后通过研究认知控制的概念及其与心理负荷的关系，探索人类实施的调节机制。
围绕自动化陷阱的辩论 - 代尔夫特理工大学研究门户
摘要 人机交互中的一个主要问题是任务应该在人与自动化之间交换还是共享。本文展示了作者在过去 10 年中通过课堂辩论对这两种人机交互形式进行的反思，重点关注自动驾驶领域。与讲座一样，我们首先从历史角度调查自动化的六个陷阱开始：（1）丧失情境和模式意识，（2）技能退化，（3）不平衡的心理负荷，（4）行为适应，（5）误用和（6）废用。接下来，其中一位作者解释了为什么他认为触觉共享控制可以弥补这些缺陷。接下来，另一位作者反驳了这些论点，认为交换控制是改善道路安全的最有希望的方法。本文以一个共同点结束，解释共享和交换控制分别在中等和低环境复杂性下表现更好。
眼动追踪可以用来研究协调员的工作
在加拿大，结冰条件下，必须对地面上的飞机进行除冰。当机场具备合适的设施时，可同时为多架飞机除冰。交通和移动协调员必须管理除冰小组、飞行员和相关人员之间的合作活动。沟通失败是造成事故的首要原因。本文将展示眼动追踪对于研究飞机地面除冰活动期间通信故障的相关性。为此，进行了非详尽的文献综述，重点关注眼动追踪对于交通和运动协调员任务现场研究的实用性。它基于在科学数据库中进行的研究，目的是提取证明或不证明现场眼动追踪有用性的文章。事实证明，眼动追踪可以识别个人的观察反应，评估个人的注意力水平以及承受的心理负荷。所收集的数据可与补充问卷（如 NASA-TLX）结合起来，以评估对工作量的看法。眼动追踪最终可以确定交通和运动协调员与除冰人员之间沟通失败的原因。
交通控制管理的可靠性和可靠性...
Abstract 本研究对接受和未接受空中交通管制模拟训练的两个不同组别（有经验/无经验）在不同难度级别的练习中的心理负荷进行了检查。在模拟之前对参与者的反应时间进行了评估，两组之间没有观察到显着差异。在第二阶段，比较这些反应时间均匀的小组在模拟场景中犯下的错误数量和表现得分。在 90% 的置信水平下，经验丰富的小组犯的错误较少。此外，场景的不同难度级别造成了错误数量的统计差异。在简单到中等的场景中犯的错误比在困难到非常困难的场景中犯的错误要少得多。然而，根据场景难度级别检查了性能分数的变化，发现性能分数之间存在显着差异（p 值 = 0.00 < 0.05）。简单-中等场景中的性能得分明显高于困难-非常困难场景中的性能得分。
脑力负荷分类的敏感通道选择
摘要：心理负荷（MW）评估在各类人机交互任务中得到广泛研究。现有的MW分类研究大多使用非侵入式脑电图（EEG）帽采集脑电信号并识别MW水平。但MW任务刺激的大脑激活区域对于每个受试者来说并不相同。使用来自所有电极通道的EEG信号来识别MW可能并不合适。本文首先建立EEG节律能量热图，直观展示四种EEG节律能量随时间、EEG通道和MW水平的变化趋势。从所呈现的热图中可以看出，这种变化趋势因受试者、节律和通道而异。在此基础上，提出了一种双阈值方法来选择MW评估的敏感通道。使用个性化选择通道的EEG信号，分别称为正敏感通道（PSC）和负敏感通道（NSC），并使用支持向量机（SVM）算法进行MW分类。结果表明，个性化敏感通道的选择普遍有助于提高MW分类的性能。
体重观察者：重新审视 NASA-TLX 体重 - 阿尔托 | 研究
摘要 美国国家航空航天局任务负荷指数 (NASA-TLX) 是一种常用的评估心理负荷的方法。NASA-TLX 评估六个负荷维度的心理负荷。当假设维度的重要性不大致相等时，则通过对每个维度对进行成对比较来加权，然后对反映维度重要性的权重进行标准化。这种原始的 NASA-TLX 加权方法带来了一些挑战，这些挑战在分配权重时很难识别。首先，原始的 NASA-TLX 权重不允许直接将两个或多个维度表示为同等重要。其次，如果始终如一地进行成对比较，则维度的重要性顺序只有一种。第三，在始终如一地进行成对比较的情况下，最重要的维度被人为地强加了 0.33 的权重。提出了用于得出维度权重的摆动和层次分析法加权方法来解决这些挑战。从理论上介绍了在 NASA-TLX 中应用这些方法的优势，并使用虚拟空战模拟数据进行了实证证明。本文的目的是帮助学者和从业者在心理工作量评估中使用 NASA-TLX，从而避免讨论的加权问题。
日本机械学会论文集 - J-Stage
Abstract 本研究的目的是通过使用可见光相机来调查眼动参数来估计汽车驾驶期间的心理负荷（MWL）。本研究涉及 12 名学生（6 名男性和 6 名女性）。参与者同时使用驾驶模拟器执行驾驶任务和次要任务，以控制MWL。N-back任务的级别如下：无、0-back。 , 1-回,使用可见光相机测量 2-back 和 3-back 的视线和头部角度以及眨眼频率，根据视线和头部角度计算眼球旋转角度，即头部运动的比率。还测量了 N-back 任务的主观 MWL 和准确性，结果表明，随着 N-back 任务难度的增加，主观 MWL 单调增加。 N-back 任务具有统计显着性对水平和垂直注视角度的标准差（SD）、眼球水平旋转角度的标准差、水平方向头部运动的共享率以及眨眼频率进行Logistic回归分析，结果显示，眼球水平旋转角度的标准差和眨眼频率的标准差（SD）。眨眼频率是估计 MWL 的最重要参数 受试者工作特征 (ROC) 曲线的曲线下面积 (AUC)
利用黎曼几何对脑电信号进行心理状态检测
本研究的目的是实施一种基于黎曼几何 (RG) 的算法，使用任务诱导的脑电图 (EEG) 信号检测高心理负荷 (MWL) 和心理疲劳 (MF)。为了引发高 MWL 和 MF，参与者以字母 n-back 任务的形式执行了一项认知要求高的任务。我们采用基于 RG 的框架分析了不同任务条件和皮质区域下 theta 和 alpha 频带中 EEG 波段功率 (BP) 特征的时间变化特性。当任务运行 EEG 的黎曼距离达到或超过基线 EEG 的阈值时，MWL 和 MF 被认为太高。本研究结果显示，随着实验持续时间的增加，theta 和 alpha 频带中的 BP 增加，表明 MWL 和 MF 升高会阻碍/妨碍参与者的任务表现。在 20 名参与者中，有 8 名检测到高 MWL 和 MF。随着实验持续时间的增加，黎曼距离也显示出向阈值稳步增加，大多数检测发生在实验结束时。为了支持我们的发现，我们还考虑了主观评分（有关疲劳和工作量水平的问卷）和行为测量（性能准确性和响应时间）。
EEG-Deformer：用于脑机接口的密集卷积变换器
摘要 — 有效学习脑电图 (EEG) 信号中的时间动态具有挑战性，但对于使用脑机接口 (BCI) 解码大脑活动至关重要。尽管 Transformers 因其长期顺序学习能力在 BCI 领域广受欢迎，但大多数将 Transformers 与卷积神经网络 (CNN) 相结合的方法都无法捕捉 EEG 信号从粗到细的时间动态。为了克服这一限制，我们引入了 EEG-Deformer，它将两个主要的新组件合并到 CNN-Transformer 中：(1) 分层粗到细 Transformer (HCT) 块，将细粒度时间学习 (FTL) 分支集成到 Transformers 中，有效辨别从粗到细的时间模式；(2) 密集信息净化 (DIP) 模块，利用多级、净化的时间信息来提高解码准确性。对三项代表性认知任务（认知注意力、驾驶疲劳和心理负荷检测）进行的全面实验一致证实了我们提出的 EEG-Deformer 的通用性，表明它的表现优于或与现有的最先进方法相当。可视化结果表明，EEG-Deformer 从神经生理学上有意义的大脑区域学习相应的认知任务。源代码可在 https://github.com/yi-ding-cs/EEG-Deformer 找到。
在对抗环境中远程操作无人机引导一群无人地面车辆时的脑电图工作量指标
心理负荷是指由于任务对个体施加心理需求而导致的心理资源耗竭。当任务难度增加时，由于可用的认知资源减少，心理负荷也会增加。研究表明，当个体承受高认知负荷且认知负荷接近个体的认知能力时，容易做出次优决策和出现人为错误。在任务需求没有增加的情况下，长时间的心理活动也会导致认知资源耗竭（Kamzanova 等，2014）。低负荷也会导致错误，这是由于无聊以及环境影响因素导致人类分心于主要任务的可能性。人类的资源是有限的（包括体力和脑力），因此，将这些资源优化用于特定的任务集可能会产生更好的结果。然而，由于人口统计因素（性别、年龄、种族）、内在动机、情绪状态（快乐、悲伤、焦虑等）、以往经验以及因心理能力、教育和技能不同的问题解决策略等诸多因素，很难在工作环境中理解这些人类局限性。例如，两个操作员对完成一项任务的难度可能会有不同的看法；操作员 A 可能一开始认为任务很难，但后来找到了解决任务的好策略，而操作员 B 可能会发现任务极其困难，从而灰心丧气，最终无法完成任务。由于人力资源有限，当一项任务需要更多资源时，就会出现问题（ Maior 等人，2014 年）。在许多领域，处理信息、对不同环境做出反应以及做出准确决策的能力至关重要。例如，空中交通管制员 (ATC) 通常在对认知要求极高的环境中工作，长时间工作，并且承受压力 (Dasari et al., 2017)。这种情况可能导致认知资源耗尽，从而导致绩效下降。另一个明显的例子是重症监护室的医生和护士，他们面临大量工作，需要迅速采取行动，并在长时间紧张工作后保持警惕。在这种情况下，错误和标准下降意味着患者护理的质量和安全可能受到危害 (MacPhee et al., 2017)。因此，显然有必要测量心理工作量以确定个人在完成任务时认知需求的变化，这可能有助于减少错误、任务失败和事故，从而提高和保持更长时间的绩效。已经提出了许多用于测量心理工作量的指标。在文献中，这些指标可以分为两大类：主观指标和客观指标。主观指标基于操作员的意见、问卷答案和访谈。一种常用的主观评估操作员心理负荷的技术是 NASA 任务负荷指数 (NASA-TLX)（Hart 和 Staveland，1988）。该方法使用六个维度：心理需求、身体需求、时间需求、绩效、挫折程度和努力程度，每个维度都有 10 分或 20 分的量表。然后计算出总体评分，即所有六个评分的加权平均值。其中一种