XiaoMi-AI文件搜索系统
World File Search System心算
精神疲劳前后任务切换过程中脑功能网络重组
摘要：心理疲劳因其严重的负面影响而受到广泛研究。但心理疲劳前后任务切换的神经机制如何仍是一个问题。为此，本研究旨在利用脑功能网络特征来探索这一问题的答案。具体来说，记录了20名被试的任务状态脑电信号。任务包括400秒的2-back任务（2-BT），接着是6480秒的心算任务（MAT），然后是400秒的2-BT。根据选定的任务切换状态提取和分析网络特征和功能连接，在心理疲劳之前从Pre_2-BT到Pre_MAT，在心理疲劳之后从Post_MAT到Post_2-BT。结果表明，根据网络特征的显著变化和在Pre_2-BT和Post_2-BT之间使用支持向量机（SVM）获得的98%的高分类准确率，长期MAT成功诱发了心理疲劳。当任务从Pre_2-BT切换到Pre_MAT时，所有网络特征中delta和beta节律均出现显著变化，选定的功能连接呈现增强趋势。而当任务从Post_MAT切换到Post_2-BT时，beta节律的网络特征和选定的功能连接与心理疲劳前任务切换的趋势相反。我们的研究结果为理解大脑在任务切换过程中的神经机制以及在心理疲劳过程中的神经机制提供了新的见解。
亚利桑那州数学标准二年级
应将更多的学习时间用于处理整数和位值，而不是任何其他主题。1.扩展对整数关系和位值的位值理解，包括按百位数、十位数和个位数分组。2.培养加法和减法策略的能力。3.培养对标准计量单位的理解。(1) 学生使用十进制系统扩展对位值的理解。这包括以个位数、五位数、十位数和百位数计数的想法，以及理解涉及这些单位的数字关系，包括比较。学生理解以十进制表示的 1000 以内的多位数字，认识到每个位置的数字代表百位数、十位数或个位数。(2) 学生利用对加法的理解，熟练掌握 20 以内的加减运算。他们使用模型展示对 1000 以内的加减运算的理解。他们开发、讨论并使用高效、准确且可推广的方法，使用十进制符号、对位值的理解和运算属性来计算整数的和与差。他们选择并准确应用适合上下文和所涉及数字的方法来心算和与差。(3) 学生对标准测量单位（厘米和英寸）有了理解，他们使用标尺和其他测量工具，并理解线性测量涉及单位的迭代（重复）。他们认识到单位越小，覆盖给定长度所需的迭代次数就越多。
迈向紧凑型混合脑机接口 (BCI)
事实证明，通过结合两种不同的 BCI 模态，可以显著提高典型的单模态脑机接口 (BCI) 的性能。这种所谓的“混合 BCI”技术已经研究了几十年；然而，特别是结合脑电图 (EEG) 和功能性近红外光谱 (fNIRS) 的混合 BCI（以下称为 hBCI）尚未在实际环境中得到广泛应用。hBCI 系统不受欢迎的主要原因之一是它们的硬件通常过于笨重和复杂。因此，为了使 hBCI 更具吸引力，有必要实现一个轻量级、紧凑且性能下降最小的 hBCI 系统。在本研究中，我们调查了实现紧凑型 hBCI 系统的可行性，该系统具有明显较少的 EEG 通道和 fNIRS 源检测器 (SD) 对，但可以实现足够高的分类准确率，可用于实际 BCI 应用。当被试执行三个不同的心理任务时，获取 EEG 和 fNIRS 数据，这三个心理任务包括心算、右手运动想象和空闲状态。我们的分析结果表明，使用仅具有两个 EEG 通道和两个 fNIRS SD 对的 hBCI 系统可以对这三种心理状态进行分类，分类准确率高达 77.6 ± 12.1%。
基于 fNIRS 的大脑与弹性网络特征选择
摘要：基于功能性近红外光谱的脑机接口 (fNIRS-based BCI) 越来越受到关注。然而，由于固有的血流动力学延迟，我们实际上只能获得大量的 fNIRS 数据。因此，在使用机器学习技术时，可能会遇到由于高维特征向量而导致的问题，例如分类准确率下降。在本研究中，我们采用了一种基于弹性网络的特征选择，这是嵌入式方法之一，并通过分析结果证明了其实用性。使用从 18 名参与者获得的 fNIRS 数据集对心算和空闲状态引起的大脑激活进行分类，我们在改变参数 α（套索权重与岭正则化）的同时进行特征选择后计算了分类准确率。对于 α = 0.001、0.005、0.01、0.05、0.1、0.2 和 0.5 的各个值，分类准确率的平均值分别为 80.0 ± 9.4%、79.3 ± 9.6%、79.0 ± 9.2%、79.7 ± 10.1%、77.6 ± 10.3%、79.2 ± 8.9% 和 80.0 ± 7.8%，与使用所有特征估计的分类准确率的平均值（80.1 ± 9.5%）在统计上没有差异。因此，对于所有考虑的参数 α 值，分类准确率没有差异。特别是对于 α = 0.5，即使使用总特征的 16.4% 的特征，我们也能实现统计上相同的分类准确率水平。由于基于弹性网络的特征选择可以轻松应用于其他情况，而无需复杂的初始化和参数微调，我们可以期待看到基于弹性的特征选择可以积极应用于 fNIRS 数据。
新泽西州二年级学生数学学习标准
(1) 学生拓展对十进制系统的理解。这包括以五、十、百、十和个的倍数计数的概念，以及涉及这些单位的数字关系，包括比较。学生理解以十进制表示的多位数（最多 1000），认识到每个位置上的数字代表千、百、十或个位数（例如，853 是 8 个百位 + 5 个十位 + 3 个个位）。 (2) 学生利用对加法的理解，熟练掌握 100 以内的加减法。他们通过应用对加减模型的理解来解决 1000 以内的问题，并利用对位值和运算性质的理解，开发、讨论和使用高效、准确且可推广的方法来计算十进制整数的和与差。他们选择并准确应用适合上下文和所涉及数字的方法，心算只有十位或只有百位的数字的和与差。 (3) 学生认识到需要标准测量单位（厘米和英寸），并且他们使用尺子和其他测量工具，同时理解线性测量涉及单位的迭代。他们认识到单位越小，覆盖给定长度所需的迭代次数就越多。 (4) 学生通过检查形状的边和角来描述和分析形状。学生调查、描述和推理如何分解和组合形状以形成其他形状。通过构建、绘制和分析二维和三维形状，学生为以后年级理解面积、体积、全等、相似性和对称性奠定了基础。
基于元启发式优化的图像和算术任务特征选择：一项 fNIRS 研究
摘要：近几十年来，脑机接口 (BCI) 已成为研究的前沿领域。特征选择对于降低数据集的维度、提高计算效率和增强 BCI 的性能至关重要。使用与活动相关的特征可以在所需任务中获得较高的分类率。本研究提出了一种基于包装器的元启发式特征选择框架，用于使用功能性近红外光谱 (fNIRS) 的 BCI 应用。在这里，从所有可用通道计算时间统计特征（即平均值、斜率、最大值、偏度和峰度）以形成训练向量。使用基于 k 最近邻的成本函数测试了七种元启发式优化算法的分类性能：粒子群优化、布谷鸟搜索优化、萤火虫算法、蝙蝠算法、花授粉优化、鲸鱼优化和灰狼优化 (GWO)。基于来自 29 名健康受试者的运动想象 (MI) 和心算 (MA) 任务的在线数据集，对所提出的方法进行了验证。结果表明，与从全套特征中获得的特征相比，利用从元启发式优化算法中选择的特征可以显著提高分类准确率。所有上述元启发式算法都提高了分类准确率并减小了特征向量大小。GWO 对 MA、MI 和四类（左手和右手 MI、MA 和基线）任务的平均分类率最高（p < 0.01），分别为 94.83 ± 5.5%、92.57 ± 6.9% 和 85.66 ± 7.3%。所提出的框架可能有助于在训练阶段为基于 fNIRS 的稳健 BCI 应用选择合适的特征。
疼痛对 fNIRS 分类的影响
功能性近红外光谱 (fNIRS) 是一种非侵入性神经成像技术，通过监测脑氧合血红蛋白 ([ ∆ HbO]) 和脱氧血红蛋白 ([ ∆ HbR]) 浓度的变化来间接测量大脑活动 [ 1 ]。最近，人们对在脑机接口 (BCI) 中使用 fNIRS 的兴趣日益浓厚。BCI 的目标是将从大脑记录的信号转换为控制外部设备的命令 [ 2 , 3 ]。因此，准确分类脑信号在 BCI 应用中具有重要意义。另一方面，一组 BCI 用户是患者 (例如运动障碍者)，不幸的是，他们也可能因受伤而感到疼痛。然而，疼痛的存在预计会影响大脑活动，从而影响 BCI 的性能。在本研究中，我们首次研究了疼痛的存在如何影响与心算任务相对应的 fNIRS 数据的分类准确度。fNIRS 数据是从 2 名健康受试者身上收集的，并使用热刺激来诱发疼痛。所有通道的 [ ∆ HbR] 信号的平均值用作分类特征。采用二次核支持向量机分类器 (QSVM) 对数据进行分类。我们的分类结果表明，对于基于无痛数据训练的模型，在对有疼痛时获得的数据进行测试时，其平均分类准确度显著降低。这些结果表明，使用无痛数据训练和开发的 BCI 算法在有疼痛的情况下可能会表现不佳。因此，在为患者调整 BCI 算法时考虑疼痛因素非常重要。本文的其余部分安排如下：第 2 部分描述了实验范例和数据收集程序。第 3 部分解释了预处理和分类方法，第 4 部分介绍了结果和讨论。
劳累后不适
什么是劳累后不适？劳累后不适 (PEM) 是一种症状延迟恶化，发生在极少的身体或精神活动之后。PEM 的主要特征是不适（极度疲劳和流感样症状）和其他症状与活动量不成比例。PEM 通常会延迟，可能在活动发生后数小时或数天出现，但最有可能在劳累事件发生后 1-2 天出现。这种延迟可能导致临床医生和患者认为症状恶化是随机的，与触发因素无关，因为他们不会将病情恶化归因于几天前可能发生的事情。PEM 触发因素 o 身体活动：根据严重程度，身体触发因素可能包括坐在床上、梳头、刷牙、淋浴、做饭、打扫卫生、散步等。 o 精神活动：需要集中注意力和记忆力的事情，例如阅读、心算、写作、使用电脑、平板电脑或智能手机。 o 社交活动：与人面对面、通过电话或在线进行互动。 o 情绪：任何可能引起情绪亢奋的活动都可能成为潜在的诱因，例如兴奋、愤怒、沮丧、恐惧、悲伤、内疚。 o 感官体验：感官敏感性被视为一种症状，范围包括对噪音、光线、触摸的不耐受，甚至对天气或某些食物和药物的变化的不耐受。 o 压力：压力可能引起的情绪以及它在体内引发的荷尔蒙变化。 PEM 症状 PEM 发作期间出现的症状增加或新症状可能包括：• “脑雾”• 皮肤灼热感• 慢性疼痛（肌肉或关节）• 认知功能障碍• 睡眠模式紊乱（睡眠不足或经常需要睡太多，包括做生动的梦）• 眼部症状• “类似流感”的感觉• 头痛和偏头痛• 四肢或全身沉重• 对感官刺激（声音、光线、气味）的敏感性增强• 慢性疲劳加重• 食欲不振• 耐力/功能能力下降• 肌肉疲劳和虚弱• 恶心
研究面部肌电图作为... 的指标
斯科特·加尔斯特空军研究实验室 俄亥俄州赖特-帕特森空军基地 面部肌电图 (fEMG) 是一种肌电图测量技术，主要用作测量情感的工具，但之前的实验表明，它也有助于量化认知工作量。在当前的研究中，实时监测了两个与任务无关的面部肌肉，皱眉肌和额外侧肌，以确定它们是否对遥控飞机 (RPA) 任务环境中的工作量变化敏感。应用实时信号处理技术从窗口 fEMG 数据中得出中值幅度和零交叉率。对这些特征的统计分析确定，这两种肌肉都对特定工作量操纵的变化很敏感。这项研究表明，从上述肌肉中提取的实时 fEMG 特征有可能作为或有助于认知工作量的指标。未来的工作旨在改进 fEMG 数据收集技术，以产生更灵敏、更具代表性的适合工作量评估的测量方法。长时间保持警惕的能力对于航空航天领域的许多职位来说都至关重要。例如，飞行员、传感器操作员和空中交通管制员必须保持高水平的态势感知，以确保最佳的安全和性能。认知工作量是决定操作员在防止危险后果所需水平上执行能力的重要因素 (Young & Stanton, 2002)。认知超负荷和负荷不足都会导致性能下降，而适度的认知唤醒有助于实现理想的性能能力 (Cohen, 2011)。为了减轻航空航天操作员的警觉负担并帮助他们保持理想的表现，开发了感知-评估-增强 (SAA) 框架，以识别和缓解各种任务环境中的认知工作量不平衡 (Galster & Johnson, 2013)。由于认知工作量的变化已被证明与各种生理事件相关，因此可以应用该框架来感知航空航天操作员产生的一系列生理指标，将这些指标纳入可以评估操作员认知状态的模型中，然后增强操作员的表现以减轻认知超负荷或负荷不足引起的绩效下降 (Wilson & Russell, 2007; Hoepf, Middendorf, Epling, & Galster, 2015; Hoepf et al., 2016)。用于评估工作量 (Hoepf et al., 2016)。为了使基于 SAA 的工作负荷建模方法能够在广泛的任务环境中发挥作用，必须将大量生理测量作为模型的输入。操作员执行的任务的性质可能决定了每种生理测量（皮质、心脏等）的有用性。例如，在心算类型的任务中，发现皮质测量与工作负荷有很好的关联，而心脏测量对主要需要使用仪器的飞行任务中的工作负荷很敏感，而眼部测量与高度依赖视觉的飞行任务中的工作负荷有关（Hankins & Wilson，1998）。许多心理生理学家和工程师正在研究各种生理测量与认知工作负荷之间的相关性，试图进一步提高实时模拟个人认知状态的能力。面部肌电图 (fEMG) 是最近被探索作为认知工作负荷潜在指标的生理信号之一。fEMG 是一种肌电图 (EMG) 测量技术，通过感应和放大产生的微小电脉冲来描述肌肉活动