XiaoMi-AI文件搜索系统
World File Search System模态测量
低成本、干梳状 EEG 电极与 ... 的集成
本文介绍了一种便捷快速的低成本、弹簧式干式脑电图 (EEG) 电极与研究级传感器盖的集成，以确保电极根据 5% 系统定位。在心理学和神经科学以外的领域，如工程学，对大脑活动的测量越来越感兴趣。人为错误通常是由于注意力不集中、无法完全理解后果或界面设计不足而发生的。需要有效的设计解决方案来结合和识别人类行为和各种类型的反应，以减轻人为错误。生理传感器可用于更好地评估哪种设计以最佳方式满足用户需求。几十年来，脑活动传感器已在脑机接口 (BCI) 社区中得到应用。EEG 是一种非常流行的模式，因为它具有非侵入性和高时间分辨率。先前的研究表明，在预测和分类任务中使用多模态测量比单模态测量具有更高的实验结果性能。因此，我们希望将 EEG 与现有的实验装置相结合，其中包括功能性近红外光谱 (fNIRS)。通过快速原型在设计-构建-测试的循环中开发了一种集成。与目前可用的低成本设备相比，所提出的设置增加了可用的电极位置，并构成了一种实用的低成本方法，用于将 EEG 测量与其他大脑活动传感器（如 fNIRS）相结合。通过两个任务对信号质量进行了概念验证测试，这两个任务显示 EEG 信号中容易检测到的变化：闭眼和眨眼。闭眼会增加 alpha 范围内的峰值幅度，一旦睁开眼睛，这种效果就会逆转。故意在特定间隔内眨眼会在信号中产生特征性眼电图 (EOG) 伪影。两种反应都与文献一致。所提出的解决方案旨在降低将 EEG 作为现有实验设置中的附加模式的障碍，从而提高实验结果的性能。关键词：EEG、fNIRS、原型设计、以人为本的设计、实验
人工智能与认知科学在设计中的应用
人工智能和认知科学是设计领域的两个核心研究领域。人工智能具有分析海量数据的能力，有助于在各种设计活动中做出预测、发现模式和产生见解，而认知科学则具有揭示人类在设计中固有的心理过程和机制的优势。设计研究中的人工智能和认知科学都致力于提供更具创新性和效率的设计成果和流程。因此，本期“人工智能和认知科学在设计中的应用”专题汇集了人工智能和认知科学领域的最新研究成果，展示了在设计研究中应用人工智能技术和神经生理学和生物特征测量的新兴趋势。通过分析收集到的研究论文，提出了三个有前途的未来研究方向：1）用于设计的以人为本的人工智能，2）用于设计的多模态测量，3）用于设计认知数据分析和解释的人工智能。提出了将人工智能与认知科学融入设计的框架，涵盖三个研究方向，旨在启发和指导设计研究人员探索以人为本的设计方法、策略、解决方案、工具和系统。
元模态信息流：一种捕获方法...
摘要 — 目标：对同一现象进行多模态测量可提供互补信息并突出不同的观点，尽管每种方法都有各自的局限性。只关注单一模态可能会导致错误的推论，当研究的现象是疾病时，这一点尤其重要。在本文中，我们介绍了一种利用多模态数据来解决精神分裂症 (SZ) 中的断线和功能障碍假设的方法。方法：我们首先使用高斯图模型 (GGM) 估计和可视化提取的多模态数据特征内和之间的链接。然后，我们提出了一种基于模块化的方法，该方法可应用于 GGM 以识别与多模态数据集中的精神疾病相关的链接。通过模拟和真实数据，我们展示了我们的方法揭示了与疾病相关的网络中断的重要信息，而这些信息在关注单一模态时会被忽略。我们使用功能性磁共振成像 (fMRI)、扩散磁共振成像 (dMRI) 和结构磁共振成像 (sMRI) 来计算低频波动的分数振幅 (fALFF)、分数各向异性 (FA) 和灰质 (GM) 浓度图。使用我们的模块化方法分析这三种模态。结果：我们的结果显示缺失的链接仅由跨模态信息捕获，这可能在组件之间的断开连接中发挥重要作用。结论：我们在 SZ 患者的默认模式网络区域中发现了多模态 (fALFF、FA 和 GM) 断开连接，这在单一模态中是无法检测到的。意义：所提出的方法为捕获分布在多种成像模态之间的信息提供了一种重要的新工具。