XiaoMi-AI文件搜索系统
World File Search System注视
创伤性脑损伤患者的视频游戏训练
注意力障碍的矫正是脑外伤 (TBI) 后认知康复的重要组成部分。来自健康参与者的证据表明，玩动作视频游戏后注意力有所提高。这项探索性研究采用多基线单案例实验设计 (SCED) 调查了其在 TBI 参与者中的应用。扫视眼球运动被认为是视觉注意力的可见指标，通过评估游戏训练的有效性。三名严重 TBI 参与者接受了 10 小时的动作游戏训练。在基线、训练中和训练后研究了自定步调扫视和抽象视觉搜索任务期间的扫视眼球运动。使用非重叠数据百分比 (PND)，分析显示参与者 1（PND=80%）和 2（PND=70%）的自定步调扫视率持续增加。在抽象搜索中，参与者 2 的注视持续时间 (PND= 60%) 显示出轻微的有效减少，参与者 3 的注视持续时间 (PND= 80%) 显示出中等的有效减少。参与者 2 的搜索时间 (PND= 100%) 显示出高度的有效减少，参与者 3 的搜索时间 (PND=70%) 显示出中等的有效减少。总体而言，视频游戏训练可能会改变眼球运动中的注意力分配。需要更多证据来验证这种新认知训练方法的有效性。
识别社会认知的个体间差异
尽管社会认知缺陷是自闭症谱系障碍的核心特征，但个体社会表现存在很大差异，其神经基础仍未得到充分研究。在这里，我们使用眼动追踪客观测量了 25 名自闭症儿童（8.5 ± 3.8 岁）社会感知的个体间变异性及其与白质微结构的相关性，用扩散张量成像 MRI 测量。除了证实自闭症谱系障碍患者的社会感知缺陷外，我们还与 24 名正常发育对照者（10.5 ± 2.9 岁）进行了比较，结果显示自闭症谱系障碍患者的这种行为存在很大的个体间差异。全脑分析显示，在自闭症谱系障碍组和正常发育组中，注视眼睛的次数与分数各向异性值之间存在正相关性，主要在右侧和左侧上纵束中。在自闭症谱系障碍儿童中，右侧和左侧下纵束也观察到了相关性。重要的是，在右下纵束前部（主要是右前颞区）观察到了组别和注视次数之间的显著相互作用。补充区域中的这种额外相关性表明存在补偿性大脑机制，这可能有助于提高自闭症谱系障碍儿童的社交感知能力。
即时：自然行为中的凝视引导
自然眼球运动主要研究了泡茶、做三明治和洗手等过度学习的活动，这些活动具有固定的相关动作顺序。这些研究表明，低级认知图式的顺序激活有助于完成任务。然而，当任务新颖且必须立即规划一系列动作时，这些动作图式是否会以相同的模式激活尚不清楚。在这里，我们记录了自然任务中的凝视和身体运动，以研究面向动作的凝视行为。在虚拟环境中，受试者在真人大小的架子上移动物体以达到给定的顺序。为了强制认知规划，我们增加了排序任务的复杂性。与动作开始一致的注视表明凝视与动作序列紧密相关，任务复杂性适度影响了任务相关区域上的注视比例。我们的分析表明，凝视恰好及时分配给与动作相关的目标。规划行为主要对应于在动作开始前对任务相关对象的更大视觉搜索。研究结果支持了这样一种观点：自然行为依赖于对工作记忆的节俭使用，人类不会对环境中的物体进行编码来规划长期行动。相反，他们更喜欢即时规划，即搜索当前与行动相关的物品，将他们的身体和手引导到该物品上，监控该行动直到行动终止，然后继续执行下一个行动。
锁定的凝视控制的虚拟键盘
人类计算机的互动是一种新兴技术，它是指大量算法和不同类型的技术来增强相互作用过程。眼目光技术是现代科学最重要的技术之一。需要用于身体残疾人的系统的需求激励了许多研究人员开发只能使用眼睛注视和眨眼才能使用的系统。在这个项目中，我们将代表通过检测眼睛凝视和眼睛闪烁的虚拟键盘的开发。它涉及建立一个直接从PC相机捕获视频并检测到人脸和眼睛的系统。要准确地检测面孔，我们将遵循一个简单的规则，眼睛和嘴唇总是在样品位置作为图像，这将使眼睛检测过程变得更加容易。为此它还检测到左眼的目光，然后向右选择键盘部分和眼睛闪烁以从板上的虚拟键盘中选择所需的键。系统的输出可以是文本或语音的形式，并在16x2 LCD上显示或使用扬声器发音。文本或语音输出由用户在虚拟键盘上的选择确定。总而言之，眼睛注视控制的打字系统是一种创新的技术，它使患有运动障碍或残疾的人可以使用眼动和眨眼进行交流。系统使用高级计算机视觉算法来检测用户的面部，眼睛和凝视方向，并提供了一个简单而直观的接口，用于控制虚拟键盘并调整系统设置。
隐蔽注意力可以持续控制大脑......
脑机接口 (BCI) 不仅可用于控制外部设备，还有望为研究大脑的工作提供新工具。在本研究中，我们研究了通过改变隐蔽注意力来调节大脑活动是否可以用作 BCI 的连续控制信号。隐蔽注意力是指在不改变注视方向的情况下将精神集中在外围感官刺激上的行为。当受试者在保持注视的同时隐蔽地注意移动的线索时，使用脑磁图记录了受试者的持续大脑活动。仅基于后阿尔法功率，就可以使用循环回归恢复受试者的注意方向。结果表明，在我们最好的受试者中，注意力角度可以用平均绝对偏差 510 来预测。对受试者进行平均，平均偏差约为 70°。在信息传输速率方面，用于恢复注意力方向的最佳数据长度被发现为 1700 毫秒；这导致最佳受试者的平均绝对偏差为 60°。结果是在没有任何受试者特定特征选择的情况下获得的，并且不需要事先进行受试者训练。我们的研究结果表明，由于内隐注意力的方向而引起的后阿尔法活动调节具有作为 BCI 环境中持续控制的控制信号的潜力。我们的方法将有多种应用，包括脑控计算机鼠标和改进的神经反馈方法，这些方法可以直接训练受试者调节后阿尔法活动的能力。
物联网数字射线路径2技术稳定方法...
• 完全个性化的双面渐进镜片 • 可提供近视、远视和中视增强功能 • 针对可调节物体空间进行了优化 • 卓越的视觉敏锐度 • 改善近视区域视觉质量 • 改善许多处方的美观度 • 在任何注视方向的所有工作距离下都能实现精确舒适的对焦 • 几乎消除周边模糊 • 卓越的视觉质量，适合观看数码设备 • 更高的图像稳定性，减少游泳效应 • 在近视和中视时双眼视觉性能更佳
创造性想象过程中概念固着的神经表征
摘要 大量研究表明，观看示例图像刺激往往会限制创造性想法的产生。然而，这种视觉注视在创造性认知中背后的神经认知机制尚不清楚。在本实验中，我们探索了示例图像是否会影响创造性想象以及与视觉对象识别相关的大脑区域内的神经活动模式。参与者首先观看带有高约束和低约束标签的示例图像（模糊的线条图）。高约束标签与线条图相似，而低约束标签则不然。接下来，参与者想象相同的线条图的新标签，并删除初始标签。与我们的预测一致，将提示标签与新生成的标签进行比较的语义距离分析显示，与低约束试验相比，高约束试验的平均语义距离较低（即创造性想法较少）。通过表征相似性分析，我们还证明了在右颞下回、右颞中回和右枕上回中，从物体识别到高约束想象试验，神经模式相似性是反常或相关的（不太相似）。从广义上讲，这些发现表明，突出的视觉示例可能会引导形成强大的心理表征，从而限制创造性想象。这项研究还迈出了第一步，旨在确定与接触注视示例后产生新的创造性想法的艰难过程相关的神经认知特征——特别是在腹侧视觉流中物体识别/表征的早期阶段。
量子里程碑，1993年：传送不是科幻小说
远程注视是偶然的。在1992年的一次会议上，马萨诸塞州威廉姆斯学院的威廉·沃特斯（William Wootters）描述了他和以色列技术学院的奇怪结果。他们考虑了两个相同但未知的量子状态，例如一对具有未知极化的光子。wootters和Peres发现，观察者可以通过对光子对进行单个测量来学习比通过对单个颗粒上进行任何数量的单独测量的学习更多。这对测量是在光子被迫以某种方式相互作用之后进行的。他们提出了一种程序，该程序将使观察者最大程度地猜测光子的原始极化[2]。
使用深度学习对大脑活动中的扫视方向进行分类
眼动追踪技术可以预测眼睛的注视方向，从而根据大脑活动来判断凝视方向。解决这一问题最成功的尝试之一是预测眼动估计回归 [LaConte 等人，2007]，这是一种基于成像的方法，使用机器学习算法根据眼睛的体素数据来估计功能性磁共振成像 (fMRI) 时间序列中的注视方向 [Son 等人，2020]。这对于那些买不起眼动追踪系统或不具备分析眼动追踪数据专业知识的神经科学实验室来说具有巨大的潜力。然而，fMRI 数据采集成本高昂，并且不能提供认知发生水平的时间分辨率。相比之下，EEG 是一种安全且成本低廉的方法，可以直接测量大脑的电活动，并可以在临床环境中进行测量（例如在病床上进行长期记录）。机器学习技术可以从脑电图记录中提取大脑活动信息，并在几个重要的基于脑电图的研究和应用领域中发挥着至关重要的作用[Roy et al . 2019a]。具体来说，深度学习允许计算模型学习具有多个抽象级别的数据表示，从而使用数据集提供的所有信息[Vahid et al . 2020]。尽管深度学习在脑电图时间序列分类方面已被证明是成功的并且得到了广泛的应用[Roy et al . 2019b]，但它在实验研究和架构设计方面仍然落后于图像识别。在这个项目中，作为对凝视位置进行分类的第一步，我们假设可以通过结合脑电图和深度学习来恢复扫视的方向（左和右）。这反过来又可以为已经获得的和可用的脑电图研究提供关于扫视方向的更多信息，从而可以重新分析这些数据集，以验证结果并解决以前不适用的新研究问题（例如，与年龄相关的大脑活动差异因老年受试者比年轻受试者更频繁地移动眼睛这一事实而变得复杂 [Płomecka et al. 2020]）。此外，从脑电图数据中恢复眼球注视信息可以潜在地改善许多基于脑电图的辅助技术，例如基于非侵入性脑机接口 (BCI) 的假肢或移动机器人，提供额外丰富的测量指标并帮助现有技术提高性能 [Kapralov et al . 2019]。我们相信这项研究为更先进的辅助技术提供了一些重要见解，例如将 ET 与脑电图相结合的混合方法 [Millán et al. 2010]。已经有一些关于经典监督机器学习技术的研究；例如，[Bulling et al.