XiaoMi-AI文件搜索系统
World File Search System注视
CSRF荟萃分析：南苏丹的经济
在南苏丹在2011年独立之前，研究人员探索了与石油经济，州财务，宏观经济，生计，土地和贸易有关的动态。特别是，有一种强大的方法来检查苏丹行动的影响（OLS），生计和贸易2005年之前。有关2013年后危机的文献通常是对政策建议的注视，并探讨了与人道主义援助，康复和韧性相关的主题。这些包括有关粮食安全状况，生计，进入市场和贸易的出版物，以及宏观经济和公共支出以及维持和平经济的出版物。与这些主题相关，出版物反映了Covid-19-19的影响，气候变化，石油市场发展以及过去三年来乌克兰的战争。
用于虚拟现实应用的新型混合脑机接口，采用基于稳态视觉诱发电位的脑机接口和基于眼电图的眼动追踪来提高信息传输速率
基于脑电图 (EEG) 的脑机接口 (BCI) 近来在虚拟现实 (VR) 应用中引起越来越多的关注，成为一种有前途的工具，可以“免提”方式控制虚拟物体或生成命令。视频眼动图 (VOG) 经常被用作一种工具，通过识别屏幕上的注视位置来提高 BCI 性能，然而，当前的 VOG 设备通常过于昂贵，无法嵌入到实用的低成本 VR 头戴式显示器 (HMD) 系统中。在本研究中，我们提出了一种新颖的免校准混合 BCI 系统，该系统结合了基于稳态视觉诱发电位 (SSVEP) 的 BCI 和基于眼电图 (EOG) 的眼动追踪，以提高 VR 环境中九目标基于 SSVEP 的 BCI 的信息传输速率 (ITR)。在以 3×3 矩阵排列的三种不同频率配置的模式反转棋盘格刺激上重复实验。当用户注视九种视觉刺激中的一种时，首先根据用户的水平眼球运动方向（左、中或右）识别包含目标刺激的列，并使用从一对电极记录的水平 EOG 进行分类，该电极可以很容易地与任何现有的 VR-HMD 系统结合使用。请注意，与 VOG 系统不同，可以使用与记录 SSVEP 相同的放大器来记录 EOG。然后，使用多元同步指数 (EMSI) 算法的扩展（广泛使用的 SSVEP 检测算法之一）在选定列中垂直排列的三个视觉刺激中识别目标视觉刺激。在我们对 20 名佩戴商用 VR-HMD 系统的参与者进行的实验中，结果表明，与 VR 环境中基于传统 SSVEP 的 BCI 相比，所提出的混合 BCI 的准确度和 ITR 均显着提高。
改进单次试验分类中的意图检测......
摘要 — 意图解码是免提人机交互 (HCI) 中不可或缺的过程。传统的眼动追踪系统使用单一模型注视持续时间可能会发出忽略用户真实期望的命令。在本研究中，引入了一种眼脑混合脑机接口 (BCI) 交互系统，通过融合多模态眼动追踪和 ERP（源自 EEG 的测量）特征来检测意图。当 64 名健康参与者在 25 个图标中执行 40 分钟的定制自由搜索任务时，记录了他们的眼动追踪和 EEG 数据。提取了相应的眼动追踪和 ERP 注视持续时间。采用五个已验证的基于LDA的分类器（包括RLDA，SWLDA，BLDA，SKLDA和STDA）和广泛使用的CNN方法从离线和伪在线分析中验证特征融合的有效性，并通过调节训练集和系统响应持续时间来评估最佳方法。我们的研究表明，多模态眼动和ERP特征的输入在主动搜索任务的单次试验分类中实现了意图检测的优异性能。并且与单模型ERP特征相比，该新策略也在不同的分类器之间获得了一致的准确率。此外，与其他分类方法相比，我们发现SKLDA在离线测试（ACC=0.8783，AUC=0.9004）和不同样本量和持续时间长度的在线模拟中融合特征时表现出更优异的性能。总之，本研究揭示了一种利用眼脑混合BCI进行意图分类的新颖有效的方法，并进一步以更精确、更稳定的方式支持了免提HCI的实际应用。
MIDAS：从自然眼球运动模式深度学习预测人类行为意图
长期以来，眼球运动一直被研究作为了解人类大脑注意力机制的窗口，并作为新颖的人机界面提供。然而，并不是我们注视的所有东西都是我们想要与之互动的东西；这被称为凝视界面的点石成金问题。为了克服点石成金问题，目前的界面往往不依赖自然的凝视线索，而是使用停留时间或凝视手势。在这里，我们提出了一种完全由数据驱动的方法，用于仅基于自然凝视线索来解码人类对对象操作任务的意图。我们进行了数据收集实验，其中 16 名参与者被赋予操作和检查任务，这些任务将在他们面前的桌子上的各种物体上执行。受试者的眼球运动使用可穿戴眼球追踪器记录，允许参与者自由移动头部并注视场景。我们使用我们的 Semantic Fovea，一种卷积神经网络模型来获取场景中的物体及其与每一帧的凝视轨迹的关系。然后，我们评估数据并研究几种对意图预测的分类任务进行建模的方法。我们的评估表明，意图预测不是数据的简单结果，而是依赖于凝视线索的非线性时间处理。我们将该任务建模为时间序列分类问题，并设计双向长短期记忆 (LSTM) 网络架构来解码意图。我们的结果表明，我们可以仅从自然凝视线索和物体相对位置解码人类的运动意图，准确率为 91.9%。我们的工作证明了自然凝视作为人机交互的零 UI 界面的可行性，即用户只需自然地行动，而不需要与界面本身交互或偏离其自然的眼球运动模式。
使用运动信息进行疲劳检测...
因此，结果表明，对于这种特殊情况下的绝大多数受试者来说，所选指标呈现出一个拐点，最低值位于任务的约 55％ 处。此外，研究结论是，随着任务时间的推移，扫视频率会降低，这可能与表现下降和认知负荷增加有关。这些也显示出峰值速度的增加，尽管在最后六分之一中行为是相反的，这表明与任务当时的疲劳状态有关。研究还发现，随着任务时间的增加，这些变化比注视点的变化更大，并且它们与外部代理也有直接关系。最后，尽管注视并不代表受试者的一般时间行为，但将这些信息与阅读文本时眼球运动的经典行为进行对比并不奇怪。
从眼睛到苦难大脑的社论：可以将眼睛跟踪视为神经系统疾病的重要数字生物标志物吗？
眼动是视觉的基础方面，并受到多种神经功能的支持，包括大脑中的vi sual处理，通过视神经和协调传播信息。根据一些作者[1]的说法，当其中一个功能受到疾病或受伤的损害时，眼睛如何移动也可以受到影响。在神经系统检查过程中，重要的是要评估有意和无意的眼动运动，以确定三对头骨神经的完整性和正常功能 - 外观，横杆菌和动力神经 - 并研究分布在整个中枢神经系统中的几个电路[2]。考虑到参与注视控制的脑半球，典型和脑干中的大量电路，有很强的迹象表明，眼睛运动受到神经退行性疾病特征的各种神经系统疾病的损害[3]。
在市场上使用AI的潜在好处和陷阱...
制定有效的问卷要求注视细节，强调正确的措辞，顺序和布局，以获取可信赖和可行的数据。AI可以在塑造初始模板和保证其完整性方面发挥作用。现在提供这些服务，众多市场研究提供商，例如共同的调查猴子和Blocksurvey。但是，至关重要的是要了解这些工具虽然有帮助，但不能取代确保鲁棒研究至关重要的人类触摸。这些平台依靠培训数据集来生成结果，并且这些数据集的质量并不能保证。在未经训练的眼中，输出似乎是完美的，但是了解有效问卷设计的细微差别至关重要。展望未来，许多机构可能会采用内部AI问卷设计，以利用其精心设计的问卷。
理学硕士（神经心理学）
CO1 - 展示对联合行动背景下社会认知、感知和行动之间关系的理解。CO2 - 解释视觉运动适应的概念，并应用时间延迟重新校准的知识来分析和解决处理连续运动中的时间延迟的挑战。CO3 - 检查自下而上/自上而下的感知和显着性图模型的作用，并推断现实搜索任务中的注视控制，以预测和分析各种场景中的眼球运动模式。CO4 - 理解配置编码的概念及其在视觉错觉中的作用，并使用配置处理的知识来分析和解释照明对视觉错觉的影响。CO5 - 分析存在感在 VR 体验中的影响，并评估它如何影响心理学研究中的参与者行为和反应。
