XiaoMi-AI文件搜索系统
World File Search System精神疲劳
精神疲劳测量之间的不一致...
心理疲劳传统上被定义为认知效率和表现下降的一种情况，并伴有主观疲劳感。尽管我们可以期望发现心理疲劳的三个定义特征（表现受损、生理失活和主观疲劳）之间的关联，但研究表明，测量结果之间出现不一致的情况比人们预期的要频繁：事实证明，即使在宣布自己疲劳后，人们仍能够保持足够的表现水平。这可以用补偿控制机制模型来解释，该模型指出，人类能够在苛刻的条件下提供额外的资源，但只能以心理生理成本和主观疲劳为代价。我们通过操纵任务复杂性和执行模拟空中交通管制任务的时间来测试这种解释。我们收集了
噪音污染对精神疲劳和噪音的影响...
噪音不适是开放式办公室中令人不愉快的重要物理参数之一。本研究旨在调查噪音污染状况及其对银行工作人员主观疲劳和噪音烦恼的影响。在工作时间内确定了 100 名银行员工的等效声压级 (Lp eq.T)。此外，还测量了客户等候区和所研究银行外部区域的声压级 (SPL)。为了评估心理疲劳，使用了标准多维疲劳清单 (MFI) 问卷。噪音烦恼量表 (NAS) 问卷也用于研究工作场所的噪音烦恼和噪音强度的主观印象。所研究银行的员工工作站、客户等候区和外部区域的平均 Lp eq.T 分别为 78.72、61.14 和 81.32 dB (A)。首选噪音标准 (PNC) 和语音干扰水平 (SIL) 指数的平均值分别为 58.22 和 70.25。结果显示，银行员工的精神疲劳感和噪音烦恼感受到 Lp eq.T 水平的显著影响（分别为 r=0.84 和 0.90）。研究结果表明，开放式办公室的背景噪音会增加 PNC 和 SIL 指数，从而增加员工的精神不适感并降低他们在认知任务中的工作表现。反射和刚性表面会增加
用于驾驶员精神疲劳检测的脑电图特征
摘要 — 精神疲劳是人类最典型的疾病之一，是由工作负担过重和睡眠不足造成的，这会降低人的智力资源。人们研究了不同的脑电图特征来检测精神疲劳。本文通过了解人类脑电图特征来描述精神疲劳，以保证安全驾驶行为，并概述与精神疲劳相关的潜在脑电图特征。采用叙述性综述方法来描述精神疲劳中人脑的神经活动。讨论了与驾驶任务相关的特定脑电图特征、与不同脑电图波段的关系、预处理和特征提取方法。从这项初步工作来看，顶叶阿尔法波功率的增加似乎是大多数研究中驾驶员精神疲劳的特征。我们在公共脑电图存储库中搜索了我们初步研究的潜在数据源。最后，我们提出了一个具有识别精神疲劳潜力的概念模型。总之，未来的工作可能涉及识别其他更重要的脑电图特征，以便在研究条件下进行推广。关键词 — 脑电图传感器、心理疲劳、驾驶员疲劳、交通安全。
精神疲劳检测中的计算机接口：系统
抽象的心理疲劳是一种心理物理状况，对日常生活有重大不利影响，损害了身心健康。在这种快速变化的环境中，我们正在遇到挑战，精神疲劳问题变得越来越突出。这需要迫切需要探索有效，准确的自动化系统，以及时进行精神疲劳检测。因此，我们对使用人工智能（AI）技术进行了精神疲劳检测的脑部计算机界面（BCI）研究的系统综述，2011年和2022年之间发表在Scopus，IEEE Explore，PubMed和Web Science（WOS）中。包含的布尔搜索表达式（（（（（电脑图）和（BCI）））和（疲劳分类））和（脑部计算机界面）已用于选择文章。通过用于系统评价和荟萃分析（PRISMA）方法的首选报告项目，我们在562篇文章中选择了39个。我们的评论确定了通过自动化神经反馈采用BCI进行心理疲劳干预的研究差距。还讨论了用于开发基于脑电图的精神疲劳检测的AI技术。我们从讨论中确定的差距提出了全面的挑战和未来建议。未来的方向包括数据融合，混合分类模型，公共数据集的可用性，不确定性，解释性和硬件实现策略。
使用 EEG 进行精神疲劳评估 - NTNU Open
摘要 —本文简要概述了使用脑电图 (EEG) 传感器检测人机交互任务中操作员的心理疲劳 (MF) 的最新发展。该研究课题受到了广泛关注，因为专家们一致认为，在安全关键任务中，人为失误与事故之间的关系日益密切。MF 是导致人为失误的最有影响力的方面之一，评估它的最可靠方法是使用操作员的生理数据，尤其是 EEG。在过去的几十年里，数百篇出版物探讨了单独使用 EEG 或结合其他客观和主观测量方法来评估人类操作员的 MF、困倦和疲劳。随着数据预处理、特征提取和分类算法的最新改进，实时监测和缓解 MF 已成为现实。这一趋势主要归因于机器学习技术的使用越来越多。本文全面介绍了使用 EEG 进行 MF 检测领域的当前最新技术，确定了当前使用的技术、算法和方法以及可能的趋势和有希望进一步研究的领域。本文最后建议使用基于核偏最小二乘离散输出线性回归 (KPLS-DLR) 的模型作为 MF 评估系统的全面良好选择。
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。
由于完成连续的认知任务或观看纪录片而导致的精神疲劳会损害平衡控制
摘要 本研究旨在评估由 90 分钟持续性认知任务引起的心理疲劳 (MF) 对平衡控制的影响。招募了 20 名健康的年轻参与者。他们必须在观看纪录片之前和之后站在力台上执行三项姿势任务（睁眼站在稳定支撑物上、闭眼站在摇板上），或在 MF 条件下执行长时间持续性认知任务 (AX-持续性表现测试 - AX-CPT)。结果表明，执行 AX-CPT 会产生 MF，因为参与者在 AX-CPT 后从 NASA 任务负荷指数中感受到的主观工作量比观看纪录片后更高。AX-CPT 和观看纪录片都会损害平衡控制，主要是通过影响姿势调节机制来损害平衡控制，这种机制随着认知资源的参与度增加而向不太自动和不太复杂的调节模式发展。 AX-CPT 产生的 MF 通过损害注意力处理来影响平衡控制，而观看纪录片对姿势控制的有害影响可能源于长时间坐着对随后站立时平衡控制的不利影响。
通过生物信号了解疲劳
疲劳是一个多方面的结构，是人类体验的重要组成部分。疲劳有两个主要方面：心理疲劳和身体疲劳，它们往往交织在一起，加剧了它们对日常生活和整体幸福感的共同影响。为了减轻这种影响，理解和量化疲劳至关重要。生理数据在理解疲劳方面起着关键作用，可以让我们深入了解疲劳的程度和类型。通过分析这些生物信号，研究人员可以确定一个人是感到精神疲劳、身体疲劳还是两者兼而有之。本文介绍了 MePhy，这是一个全面的数据集，包含各种生物信号，这些信号是在诱发不同的疲劳条件（尤其是精神疲劳和身体疲劳）时收集的。在与压力情况密切相关的生物信号中，我们选择了：眼部活动、心脏活动、皮肤电活动 (EDA) 和肌电图 (EMG)。数据是使用不同的设备收集的，包括相机、胸带和 BITalino 套件中的不同传感器。
大脑雾量表（BFS）：比例开发和验证
最近，我们目睹了脑雾区域研究的研究数量迅速增加，这主要是因为据报道这是一种频繁的长期疾病。然而，脑雾的构造仍然不确定，并且缺乏一种常见的评估方法。因此，本研究的主要目的是开发和验证用于临床和研究环境中的自我报告脑雾量表（BFS）。参与者是1452（n = 996，68.6％）的波兰大学生。数据是通过自我完成问卷匿名收集的。结果表明23个项目的BFS具有良好的心理测量特性。基于主成分分析（PCA）和验证性因素分析（CFA）结果，该量表最好由三因素解决方案捕获，其中六个项目在精神疲劳因子上加载，在认知敏锐度因子受损受损上加载了九个项目，以及在混淆因子上加载的八个项目。我们发现，与从未对COVID-19的从未测试呈阳性的匹配的对照组相比，对COVID-19测试阳性的人的精神疲劳，认知敏锐度受损和混乱得分明显更高。
基于脑电图信号的多重有限穿透水平可视性图用于驾驶员疲劳检测
驾驶员疲劳是导致道路交通事故的重要因素，驾驶员疲劳检测因其重要性而引起了广泛关注。尽管已经提出了许多方法来完成这项具有挑战性的任务，但疲劳机制的特征仍在很大程度上有待研究。为了解决这个问题，我们在本文中开发了一种新颖的多重有限穿透水平可视性图 (Multiplex LPHVG) 方法，该方法不仅可以检测疲劳驾驶，还可以探究大脑疲劳行为。重要的是，我们使用我们的方法从不同受试者在警觉和疲劳驾驶状态下执行模拟驾驶任务时记录的 EEG 信号构建大脑网络。然后，我们使用聚类系数、全局效率和特征路径长度来表征从不同大脑状态下生成的网络的拓扑结构。此外，我们将平均边重叠与网络测量相结合以区分警觉和精神疲劳状态。高精度分类结果清楚地证明并验证了我们的多路复用 LPHVG 方法在脑电信号疲劳检测中的有效性。此外，我们的研究结果还表明，随着大脑从警觉状态转变为精神疲劳状态，聚类系数显著增加，这为疲劳驾驶相关的大脑行为提供了新的见解。