XiaoMi-AI文件搜索系统
World File Search System脑力负荷
Google 学术："脑力负荷" "飞机" filetype:pdf
... 在飞行员和飞机的闭环控制中，有 3 个地方可以收集数据以进行操作风险分析。第一个是飞行员本人。我们可以要求他提供主观...
干扰和认知需求对脑力负荷的影响：一项评论
NITIN KOUNDAL 1、ABDUALRHMAN ABDALHADI 1、MAGED S. AL-QURAISHI 2、（IEEE 成员）、IRRAIVAN ELAMVAZUTHI 3、（IEEE 高级成员）、MAHDIYEH SADAT MOOSAVI 4、CHRISTOPHE GUILLET 5、FRÉDÉRIC MERIENNE 4、（IEEE 成员）和 NAUFAL M. SAAD 1、（IEEE 成员）1 马来西亚国油理工大学（UTP）电气与电子工程系智能信号与图像研究中心（CISIR），斯里伊斯干达 32610，马来西亚 2 法赫德国王石油矿产大学智能移动与物流跨学科研究中心，沙特阿拉伯 Dhahran 31261 3 智能辅助与康复技术(SMART)，电气与电子工程系，马来西亚国家石油大学 (UTP)，Seri Iskandar 32610，马来西亚 4 Arts et Métiers Institute of Technology, LISPEN, HESAM Université, 71100 Chalon-sur-Saône, France 5 勃艮第大学，LISPEN, 71100 Chalon-sur-Saône, France
一种基于深度学习的高效解决方案，利用可穿戴传感器识别脑力负荷的相对变化
摘要 — 在本文中，提出了一种自动识别心理工作量相对变化的新解决方案。使用可穿戴传感器收集 26 名人类受试者在执行三个难度级别 n ∈{1, 2, 3} 的 n-back 任务时的 EEG、EDA、PPG 和眼动追踪数据。目标是通过将当前信号窗口与前一个信号窗口进行比较来识别心理工作量是增加、减少还是稳定。所提出的三类分类器主要使用 CNN 层和新颖的合并层，该合并层系统地捕获两个检查窗口的局部段之间的相互作用。事实上，它受到了基于 Transformer 和 CNN 的网络在时间序列分类方面的竞争成功的启发。在所提出的解决方案利用了 CNN 网络的效率的同时，由于提出了合并层，它还与 Transformer 类似，具有捕获序列局部事件之间相互作用的能力。在准确性方面，实验结果表明，在眼球方向、PPG 和 EEG 数据上，所提出的解决方案优于经典 CNN、BiLSTM 和 transformer 网络，而在眼球瞳孔直径和 EDA 数据上，其性能与 transformer 网络相当。实验结果显示，每个时期的平均训练时间明显小于 transformer 和 BiLSTM 网络。索引术语——心理工作量 (MWL)、深度神经网络 (DNN)、时间序列分类 (TSC)、眼动追踪、光电容积图 (PPG)、脑电图 (EEG)、皮肤电活动 (EDA)、n-back 任务、transformer 神经网络、卷积神经网络 (CNN)。
护士脑力负荷及其相关因素...
在过去的二十年里，由于患者意识的增强和住院时间的减少，护理强度和护理工作量有所增加[1]。工作量增加是医疗保健领域尤其是重症监护病房（ICU）中最重要的问题之一，可能会对护士和患者产生负面影响[2]。工作量是影响患者安全和护理质量的因素之一[3]。如今，由于现代科技的进步，工作环境发生了变化，因此，许多工作环境对个人的认知需求超过了身体需求。因此，根据职业类型的不同，人体工程学中有一个称为“心理工作量”的概念作为一般概念使用。护理是可以使用这一概念的职业之一。工作量不仅限于护士的体力任务；他们的认知任务（心理工作量）也是护士整体工作量的一个复杂部分[3，4]。
护士脑力负荷及相关因素分析...
在过去的二十年里，由于患者意识的增强和住院时间的减少，护理强度和护理工作量增加[1]。工作量增加是医疗保健领域最重要的问题之一，尤其是重症监护病房 (ICU)，会对护士和患者产生负面影响 [2]。工作量是影响患者安全和护理质量的因素之一 [3]。如今，由于现代技术的进步，工作环境发生了变化，因此，许多工作环境对个人的认知需求比身体需求更多。因此，根据职业类型，人体工程学中使用一个称为“心理工作量”的概念作为一般概念。护理是可以使用此概念的职业之一。工作量不仅限于护士的体力任务，其认知任务（脑力工作量）也是护士整体工作量的一个复杂组成部分 [3, 4] 。
虚拟现实中脑力负荷的利用
这三年以极快的速度过去了，其中一些重要的时刻将铭刻在我的心中，特别是感谢这份手稿。这是我向所有以某种方式为这一结果做出贡献的人表示感谢的机会。我首先要感谢评审团的所有成员：Catherine Pelachaud 博士，她让我有幸主持了我的论文答辩，Daniel Mestre 博士和 Mark Billinghurst 教授。我还要感谢安东尼·斯蒂德教授，他在国际交流的背景下慷慨地接受了我在伦敦大学学院的接待，尽管不幸的是，由于大流行，这并没有发生。这对我来说是一种荣幸和高兴，我希望在未来几年有机会参观虚拟环境和计算机图形小组。每个人都花了很多宝贵的时间来阅读我的作品。我很荣幸也很高兴能够得到高素质研究人员的评估，我特别感谢他们提出的相关、丰富和建设性的评论。不用说，我接下来要感谢我的主管，没有他们，这一切都是不可能的。在我论文的这三年里，我有难得的机会被才华横溢、在场且充满爱心的导师包围。非常感谢你所做的一切，阿纳托尔。您不断的鼓励、您的经验以及您对孩子福祉的重视
脑力负荷分类的敏感通道选择
摘要：心理负荷（MW）评估在各类人机交互任务中得到广泛研究。现有的MW分类研究大多使用非侵入式脑电图（EEG）帽采集脑电信号并识别MW水平。但MW任务刺激的大脑激活区域对于每个受试者来说并不相同。使用来自所有电极通道的EEG信号来识别MW可能并不合适。本文首先建立EEG节律能量热图，直观展示四种EEG节律能量随时间、EEG通道和MW水平的变化趋势。从所呈现的热图中可以看出，这种变化趋势因受试者、节律和通道而异。在此基础上，提出了一种双阈值方法来选择MW评估的敏感通道。使用个性化选择通道的EEG信号，分别称为正敏感通道（PSC）和负敏感通道（NSC），并使用支持向量机（SVM）算法进行MW分类。结果表明，个性化敏感通道的选择普遍有助于提高MW分类的性能。
成功应对高强度脑力负荷和压力 - oatao
图 3 与心理工作量相关的大脑激活和停用。（a）统计参数图说明了 TNT 中心理工作量的主要影响。彩色条表示激活高度的 t 值（+ 10 至 � 10）。展示了在 2-back 与 0-back 期间激活增加（红色）和减少（蓝色）的皮质区域。为了便于说明，地图的阈值为 p < .001 FWE 校正。激活叠加在受试者的解剖 T1 扫描上，并标准化为标准 MNI 空间。ACC，前扣带皮层；PCC，后扣带皮层；DLPFC，背外侧前额叶皮层；DMPFC，背内侧前额叶皮层；PC，顶叶皮层（顶上回和顶下小叶）；SMA，辅助运动区； VMPFC，腹内侧前额皮质。（b）条形图显示相对于静止条件，0-back 和 2-back 条件下峰值体素处 BOLD 信号增加/减少的百分比。标明了 MNI 坐标。该百分比是针对每个任务难度级别的所有区块（即安全和威胁）计算的。误差线为 SEM。浅灰色 = 0-back，中灰色 = 2-back
不同脑力负荷水平下的情境意识研究
这是一篇根据知识共享许可协议（ http ： / / creativecommons.org / licenses / by / 4.0 ）分发的开放获取文章，
神经人体工程学方法用于脑力负荷、参与度和人类表现
在安全关键行为的背景下，对认知表现的评估和预测是任何关注人类操作员的学科的关键问题。大多数研究都集中在心理工作量的测量上，但尽管对该主题进行了数十年的研究，但这一构想仍然难以实施。神经人体工程学的最新进展扩展了我们对不同操作领域的神经认知过程的理解。我们提供了一个框架来解开那些支撑任务需求、唤醒、心理工作量和人类表现之间关系的神经机制。这种方法主张针对那些在绩效效率降低之前的特定心理状态。在包含任务参与和唤醒的二维概念空间中，识别和映射了许多不良的神经认知状态（走神、努力放弃、坚持不懈、注意力不集中现象）。我们认为，监测前额叶皮层及其失活可以指示从正常操作状态到受损状态的一般转变，在这种情况下，绩效可能会下降。我们确定了专门解释这些状态的神经生理学、生理学和行为标记。然后，我们提出了一种神经适应性对策类型，以缓解这些不良心理状态。