Monitoring mental workload by EEG during a game in Virtual Reality
在活动期间,了解用户的心理工作负荷(MWL)允许改善人机交互(HMI)。事实上,MWL对个人及其与环境的互动产生影响。因此,监测是一个至关重要的问题。在这种情况下,我们创建了基于N-back任务(通常用于测量MWL)的虚拟游戏Back to Pizza。在这个更有趣的变体中,用户必须执行比萨食品卡车的客户的订单。这是一个互动游戏,涉及IHM'23会议的观众,选择几个参数,如成分的数量。在此体验期间,目标是通过脑电图(EEG)实时的测量MWL,并向观众提供MWL水平的视觉反馈。通过这个演示,我们提出了一个虚拟互动游戏的概念,测量MWL在实时的。
2023-03-28 cs.HC
Mental State Recognition via Wearable EEG
The University of Memphis(孟菲斯大学);IBM T. J. Watson Research Center(IBM托马斯·J·沃森研究中心)
消费者脑电图(EEG)耳机的质量和价格的不断提高使其在医疗级设备不切实际的情况下具有吸引力。预测和跟踪认知状态是可能的任务,以前不利于EEG监测。例如,监控操作员不适合任务的状态(例如昏昏欲睡的司机),跟踪心理健康(例如焦虑)和生产力(例如疲劳)都是该技术的可能应用。消费级EEG耳机价格实惠且相对易于使用,但它们缺乏使用医疗级EEG设备可以实现的信号分辨率和质量。因此,关键问题仍然存在:可穿戴EEG设备能够在多大程度上识别精神状态,以及这些设备可以准确识别什么样的精神状态?在这项工作中,我们研究了对两种不同类型输入的反应:教学(逻辑)与娱乐(情感)视频,使用一系列机器学习方法。我们尝试了支持向量机、稀疏逻辑回归和深度信念网络,来区分不同类型的视频输入所引起的心理状态,这些心理状态可以大致标记为逻辑与情感。我们的研究结果表明,可穿戴EEG设备在区分具有较大上下文但细微明显差异的情况之间的认知状态方面具有显着的潜力。
2016-06-05 cs.CV cs.HC
Mental Effort Estimation in Motion Exploration and Concept Generation Design Tasks using Inter-Band Relative Power Difference of EEG
本研究引入了一种基于EEG的频带间相对功率差(inter-BRPD)指标,通过32人参与的运动探索与概念生成设计实验,验证了其能以更少参数有效量化设计师脑力,为概念设计支持与评估提供了新途径。
2025-08-14 cs.HC stat.ME
Two factor authentication using EEG augmented passwords
目前EEG设备在用户认证方面的研究存在一些不足,涉及昂贵的设备,实验室条件和适用性的要求。在本文中,我们解决这个问题,使用广泛可用的和廉价的EEG设备,以验证其认证能力。作为这项研究的一部分,我们开发了两个阶段的身份验证,使用户能够增强他们的密码与心理状态,打破密码成更小,他们与心理状态结婚,并生成一个时间密码本的安全会话。
2016-12-30 cs.CR cs.HC
Understanding Mental States in Active and Autonomous Driving with EEG
本文通过EEG研究主动和自动驾驶中心理状态的差异,发现两种模式在神经激活和心理状态强度上有显著区别,强调了开发自动驾驶车辆驾驶员监控系统时需使用场景特定的数据和模型。
2025-12-09 cs.AI cs.HC
Deep Learning Decoding of Mental State in Non-invasive Brain Computer Interface
脑机接口(Brain Computer Interface,BCI)是近年来研究脑功能的一种重要手段。心理状态监测是BCI最重要的应用之一,并且变得越来越容易获得。然而,通过脑电(EEG)的精神状态预测的准确性和通用性不够好,日常使用。在本文中,我们提出了一种基于深度学习的EEG解码方法来读取精神状态。我们提出了一种新的一维卷积神经网络,具有不同的滤波器长度,以捕捉不同的频段信息。为了提高预测精度,我们还使用了类似resnet的结构来训练一个相对较深的卷积神经网络,以促进特征提取。与传统的预测方法如KNN和SVM相比,我们取得了显着更好的结果,准确率为96.40%。此外,与一些已经发布的开源深度神经网络结构相比,我们的方法在精神状态识别数据集上实现了最先进的预测精度。我们的研究结果表明,仅使用一维卷积可以提取脑电的特征,并使用便携式脑电设备的精神状态预测的可能性。
2019-11-11 cs.HC eess.IV eess.SP
Sensors and Systems for Monitoring Mental Fatigue: A systematic review
University of Massachusetts Boston(马萨诸塞大学波士顿分校);Australian Catholic University(澳大利亚天主教大学);Nepalese Army Institute of Health Sciences College of Medicine(尼泊尔陆军卫生科学学院医学院)
本系统综述总结了精神疲劳的理论模型与生物传感技术,分析了57项基于脑电图等传感器的研究,发现EEG传感器对疲劳检测具有中等到良好的灵敏度,并探讨了可穿戴设备与环境传感器在现实场景中的部署前景。
2023-09-10 cs.CV cs.HC
Brain Computer Interface (BCI) based on Electroencephalographic (EEG) patterns due to new cognitive tasks
本文研究基于新认知任务的脑机接口,提出“Hit Series”心理任务,并通过多种特征构建与分类方法验证其识别性能优于传统运动想象任务。
2023-07-06 cs.HC q-bio.NC
Modified TSception for Analyzing Driver Drowsiness and Mental Workload from EEG
Department of Computer Science and Engineering, Indian Institute of Technology, Roorkee, Uttarakhand, 247667, India(计算机科学与工程系,印度理工学院,罗尔基,乌塔兰德,印度);Department of Computer Science and Engineering, OP Jindal University, Raigarh, Chhattisgarh, 496109, India(计算机科学与工程系,OP金达尔大学,拉里加,恰特内格尔,印度);Department of Computer Science, Electrical and Space Engineering, Luleå Tekniska Universitet, Luleå, 97187, Sweden(计算机科学、电气与航天工程系,卢勒奥技术大学,卢勒奥,瑞典);Department of Computer Science and Engineering, Indian Institute of Technology, Dhanbad, Jharkhand, 826007, India(计算机科学与工程系,印度理工学院,丹巴德,贾坎德,印度)
本研究提出改进的TSception架构,通过五层层次时间细化策略和两阶段融合机制,提升EEG数据中驾驶员困倦和心理负荷检测的准确性和稳定性。
2026-02-10 cs.CV cs.HC
Toward an improved BCI for damaged CNS-tissue patient using EEG-signal processing approach
本文研究了残疾人的大脑信号,使用各种信号处理方法,以达到所需的精度,利用脑机接口(BCI)。以9名中枢神经系统(CNS)组织损伤者的脑电信号为输入,研究对象包括词联想(WORD)、心算减法(MENTARY减法)、空间导航(NAV)、右手运动想象(HAND)和足部运动想象(FEET)5种心理任务。在数据处理中,采用Butterworth带通滤波器(8-30 Hz)进行预处理,采用CSP、TRCSP、FBCSP等方法进行特征提取,采用LDA、KNN、线性和非线性支持向量机进行分类。训练和测试过程重复多达100次,并且使用随机二次抽样方法来选择训练和测试数据。将100次重复的平均准确度报告为最终准确度。对9名中枢神经损伤者的数据进行5类2类心理任务的分类结果表明,FBCSP与KNN分类器相结合的分类正确率最高,为69 ± 1.1,属于词联想和足部运动想象两类。通过对不同的特征提取方法和分类器的研究表明,正确的特征选择方法,尤其是分类器的选择对提高识别率至关重要。此外,在设计用于具有中枢神经系统的人的脑机接口时,有必要关注成功的信号处理方法。
2021-11-01 cs.HC
An Evaluation of the EEG alpha-to-theta and theta-to-alpha band Ratios as Indexes of Mental Workload
Technological University Dublin(都柏林理工大学)
许多研究工作表明,EEG频带,特别是α和θ频带,已经成为潜在的有用的认知负荷指标。然而,很少有研究证实这一说法。本研究的目的是评估和分析的影响,α-θ和θ-α波段比支持创建的模型能够区分自我报告的看法,心理工作量。利用原始EEG数据的数据集,其中48名受试者以多任务SIMKAP测试的形式进行静息活动和诱导的任务要求运动。频带比设计从额叶和顶叶电极簇。构建和模型测试是用从随时间计算的比率中提取的来自频域和时域的高级独立特征来完成的。从休息和任务需求活动后收集的主观评级中提取用于模型训练的目标特征。采用Logistic回归、支持向量机和决策树建立模型,并采用准确率、召回率、精确率和f1分数等性能指标进行评估。实验结果表明,采用从α-θ比和θ-α比中提取的高级特征训练的模型具有较高的分类精度。初步结果还表明,使用逻辑回归和支持向量机训练的模型可以准确地对自我报告的心理工作负荷感知进行分类。这项研究有助于身体的知识,展示了丰富的信息提取的时间,频谱和统计领域的α-θ和θ-α脑电频带比的自我报告的感知精神工作量的歧视。
2022-03-02 cs.AI cs.HC cs.LG
Open-Source Concealed EEG Data Collection for Brain-Computer-Interfaces -- Real-World Neural Observation Through OpenBCI Amplifiers with Around-the-Ear cEEGrid Electrodes
在现实世界中观察大脑活动提供了令人兴奋的可能性,如支持身体健康,心理健康和思想控制的互动模式。然而,由于难以获得研究级神经数据以及缺乏易于使用和舒适的传感器,这些应用的开发受到了严重阻碍。这项工作提出了具有成本效益的适应隐藏的耳周围EEG电极(cEEGrids)的开源OpenBCI EEG信号采集平台,提供一个有前途的新工具包。描述了一种集成系统设计,该设计将公共可用的电子元件与新设计的3D打印部件相结合,以形成易于复制的、多功能的、单个单元的耳周EEG记录系统,以用于长期使用和易于应用开发。为了证明该系统的可行性,观察实验引起的视觉刺激和心理工作量的变化。最后,由于没有应用程序的cEEGrids的HCI上下文,一个新的应用领域的系统进行了研究,即通过观察时间的阿尔法功率变化的流动经验的观察。支持时间阿尔法功率和流量之间的联系,这表明一个有效的参与言语分析推理与强化流的经验,特别是强化任务吸收。
2021-01-31 cs.HC
Fine-Tuning Large Language Models Using EEG Microstate Features for Mental Workload Assessment
School of Computer Science, Technological University Dublin, Dublin, Ireland(计算机科学学院,都柏林技术大学,都柏林,爱尔兰);Artificial Intelligence and Cognitive Load Lab, Applied Intelligence Research Centre, School of Computer Science, Technological University Dublin, Dublin, Ireland(人工智能与认知负荷实验室,应用智能研究中心,计算机科学学院,都柏林技术大学,都柏林,爱尔兰)
本研究利用EEG微状态特征微调大型语言模型,通过四个阶段的实验设计,显著提升了“Rest”和“Load”认知负荷状态的预测准确度,为认知AI应用提供了新方法。
2025-08-10 cs.AI cs.HC eess.SP
MentalImager: Exploring Generative Images for Assisting Support-Seekers' Self-Disclosure in Online Mental Health Communities
本文提出技术原型MentalImager,通过生成与主题和情感相关的图像,帮助求助者在在线心理健康社区中进行自我表露,提升了求助者的表露满意度,并唤起了支持提供者的共情与帮助意愿。
2024-09-23 cs.HC
Examining the Unique Online Risk Experiences and Mental Health Outcomes of LGBTQ+ versus Heterosexual Youth
本研究通过分析173名青年的Instagram私信与险标记数据,发现LGBTQ+青年比异性恋青年经历更多高风险在线互动且心理健康更差,呼吁为其量身定制在线安全与包容性设计。
2024-02-14 cs.HC
Classification of Distraction Levels Using Hybrid Deep Neural Networks From EEG Signals
Korea University(高丽大学)
无创脑机接口技术是近年来发展起来的一种高性能的智能检测技术。对飞行员精神状态的检测尤为关键,因为他们的异常精神状态可能导致灾难性事故。在这项研究中,我们提出了通过应用深度学习方法对分心水平(即正常状态、低分心和高分心)进行分类的可行性。据我们所知,这项研究是第一次尝试在飞行环境下分类分心水平。我们提出了一个模型分类分心水平。共有10名飞行员在模拟飞行环境中进行了实验。总平均准确率为0.8437分类分心水平在所有科目。因此,我们相信它将在未来为基于人工智能技术的自动驾驶或飞行做出重大贡献。
2022-12-13 cs.AI cs.HC eess.SP
Framework for Electroencephalography-based Evaluation of User Experience
用脑电图(EEG)测量大脑活动已经足够成熟,可以评估精神状态。结合现有的方法,这样的工具可以用于加强对用户体验的理解。我们提供了一套方法来连续估计用户的心理负荷,注意力和识别的交互错误在不同的交互任务。我们验证这些措施的控制虚拟环境,并显示它们如何可以用来比较不同的交互技术或设备,通过比较这里的键盘和触摸界面。由于这样一个框架,EEG成为一个有前途的方法,以提高复杂的计算机系统的整体可用性。
2016-01-12 cs.HC
Systematic Enhancement of Functional Connectivity in Brain-Computer Interfacing using Common Spatial Patterns and Tangent Space Mapping
认知任务的功能连接允许研究人员使用脑电图(EEG)信号分析大脑不同区域之间发生的交互映射。功能连接性的标准实践涉及研究几次试验中的电极对相互作用。由于认知任务总是涉及人的因素,因此不可避免地具有来自受试者浓度或其他精神状态影响的脑信号的低质量数据,这些数据可能在整个实验试验中的任何时间发生。这些低质量的EEG严重影响电极之间的连接。在本文中,我们的目标是通过实施一个分类步骤的过程中,以消除那些不正确的EEG试验从可用的集合中,以提高功能连接的心理任务。分类步骤移除被错误分类或具有低发生概率的试验,以仅提取可靠的EEG试验。通过我们的方法,我们已经成功地提高了不同的心理任务之间的图参数的可分性。我们还观察到,通过仅关注一组选定的通道而不是使用所有通道,连接的可读性得到了提高。
2019-07-21 cs.HC q-bio.NC
Annotating Covert Hazardous Driving Scenarios Online: Utilizing Drivers' Electroencephalography (EEG) Signals
随着自动驾驶系统的普及,系统从包含细粒度驾驶场景的数据库中学习变得越来越重要。目前可用的大多数数据库都是人工注释的;它们昂贵,耗时,并且受到行为偏见的影响。在本文中,我们提供了初步的证据,支持一种新的技术,利用司机的脑电图(EEG)信号,隐式标记危险的驾驶场景,同时被动地观看记录的真实道路驾驶,从而节省人工注释的需要,避免人类注释者的行为偏见,在明确的报告。我们进行了一项脑电图实验,使用真实和动画记录的驾驶场景,并要求参与者在必要时明确报告危险。行为结果显示,参与者倾向于报告危险,只有当明显的危险(例如,车辆或行人突然从遮挡物后面出现)。相比之下,他们的EEG信号在看到明显的危险和隐蔽的危险时都会增强(例如,遮挡信号表示车辆或行人可能从后面出现)。因此,脑电信号更敏感的驾驶危险比明确的报告。此外,时间序列AI(TSAI)成功地将EEG信号分类为显性和隐性危险。我们将讨论未来在现实生活中实现该技术所需的步骤。
2023-02-24 cs.HC
Human-Machine Interface Evaluation Using EEG in Driving Simulator
Technical University of Munich(慕尼黑工业大学);Ulm University(乌尔姆大学)
本研究在静态驾驶模拟器中比较三种HMI设计,结合NASA-TLX、主观透明度测试与EEG频谱功率分析评估心理负荷,为心理生理测量研究提供基础。
2024-06-13 cs.HC cs.RO
ComViewer: An Interactive Visual Tool to Help Viewers Seek Social Support in Online Mental Health Communities
针对在线心理健康社区浏览者寻找支持内容的挑战,提出交互式可视化工具ComViewer,通过主题过滤、关键词适配的圆形打包组件及LLM驱动的内容交互功能,提升支持寻求体验并给出设计启示。
2024-11-28 cs.HC
The Topology of Recovery: Using Persistent Homology to Map Individual Mental Health Journeys in Online Communities
BNRIST, Dept. of CST, Tsinghua University(清华大学计算机科学与技术系,北京信息科学与技术国家研究中心)
本文利用持久同调分析在线社区中个体心理健康轨迹,提出语义康复速度指标,通过拓扑特征预测自我报告改善,提升心理健康研究的分析精度与应用价值。
2026-02-27 cs.HC
Decoding Workload and Agreement From EEG During Spoken Dialogue With Conversational AI
Chair of Neuroadaptive Human--Computer Interaction(神经适应性人机交互教授席位);Brandenburg Technical University Cottbus--Senftenberg(勃兰登堡技术大学库滕堡-森芬根堡分校);Auryal GmbH(Auryal公司);Cottbus, Germany(库滕堡,德国)
本文提出通过EEG解码语音对话中的工作负荷与共识,验证了现有分类器在对话场景中的迁移能力,并探讨了其应用限制。
2026-02-02 cs.AI cs.HC
Rethinking Generalized BCIs: Benchmarking 340,000+ Unique Algorithmic Configurations for EEG Mental Command Decoding
Inclusive Brains(包容大脑);Wavestone;Human Technology Foundation(人类科技基金会);Mohamed bin Zayed University of Artificial Intelligence(Mohamed bin Zayed人工智能大学);Institute for Artificial Intelligence, Biotech Dental Group(人工智能研究所,生物技术牙科集团);IBM Technology(IBM技术);IBM France Lab(IBM法国实验室)
本文通过评估超过340,000种独特的空间和非线性EEG分类组合,重新审视通用BCI,发现非线性方法在特定个体中表现更优,强调个性化流程选择的必要性。
2025-12-02 cs.AI cs.HC cs.LG
Escaping the Filter Bubble: Evaluating Electroencephalographic Theta Band Synchronization as Indicator for Selective Exposure in Online News Reading
GESIS Leibniz Institute for the Social Sciences(GESIS莱布尼茨社会科学研究所);LMU Munich(慕尼黑大学);HU Berlin(柏林洪堡大学)
通过脑电图和眼动追踪评估在线新闻阅读中的选择性暴露,以提供更平衡的信息推荐
2026-01-05 cs.HC
What Makes Digital Support Effective? How Therapeutic Skills Affect Clinical Well-Being
本文结合NLP与机器学习分析大型在线同伴支持平台的一对一聊天,发现其对抑郁和焦虑有显著但较小的改善,并识别出有益与有害的治疗技巧。
2023-12-17 cs.HC
Decoding Continual Muscle Movements Related to Complex Hand Grasping from EEG Signals
脑机接口(Brain-computer interface,BCI)是一种从脑电信号中解码运动执行(motor execution,ME)或运动想象(motor imagination,MI)来解释用户意图的实用途径。然而,开发由ME或MI驱动的BCI系统是具有挑战性的,特别是在包含连续和复合肌肉运动的情况下。本研究分析了ME和MI范式下的三种抓握动作。我们还研究了离线和伪在线实验中的分类性能。我们提出了一种新的方法,使用肌肉活动模式(MAP)图像的卷积神经网络(CNN),以提高分类精度。我们同时记录EEG和肌电图(EMG)信号,并通过解码这两个信号来创建MAP图像,以估计特定的手抓握。结果,我们获得了ME的平均分类准确率为63.6($\pm$ 6.7)%,MI的平均分类准确率为45.8($\pm$ 4.4)%。此外,我们进行了伪在线实验,并获得了60.5($\pm$ 8.4)%,在ME和42.7($\pm$ 6.8)%,在MI的分类准确率。所提出的方法MAP-CNN即使在伪在线实验中也表现出稳定的分类性能。我们希望MAP-CNN在未来可以用于各种BCI应用。
2021-12-15 cs.HC
Improving motor imagery decoding methods for an EEG-based mobile brain-computer interface in the context of the 2024 Cybathlon
Technical University of Munich(慕尼黑工业大学);neuroTUM e.V.(neuroTUM协会);Ludwig-Maximillian University of Munich(路德维希-马克西米利安慕尼黑大学)
本文提出了一种模块化的EEG脑机接口系统,通过深度学习实现高精度解码,结合用户反馈和低成本硬件,提升移动BCI的实用性与可访问性。
2026-03-30 cs.HC
Online Inference of Human Intention as a Latent Control State from Single-Trial EEG
University of Technology Sydney(悉尼科技大学)
本研究提出一种可解释的模糊原型网络,从单次试验脑电中推断潜在意图状态,在受试者内部解码中达到93.22%的准确率,并验证了在线实时可行性,推动了意图感知脑机接口的发展。
2026-09-30 cs.HC
A Compact and Interpretable Convolutional Neural Network for Cross-Subject Driver Drowsiness Detection from Single-Channel EEG
Fraunhofer Singapore(弗劳恩霍夫新加坡);Nanyang Technological University(南洋理工大学)
在交通运输行业中,驾驶员困倦是导致道路交通事故和危害的主要因素之一。脑电(EEG)直接测量大脑的神经生理活动,被认为是检测驾驶员困倦状态的最佳生理信号之一。然而,设计一个免校准的驾驶员困倦检测系统与脑电图仍然是一个具有挑战性的任务,因为脑电图遭受严重的精神和身体漂移在不同的主题。在本文中,我们提出了一个紧凑的和可解释的卷积神经网络(CNN),发现共享的EEG特征,在不同的主题驾驶员困倦检测。我们将全局平均池(GAP)层的模型结构,允许类激活图(CAM)方法用于本地化的输入信号,最有助于分类的区域。实验结果表明,该模型在11名受试者的2类跨受试者脑电信号分类中,平均准确率为73.22%,高于传统的机器学习方法和其他先进的深度学习方法。可视化技术揭示了模型已经学习了生物学上可解释的特征,例如,阿尔法纺锤波和西塔纺锤波爆发,作为昏昏欲睡状态的证据。同样有趣的是,该模型使用了通常主导清醒EEG的伪影,例如,肌肉伪影和传感器漂移,以识别警报状态。该模型说明了一个潜在的方向,使用CNN模型作为一个强大的工具,发现共享的功能,不同的精神状态在不同的主题从EEG信号。
2021-05-30 cs.HC cs.LG cs.NE
Exploring the Effects of AI-assisted Emotional Support Processes in Online Mental Health Community
Seoul National University(首尔国立大学);KAIST(韩国科学技术院)
在线心理健康社区(OMHCs)中的社会支持是管理心理健康的有效和可访问的方式。在这个过程中,分享情感支持被认为是至关重要的繁荣的社会支持OMHC,但往往很难为寻求者和提供者。为了支持移情互动,我们设计了一个AI注入的工作流程,允许用户根据搜索者的情感和写作的上下文关键字的启发,向其他用户的帖子撰写情感支持消息。基于初步的用户研究(N = 10),我们发现该系统可以帮助求职者在写帖子时澄清情感并具体描述文本。提供者也可以学习如何对帖子做出同理心的反应。基于这些结果,我们建议我们提出的系统的设计影响。
2022-02-21 cs.AI cs.HC
Privacy Aware Question-Answering System for Online Mental Health Risk Assessment
University of Southern California(南加州大学)
本研究提出一种基于Unified-QA模型的问答式心理健康风险评估方法,通过差分隐私实现训练过程匿名化,在两个大型数据集上验证了方法有效性,且隐私保护带来的性能下降不足1%。
2023-06-09 cs.AI cs.CL cs.HC
Multi-Source EEG Emotion Recognition via Dynamic Contrastive Domain Adaptation
Northwest University(西北大学);Zhejiang University(浙江大学);Rochester Institute of Technology(罗切斯特理工学院)
提出多源动态对比域适应方法(MS-DCDA),通过多分支对比网络与子域差异学习解决EEG情绪识别的个体差异问题,在SEED和SEED-IV数据集上取得高准确率并优于多种域适应方法。
2024-12-23 cs.HC cs.LG eess.SP
Understanding Remote Mental Health Supporters' Help-Seeking in Online Communities
Cornell University(康奈尔大学)
研究探讨远程心理健康照护者在在线社区中的求助行为及其社区回应,揭示了数字线索在危机管理中的重要性,并提出沟通支持和危机协调的设计建议。
2026-02-10 cs.CY cs.HC
M-GWAP: An Online and Multimodal Game With A Purpose in WordPress for Mental States Annotation
University of California, Irvine(加州大学欧文分校)
M-GWAP是一个多模态游戏,其目的是利用群体现象的智慧来注释多媒体数据的心理状态。这个游戏的目的是在WordPress中开发,允许用户在没有编程技能的情况下实现游戏。游戏采用激励策略让玩家保持参与,例如评分系统,玩游戏时的文本激励,促进竞争的排名系统和识别建设的机制。当前版本的游戏是在alpha和beta测试帮助改进游戏后部署的。
2019-05-30 cs.CL cs.HC
A Virtual Reality Simulation Pipeline for Online Mental Workload Modeling
University of California Santa Cruz(加州大学圣克鲁兹分校)
无缝的人机交互(HRI)和合作的人机(HR)合作严重依赖于准确和及时的人类心理负荷(MW)模型。认知负荷理论(CLT)认为,典型的物理环境产生典型的心理过程,物理环境的保真度与提高建模精度相对应。虚拟现实(VR)系统提供能够复制复杂场景的沉浸式环境,特别是与高风险、高压力场景相关联的那些场景。被动生物信号建模显示出作为MW建模的非侵入性方法的前景。然而,VR系统很少包括多模态心理生理反馈或利用生物信号数据进行在线MW建模。在这里,我们开发了一种新的VR仿真管道,灵感来自NASA的多属性任务电池II(MATB-II)的任务架构,能够同步收集客观性能,主观性能和被动的人类生物信号在模拟危险的探索环境。我们的系统设计通过机器人操作系统(ROS)提取和发布生物特征,促进基于心理生理学的实时的MW模型集成到完整的端到端系统中。能够在线评估MW的VR模拟管道可以为推进HR系统和VR体验奠定基础,使这些系统能够自适应地改变其行为以响应操作员MW。
2021-11-24 cs.HC cs.RO
Agent-based Simulation for Online Mental Health Matching
Princeton University(普林斯顿大学);Carnegie Mellon University(卡内基梅隆大学);Cups(7Cups)
在线心理健康社区(OMHC)是一个有效和可访问的渠道,为有心理和情感问题的个人提供和接受社会支持。然而,这些平台面临的一个关键挑战是找到合适的合作伙伴进行互动,因为匹配用户的机制目前还不发达。在本文中,我们与世界上最大的OMHC之一,开发一个基于代理的仿真框架,并探讨在不同的匹配算法的权衡。模拟框架允许我们比较平台上的当前机制和新算法匹配策略,并观察它们对各种结果指标的不同影响。我们的研究结果包括,延迟接受算法的使用可以显着改善支持寻求者在一对一聊天中的体验,同时保持较低的等待时间。我们注意到基于代理的建模在OMHC背景下揭示的关键设计考虑因素,包括算法匹配对边缘化社区的潜在好处。
2023-03-20 cs.AI cs.HC cs.LG
Driver Drowsiness Estimation from EEG Signals Using Online Weighted Adaptation Regularization for Regression (OwARR)
DataNova;U.S. Army Research Laboratory(美国陆军研究实验室);University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校);DCS Corp(DCS公司);University of Technology, Sydney(悉尼科技大学);National Chiao-Tung University(国立交通大学)
阻碍脑机接口(BCI)从实验室环境过渡到现实生活应用的一个巨大挑战是高性能和鲁棒的学习算法的可用性,其可以有效地处理个体差异,即,可以应用于具有零或非常少的对象特定校准数据的新对象的算法。迁移学习和领域自适应已被广泛用于这一目的。然而,大多数以前的作品集中在分类问题。本文考虑了脑机接口中一个重要的回归问题,即从脑电信号中在线估计驾驶员的困倦程度。通过将模糊集与领域自适应相结合,提出了一种新的在线加权自适应正则化回归(OwARR)算法以减少特定对象的校准数据量,并提出了一种源域选择(SDS)方法以节省OwARR算法一半的计算量。使用模拟驾驶数据集与15个科目,我们表明,OwARR和OwARR-SDS可以实现显着较小的估计误差比其他几种方法。我们还对OwARR和OwARR-SDS的鲁棒性进行了全面的分析。
2017-02-09 cs.HC cs.LG
Decoding Fatigue Levels of Pilots Using EEG Signals with Hybrid Deep Neural Networks
Korea University(高丽大学)
本研究提出一种由五个卷积块和一个长短期记忆块组成的混合深度神经网络,基于EEG信号对飞行员的三种疲劳水平进行分类,实现了0.8801的优异准确率,为自主飞行和驾驶技术做出重大贡献。
2024-10-30 cs.HC cs.LG eess.SP
Digital Permission Structures: How Celebrity Disclosure Enables Black Masculine Vulnerability in Online Mental Health Discourse
University of Johannesburg(约翰内斯堡大学)
本研究通过分析李尔·韦恩披露心理健康问题后的YouTube评论,提出数字许可结构模型,揭示名人身份、嘻哈真实性与平台可供性共同促成黑人男性脆弱性表达,并建议干预措施应利用集体主义与文化真实性。
2025-10-23 cs.CY cs.HC
Self-Calibrating BCIs: Ranking and Recovery of Mental Targets Without Labels
GrizAI University of Glasgow(GrizAI 格拉斯哥大学);University of Helsinki(赫尔辛基大学);LUT University University of Copenhagen(LUT 大学 哥本哈根大学)
CURSOR通过自校准方法实现无需标签的思维目标恢复,能预测图像相似度、排名刺激并生成逼真的新刺激。
2025-12-01 cs.CV cs.HC
The Role of Partisan Culture in Mental Health Language Online
本研究探究党派文化对美国共和党与民主党用户在在线心理健康社区表达困扰的影响,通过因果推断与自然语言处理方法分析匹配用户的帖子,发现党派文化确实影响困扰表达,强调平台设计需考虑党派差异。
2025-06-25 cs.CY cs.HC cs.SI
Modeling cognitive load as a self-supervised brain rate with electroencephalography and deep learning
Technological University Dublin(都柏林理工大学)
测量脑力负荷的主要原因是量化执行任务的认知成本,以预测人类的表现。遗憾的是,目前还没有一种具有普遍适用性的心理负荷评估方法。这项研究提出了一种新的自我监督方法,用于从EEG数据中进行心理工作负荷建模,该方法采用深度学习和连续的大脑速率,这是一种认知激活指数,而不需要人类陈述性知识。该方法是一种卷积递归神经网络,可以用来自EEG数据的空间保留谱地形头部图来训练,以拟合大脑速率变量。研究结果表明,卷积层能够从EEG数据中学习有意义的高级表示,因为受试者内模型的测试平均绝对百分比误差平均值为11%。增加一个长短期记忆层来处理高级表示的序列并不重要,尽管它确实提高了它们的准确性。研究结果指出,认知激活的学习高级表征存在准稳定块,因为它们可以通过卷积诱导,并且随着时间的推移似乎不相互依赖,直观地匹配大脑反应的非平稳性质。跨学科的模型,从越来越多的参与者的数据,从而包含更多的变异性,获得了类似的准确性内的主题模型。这突出了潜在的普遍性的诱导高层次的代表性在人群中,这表明存在独立于主体的认知激活模式。这项研究为学者提供了一种新的计算方法,用于心理工作负荷建模,旨在普遍适用,不依赖于支持可复制性和可证伪性的特设人工模型,从而为知识体系做出了贡献。
2022-09-21 cs.AI cs.HC cs.LG
Online and Offline Domain Adaptation for Reducing BCI Calibration Effort
DataNova, NY USA(DataNova(美国纽约))
许多真实世界的脑机接口(BCI)应用依赖于EEG信号中事件相关电位(ERP)的单次试验分类。然而,由于不同的主题有不同的神经反应,即使是相同的刺激,这是非常困难的建立一个通用的ERP分类器的参数适合所有的主题。分类器需要使用一些标记的特定于对象的数据来针对每个个体对象进行校准。本文提出了在线和离线加权自适应正则化(wAR)算法来减少这种校准工作,即,以最小化BCI校准中所需的标记的受试者特定EEG数据的量,并因此增加BCI系统的实用性。我们证明使用视觉诱发电位古怪的任务和三种不同的EEG耳机,无论是在线和离线WAR算法显着优于其他几种算法。此外,通过源域选择,我们可以减少约50%的计算成本,使他们更适合实时应用。
2017-02-09 cs.HC cs.LG
Boosted Convolutional Neural Networks for Motor Imagery EEG Decoding with Multiwavelet-based Time-Frequency Conditional Granger Causality Analysis
Beihang University(北京航空航天大学);The University of Sheffield(谢菲尔德大学)
由于感知决策过程的非平稳性,对不同心理状态的脑电信号进行解码是脑机接口的一项挑战性任务。提出了一种基于多小波时频因果分析的运动想象脑电信号增强型卷积神经网络(ConvNets)解码方法。首先将多小波基函数与Geweke谱测度相结合,得到高分辨率的TF-条件Granger因果关系(CGC)表示,并采用正则化正交前向回归(ROFR)算法检测具有良好泛化性能的简约模型.基于α波段多通道脑电信号的TF-CGC分布,设计了保留时间、频率和连通性位置信息的网络输入因果图。通过使用时空卷积以及深度学习的进步,包括裁剪和提升方法,进一步构建了提升的ConvNets,以提取判别因果关系特征并对MI任务进行分类。我们提出的方法优于竞争优胜者算法的平均准确性增加了12.15%,相关的受试者间标准差减少了74.02%,对于BCI竞争-IV测试-IIa的相同的二进制分类。实验结果表明,基于因果关系图像的增强型ConvNets能够很好地解码MI-EEG信号,为开发MI-BCI系统提供了一个很有前途的框架。
2018-10-22 cs.CV cs.HC
Siamese Network with Dual Attention for EEG-Driven Social Learning: Bridging the Human-Robot Gap in Long-Tail Autonomous Driving
University of Michigan(密歇根大学)
针对机器人缺乏人类社会学习中从交互反馈学习的认知发展途径问题,提出结合双注意力孪生网络与动态时间规整重心平均的BCI框架,实现EEG信号分类检测安全关键事件,在长尾自动驾驶场景中提升机器人认知能力与安全性能。
2025-04-14 cs.HC cs.LG cs.RO
MHDash: An Online Platform for Benchmarking Mental Health-Aware AI Assistants
MHDash是一个开源平台,用于评估心理健康意识AI助手的安全性和性能,揭示传统基准在心理健康领域不足的问题。
2026-01-30 cs.AI cs.HC
Generating Ten BCI Commands Using Four Simple Motor Imageries
Istanbul Technical University(伊斯坦布尔技术大学)
脑机接口(brain computer interface,BCI)系统是通过分析脑电(electroencephalogram,EEG)记录在人与计算机之间传递信息的系统,它是一种在大脑中对运动进行预演而不产生身体输出的过程,可称为运动想象(motor imagery,MI)。在现有文献中,大多研究两个或四个命令(类)。为了解决这个问题,建议使用心理任务和MI任务。不幸的是,这种方法的使用降低了MI EEG信号的分类性能。功能磁共振成像分析表明,大脑中与运动想象相关的资源可以被独立激活。假设由身体部位组合的MI引起的脑活动对应于在每个身体部位的简单MI期间产生的活动的叠加。在这项研究中,为了创建四个以上的BCI命令,我们建议人工生成组合的MI脑电信号,通过使用左手,右手,舌头和脚运动图像成对。最多可以产生十个不同的BCI指令,通过使用四个运动图像成对。本研究旨在实现一个小规模的深度神经网络(DNN)的BCI指令从四个运动图像产生的高分类性能。所提出的方法进行了评估的四类数据集的BCI比赛III和IV,并取得了81.8%的平均分类性能为10类。上述假设也在不同的数据集上得到验证,该数据集由实时的采集的简单和组合的MI EEG信号组成。使用人工生成的组合MI EEG信号进行训练,DivFE导致实时采集的组合MI EEG信号的平均成功率为76.5%。
2021-05-30 cs.HC cs.LG eess.SP
Toward reliable signals decoding for electroencephalogram: A benchmark study to EEGNeX
本文通过多范式基准评估提出纯卷积架构 EEGNeX,在 11 个运动想象任务上以 2.1%-8.5% 的显著精度提升超越现有方法,并公开全部模型。
2023-09-24 cs.HC eess.SP q-bio.NC
Linguistic Comparison of AI- and Human-Written Responses to Online Mental Health Queries
Siebel School of Computing and Data Science, The Grainger College of Engineering, University of Illinois Urbana-Champaign(Siebel计算与数据科学学院,格拉inger工程学院,伊利诺伊大学厄巴纳-香槟分校);Department of Psychology, College of Liberal Arts and Sciences, University of Illinois Urbana-Champaign(心理学系,文理学院,伊利诺伊大学厄巴纳-香槟分校);School of Interactive Computing, College of Computing, Georgia Institute of Technology(交互计算学院,计算机学院,佐治亚理工学院)
研究通过比较AI和人类回复的语义和语言特征,探讨AI在心理健康支持中的有效性及局限性。
2026-03-25 cs.AI cs.CL cs.HC
PeerPen: AI-Assisted Writing for Online Mental Health Peer Support
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Aalto University(阿尔托大学);Indiana University Indianapolis(印第安纳大学印第安纳波利斯分校)
针对在线心理健康同伴支持中志愿者缺乏训练、难以回应的问题,本文构建了AI辅助写作工具PeerPen,通过草稿生成与修订功能减轻写作负担并增强信心,同时提出保留作者身份与社区信任的设计启示。
2026-09-15 cs.AI cs.CL cs.CY
LLUMI: Improving LLM Writing Assistance for Mental Health Support with Online Community Feedback
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Indiana University Indianapolis(印第安纳大学印第安纳波利斯分校)
提出LLUMI框架,通过在线社区反馈(如Reddit投票)构建偏好对,结合监督微调和直接偏好优化训练开源小模型,在隐私保护下实现与GPT相当的心理健康支持性能。
2026-09-09 cs.AI cs.CL cs.CY
SYNAPSE: Synergizing an Adapter and Finetuning for High-Fidelity EEG Synthesis from a CLIP-Aligned Encoder
The Catholic University of Korea(韩国天主大学)
SYNAPSE通过结合适配器与微调技术,实现了高保真EEG信号到图像的合成,提升了EEG数据的图像生成质量和跨受体泛化能力。
2025-11-11 cs.AI cs.CV cs.HC
Brain2Vec: A Deep Learning Framework for EEG-Based Stress Detection Using CNN-LSTM-Attention
Department of Computer Science and Engineering(计算机科学与工程系)
针对EEG信号建模难题,提出融合卷积、LSTM与注意力机制的Brain2Vec框架用于压力检测,在DEAP数据集上取得81.25%验证准确率,可应用于可穿戴监测与个性化医疗。
2025-06-12 cs.AI cs.HC cs.NE