基于CNN-NLSTM的脑电信号注意力状态分类方法

通过脑电信号进行注意力状态检测,对扩大脑-机接口技术的应用范围具有重要意义。为了提高注意力状态的分类准确率,该文提出一种基于CNN-NLSTM的脑电信号分类模型。首先采用Welch方法获得脑电信号的功率谱密度特征并将其表示为二维灰度图像。然后使用卷积神经网络从灰度图像中学习表征注意力状态的特征,并将相关特征输入到嵌套长短时记忆神经网络依次获得所有时间步骤的注意力特征。最后将两个网络依次连接来构建深度学习框架进行注意力状态分类。实验结果表明,该文所提出的模型通过进行多次5-折交叉验证评估后得到89.26%的平均分类准确率和90.40%的最大分类准确率,与其他模型相比具有更好的分类效果和稳定性。

基于力位协同控制的注意力状态客观监测方法

高难度精细触觉交互任务依赖于注意资源的高强度激活,研究触觉通道和注意力状态的关系不仅有利于理解人类感知与认知的交互机制,对于触觉模态脑机交互系统的设计也具有重要应用价值.本文构建了融合多点接触力反馈和沉浸式视觉反馈的虚拟现实交互环境,以高精度力位协同控制任务为对象提出了注意力状态的客观监测方法.将力、位置两个模态的容许误差作为任务难度的调控变量,测量了用户在每个模态内的操作绩效.结合用户主观评估数据,证实了该任务可以有效激活注意力资源,并能够作为注意力"示波器",实现高时间分辨率的注意力水平和注意力焦点的客观监测.本文实验结果表明,基于触觉通道的力位协同控制任务能够实现注意力状态的客观测量,为后续构建基于神经生理信号的注意力机制研究提供了行为学基准.

恶劣光照下驾驶人疲劳及注意力视觉监测算法

驾驶人驾驶行为监测及预警系统对于提高行车安全性及降低交通事故等问题具有重要作用,而利用机器视觉对驾驶人疲劳状态及注意力状态进行监测和分析是安全辅助驾驶领域内的研究热点之一。机器视觉受光照条件影响非常严重,甚至直接影响到图像处理算法的可靠性。在弱光和强光两种特殊照明条件下,介绍了驾驶人疲劳状态的检测思路,提出利用普尔钦斑点及投影曲线极点位置分割面部器官独立区域,最终获得眼睛的轮廓状态,利用PERCLOS判断驾驶人的疲劳状态。在驾驶人面部及面部器官定位的基础上,对驾驶人的头部旋转运动进行分析,提出了计算驾驶人头部旋转角度的计算方法,以驾驶人头部旋转角度为依据判断驾驶人的注意力是否分散。实践证明,在弱光和强光两种特殊照明条件之下,算法实时性好,准确率较高,效果非常理想,能够为驾驶人疲劳状态及注意力状态分析提供较为准确的依据。

大学本科生课堂学习质量的注意力因素探讨

根据问卷调查结果,分析了影响大学本科生课堂学习注意力状态等因素,以及注意力状态对课堂学习效果的影响,在此基础上讨论了提高课堂学习效果的方法措施。

基于表观特征的层级式驾驶人注视状态检测

视线方向是驾驶人注意力状态的重要表征参数之一,其检测可靠性对于车辆安全驾驶状态的实时监测具有重要作用.视线方向由驾驶人面部朝向和眼动状态两部分确定,基于单一状态特征的检测方案在检测可靠性方面还有待进一步提升.基于此,在对驾驶人视线方向形成表征要素分析的基础上,提出了一种基于视觉表观特征的两阶段视线方向检测模型,以实现对驾驶人视线方向的可靠估计.其中,基于眼睛、嘴部特征所形成的"三角"几何特性变化可实现对面部朝向的快速、准确定位;基于该定位,根据眼球对环境光照的反射特性,结合瞳孔和反射点位置所构建的眼动矢量实现驾驶人视线方向的精确检测.试验结果表明,本文所提出的两阶段驾驶人视线检测模型相对单一状态特征检测方法在检测准确性方面具有较大优势,其检测效率具有良好的车载应用潜力.

基于多层级上下文投票的三维密集字幕

传统的三维密集字幕方法存在未充分考虑上下文信息、点云特征信息丢失以及隐藏状态信息量单一等问题.为了应对这些挑战,提出了多层级上下文投票网络,该网络在投票过程中使用自注意力机制捕获点云的上下文信息并加以多层级利用,提升检测对象的准确率.同时,还设计了隐藏状态-注意力时序融合模块,将当前时刻隐藏状态融合与前一时刻注意力结果融合,丰富隐藏状态信息量,从而提高模型表达能力.除此之外,采用“两阶段”训练方法,有效过滤掉生成的低质量对象提案,增强描述效果.在官方数据集ScanNet和ScanRefer上的大量实验表明,该方法与基线方法相比取得了更有竞争力的结果.