摘要：真实情境中学习者情绪状态的测量与分析是学习分析中必不可少的内容。生理数据具有客观性、实时性、精确性等特点,是情绪研究中重要的测量方法。文章对生理数据的表征——皮肤电反应及其相关内容进行了梳理,介绍了皮肤电反应在教学中应用的研究情况,并结合案例进行了分析。基于生理数据的情绪研究为学习分析提供了学习者生理层面与心理层面的数据,呈现了更加全面、立体、精确的学习者信息,有利于为学习者提供更具适应性和个性化的学习服务。

摘要：标准的情绪生理数据库可以安全地管理情绪生理数据、极大缩短研究人员获取情绪生理信号的时间,也能提高情绪识别研究工作的有效性和准确性。采用Win10操作系统、C++编程语言、Qt图形用户界面程序开发框架,通过MySQL数据库管理系统对各种功能模块进行设计,建立了一个情绪生理数据库管理平台。通过MP150实验设备对实验对象的情绪生理数据进行采集,并利用管理平台对其进行去噪,最终获得标准数据,具有良好的可视性、可扩展性和模块化等特点,便于平台功能的扩展和升级。

摘要：为实现人体运动状态的实时监测和评估,本文研发了一种基于物联网技术的运动生理监测系统。通过适用的传感器设备,采用NB-IoT模块将运动生理数据传输到云平台上实现实时数据分析。测试结果显示,系统具有良好的温度和湿度感知、心率和血氧捕捉能力,可为体育训练、康复治疗和健身等领域提供科学准确的监测,提高运动监测的准确性和科学性。

摘要：随着核电技术的发展,新一代核电厂主控室全面应用集中化、自动化与精确化的数字控制系统,因此数字化人机界面也得到了越来越广泛的应用。但在数字化人机界面带来丰富的信息量与便捷的控制方式的同时,也引发了操纵员认知负荷过大、锁孔效应等一系列新的问题与挑战。因此,优化现有人机界面设计,建立对数字化人机界面的评价模型以指导人机界面设计优化至关重要。在对人机界面设计评价方法的调查与研究的基础上,提出一种以生理与眼动数据评价数字化人机界面的新思路,并设计相关试验来验证该评价方法的可行性。通过处理分析试验数据与试验结果,建立了一种基于生理数据定量评价人机界面设计的评价模型,并取得了较好的匹配分析效果。在后续的研究中,可以进一步深入细化评价模型,并增加更多客观生理指标,对人机界面进行更加精确和全面的评价,并以此为依据优化人机界面设计。

摘要：随着中国逐步步入深度老龄化社会,人口老龄化特征愈发明显,老年人患病比例逐年升高,健康问题成为老龄化社会普遍存在而又需要解决的问题。提出了基于单片机的睡眠生理指标监测胶囊的制作方案,该装置可对老年人睡眠时的生理指标数据进行监测及语音提醒,传输数据至OLED显示屏及用户手机APP,让用户无需采取各种方式时刻对老年人进行陪同。

摘要：提出了一种井下人员生理数据采集与处理系统设计方案,着重介绍了数据采集终端硬件设计、数据采集与处理方法、ZigBee数据传输设计。该系统可实时采集井下人员的血氧饱和度、脉搏和体动数据,经处理后得出井下人员生理状态,并在上位机监控界面上显示。测试结果表明,该系统数据采集准确率在90%以上,且数据传输可靠,未出现丢包现象。

摘要：对以nRF24E1射频芯片为核心的人体生理压力、温度、湿度参数的数据采集系统进行研究。为了精确测量人体的压力、温度、湿度系统精心设计了其数据采集部分的硬件电路,并且通过无线射频收发芯片对采集到的数据进行无线收发,避免信号线长距离传输容易产生的干扰。同时开发了相应的软件系统。

摘要：考虑到传统系统在胸外科护理防堵引流监控中存在监控功能和报警功能差、丢包率大及精度低的问题,提出了基于压力传感器的胸外科护理防堵引流监控系统设计。基于胸外科护理防堵引流监控系统架构,通过MMBPTS压力传感器采集引流管的压力数据,并设计了生理数据采集终端、胸外科护理防堵引流速度控制电路和胸外科护理防堵引流监控电路,完成了系统的硬件设计,通过检测并计算胸外科护理防堵引流液位,设计了胸外科护理防堵引流监控程序,完成系统的软件设计,实现了胸外科护理防堵引流监控。测试结果表明,基于压力传感器的胸外科护理防堵引流监控系统不仅在监控功能和报警功能上可以满足设计需求,还可以通过降低丢包率、提高监控精度,满足系统的性能设计要求。

摘要：近年来,旅游者行为研究领域越来越受到关注,之于旅游研究和旅游学科构建的作用和意义也逐渐凸显出来。一方面是更多的青年旅游研究者主动以选择旅游活动的主体“旅游者”作为研究对象,也就是说旅游者行为研究领域本身激发了研究者的兴趣,成为旅游学术共同体关注的重要研究领域;另一方面则是旅游大数据驱动的相关研究,由于旅游大数据是旅游者行为的痕迹数据,大数据驱动的相关研究成果也推动了旅游者行为研究的最新进展;更为重要的是,实验研究方法和生理数据测量技术的应用正在形成新的研究范式,以认知神经科学为基础理论、以旅游者行为作为结果变量的实验设计的研究成果不断产出。

摘要：实时操作员的精神负荷(Mental Workload,MWL)监测系统对于自适应操作/辅助系统的设计和开发至关重要。虽然基于数据驱动的方法在MWL识别上已经表现出了较好的性能,但是这些方法难以获取大量的标签生理数据。本文比较了两种不同的特征提取方法:小波包变换和希尔伯特-黄变换的效果,试图将半监督极限学习机(Semi-Supervised Extreme Learning Machine,SS-ELM)应用于仅需要少量标签生理数据的操作人员精神负荷分类。实际数据分析结果表明,SS-ELM可以有效提高MWL模式分类的准确性和效率。由于无标签训练数据可以以较少的额外资源从操作员的自然操作中收集,所以利用无标签数据的半监督方法可以在时间和成本上提高模型开发的效率。