摘要

國防人員是被選中并接受訓練以在壓力下工作的眾多職業之一。在以信息過載、不確定性和時間壓力下的復雜決策為特征的未來操作環境中，對優化認知性能的重視程度將不斷提高。認知被廣泛認為是身體和精神表現的關鍵驅動力，然而，支持最佳表現的認知功能的核心要素、它們的機制和它們的可修改范圍卻缺乏清晰的認識。具體來說，人們對高壓力環境下認知能力的生物決定因素了解有限。

了解認知功能的基因組結構和分子機制對于更好地理解個人在認知挑戰任務中的表現至關重要。目前的認知評估工具是為適應表現數據而開發的，與潛在的生物學無關。雖然這些標準化的測試對做出關于能力的決定是有用的，但它們并不能說明潛在的生物表型，因此對設計基于生物的干預措施的幫助有限。我們的項目正在建立一個以生物學為基礎的認知測量框架，這將使以表現為重點的認知評估系統更加連貫，并為監測和干預方案的制定提供一個更加系統和有針對性的方法。

通過全基因組關聯（GWAS）方法研究的一般認知能力（g）的遺傳組成，由于表型定義和測量的巨大差異，仍然沒有結論。如果考慮到g的子成分和認知功能的非g維度，如執行功能，問題就更大了。為了增進我們對認知功能的遺傳結構的理解，需要對表型的定義和測量進行徹底的改進。為此，我們選擇將重點放在認知測試數據中最小的可測量成分上，并研究其遺傳關聯。30年前提出的這一解決方案（Atchley and Hall 1991）并不可行，原因是：（1）對多種認知能力在遺傳上的可分離性缺乏了解；（2）認知的高度多基因性，促使認知基因組學研究需要大量的樣本量（數十萬）。我們以前的研究開始解決這些限制，證明了G與特定認知能力（如執行功能）的遺傳分離性（Ciobanu等人，2021）。我們目前的研究通過研究世界上最大的數據集（英國生物銀行）的遺傳和認知評估數據，完善了認知功能的核心維度，該數據集有超過50萬名參與者。首先，我們將通過應用多變量混合模型GWAS方法，確定與基本認知單元相關的遺傳變異。第二，對于這些變量中的每一個，我們將比較整個基因組的關聯模式。第三，我們將研究特定測試的遺傳變異如何結合起來代表更廣泛的認知結構以及這些更廣泛的結構是如何相互關聯的。這些關聯將共同形成我們的認知功能的基因組信息模型，這反過來將為認知評估的設計和應用提供信息，這些評估是根據選拔、訓練和操作支持應用的明顯不同要求而定制的。

引言

1.1 情報和認知過程的評估

1.1.1 智力的性質

對于認知能力和智力的研究，有兩種不同的方法。一種是專注于人口中單一智力結構的個體差異。另一種是適用于臨床神經心理學的更詳細的多層次、多成分的模型，并且可能更容易轉化為底層的生物分析。

考慮到第一種方法，許多當代的研究可以追溯到查爾斯-斯皮爾曼（Charles Spearman）（1904）的工作，以及根據他對各種認知任務之間正相關的觀察，發現了一般智力因素 "g"[1]。斯皮爾曼使用因子分析的統計方法，聲稱 "g "是一個單一的基本智力因素，它可以解釋各種可觀察到的能力的個體差異。從統計學上看，"g "是一個單一的因素/組成部分，它解釋了智商測試中約40%的表現差異。從心理測量學的角度來看，"g "可以捕捉到一個人在任何數量的認知任務中的表現。在心理學上，"g "被解釋為類似于 "能量 "或 "功率 "的東西，是整個大腦皮層表現的一個函數。最近，A.詹森（1923-2012）和H.艾森克（1916-1997）的工作將 "g "與心理速度聯系在一起，通過檢查時間和選擇反應時間的測量來體現。關于人類智力是否存在一個單一的可量化的因素，仍然存在激烈的爭論。

摘要

解釋團隊表現的基本因素仍然是一個激烈的研究課題。在成功的團隊合作中，信息必須被快速有效地傳遞，而解決方案必須通過一個被稱為團隊認知的過程利用團隊的集體知識。加強團隊合作不僅提供了提高生產力、安全性和滿意度的手段，而且在高壓/高風險情況下需要快速和戰略反應時，也變得非常必要。越來越多地，電子競技中的合作已經成為動態快節奏的團隊工作過程和更普遍的團隊認知的代表模式。特別是在競爭激烈的團隊電競中，團隊快速協調和參與戰略決策的能力可以轉化為巨大的優勢，使團隊能夠超越對手，即使在其他技能水平可能是平等的。盡管對團隊合作的機制進行了幾十年的研究，但直到最近，非侵入性神經影像學才為研究多個個體參與現實的團隊合作場景提供了可利用的方法。在本文中，我們調查了成功的團隊表現的基本因素，以及電子競技游戲為研究這些因素提供靈活背景的方式。接下來，我們介紹了參與人際互動和協作的神經生理機制，以及測量人際神經同步性及其與團隊認知的相關性的方法。最后，我們介紹了一個正在進行的團隊認知研究中的超掃描協議，并討論了基于團隊的神經影像學方法在現實世界中的應用前景。

關鍵詞：神經工程學、功能性近紅外光譜（fNIRS）、皮膚電活動（EDA）、超掃描、人際同步性、團隊工作、協作

引言

雖然一個人可能擁有很大程度的角色靈活性，并能獨自完成各種不同的任務，但與其他人一起工作能夠完成明顯更復雜的項目，并取得本來無法實現的結果。團隊合作不僅在較高的復雜情況下是必要的，而且在必須快速、平行和響應地處理信息的情況下也是至關重要的[1]。這種情況在高壓力的職業中經常遇到，比如緊急醫療服務、第一反應者和軍事行動[2]-[4]。由于在快速戰略反應中失敗的代價往往非常高，團隊表現的機制往往被置于顯微鏡下，以便找出成功合作的基本要素。從這一研究思路來看，團隊績效的幾個關鍵因素已經被描述出來，包括認知風格、個性、經驗、信任和領導角色的影響[5]-[7]。然而，這些研究大多集中在行為和定性評價上，對于大腦如何在快節奏和動態環境中促進成功的合作，人們了解得相對較少。

近年來，神經影像學模式的進步使科學家們能夠在個人從事認知任務時同時監測他們的神經生理活動，這一過程被稱為 "超掃描"[8]。這種方法使社會神經科學得到了飛躍式的發展，并使基于大腦的方法能夠研究團隊功能和認知[9]。同時，基于團隊的 "電子競技 "或電競已經從一個相對邊緣的愛好變成了一個價值數百萬美元的產業，擁有龐大的獎金池、觀眾追隨者，甚至是專門建造的競技場[10]。由于電競的競爭性質及其對有效溝通和協作的嚴重依賴，研究人員被授予一個窗口，以了解在這些虛擬環境中重新創建的良好的團隊合作機制[11]。此外，電競在公眾中越來越受歡迎，在普通人群中創造了高度不同的技能范圍，使研究人員能夠研究團隊如何在不同的經驗水平、團隊組成、工作環境和其他因素中運作。最后，電競作為一種團隊合作的模式，也許從來沒有像現在這樣，在經濟變化的推動下，繼續向遠程工作發展，但由于COVID19大流行[12], [13]而大大加快了。在這項工作中，我們介紹了通過當前團隊認知背后的神經生物學理論引入的關鍵概念，電子競技如何作為團隊認知的原型模型發揮作用，量化神經同步的方法，以及這些技術在未來神經工程學背景下的最終應用。

摘要

在航空航天和機器人手術等領域，復雜的高精度人機系統的效率和安全性與操作員的認知準備、管理工作量的能力和態勢感知密切相關。對心理工作量的準確評估有助于防止操作失誤，并通過預測工作負荷過重或刺激不足可能導致的業績下降，從而進行針對性的干預。基于人體和大腦活動測量的神經工效學方法可以為復雜訓練和工作環境下的人類心理工作量提供敏感和可靠的評估。本文概述了可穿戴腦和身體成像方法通過神經/生理信號評估心理工作量的潛力，并提供了一種利用多模態生物傳感器對多領域認知任務中的工作量進行比較評估的研究設計。這種綜合的神經工效學評估利用神經成像和生理監測，可以為開發下一代神經適應接口和更有效的人機交互和操作技能獲取的訓練方法提供信息。

關鍵詞:認知工作量，fNIRS，腦電圖，眼動跟蹤，神經工效學，移動腦/體成像

引言

人類在任何類型的目標或任務上的表現都與熟練完成這些目標或任務所需的認知工作量有關。每個人都有自己獨特的認知模式，在執行某些類型的任務時更有效率。通過有針對性的培訓，可以在更短的時間內提高操作人員的能力，提高工作效率。

心理負荷在許多復雜的指揮控制系統中起著至關重要的作用。在航空航天和機器人手術等領域，復雜的高精度人機系統的效率和安全性與操作員的認知準備、管理工作量的能力和態勢感知密切相關。主觀操作員報告、生理和行為測量不足以可靠地監測可能導致不良結果的認知負荷。心理負荷這個概念反映了大腦為滿足任務需求而努力工作的程度，它的一個關鍵特征是，它可以與行為表現數據分離。經驗豐富的操作員可以通過增加努力、激勵或改變策略，在較長一段時間內保持所需的性能水平，即使面臨更多的任務挑戰。然而，持續的任務需求最終會導致績效下降，除非心理工作量的上升趨勢可以用來預測隨后的績效崩潰。因此，重要的是在訓練和行動任務期間評估獨立于業績衡量的精神工作量。基于人體和大腦活動測量的神經工效學方法可以為復雜訓練和工作環境下的人類心理工作量[2]提供敏感和可靠的評估。

在軍事行動的背景下，評估和衡量操作員的認知工作量尤其重要，因為在軍事行動中，性能故障可能會導致災難性的損失。對心理工作量的準確評估有助于防止操作失誤，并通過預測工作負荷過重或刺激不足可能導致的業績下降，從而進行針對性的干預。

摘要

在過去的幾年里，人們已經接受了這樣一個觀點:相對于現有的典型認知測試，對個體認知能力的可靠測量需要參與者完成更多的試驗或使用更大的效應量任務。該項目開發了一套認知控制測試，能夠有效和可靠地測量認知控制能力，這對在時間壓力下的高效表現至關重要。測試組是在Unity游戲引擎中實現的，并且只需要使用不安裝的網頁瀏覽器即可在線訪問。游戲機制(如多樣性、反饋、獎勵和排行榜)和整合的故事情節能夠在持續且苛刻的測試過程中維持用戶粘性。該測試組實現了最突出的認知控制措施，包括:1)工作記憶(單一和雙n-back任務)，2)反應抑制(停止信號任務)，3)沖突任務(Simon、Flanker和Stroop任務)，4)多任務，5)任務切換。不同的度量可以靈活地組合在一個連貫的“房間清理”敘述中，并且獨立的教程可以輕松地部署在線測試。沖突任務的新版本被開發出來，以增加效果大小和可靠性，并在一個在線實驗中對它們進行測試。我們開發了一種嚴格的方法來量化測試產生可靠的個體差異測量的能力，并報告將其應用于實驗數據的結果。我們的結論是，這些新的沖突任務產生了比以前實現的更可靠度量。

引言

認知能力在具有挑戰性和壓力的條件下要求優異表現的職業中很重要，例如體育、民事高風險角色和軍事[1,2,3]。這導致人們越來越重視認知準備[4,5,6]，以優化復雜任務和社會技術系統中的團隊表現，這是現代防御設置的一個日益普遍的特征[7]。人們不再強調身體健康[8]，隨之而來的是需要確定支撐被稱為心理或認知健康的關鍵心理構念[9,10]。為了優化選擇，評估新興的認知訓練方法和項目的成功或失敗，可靠地測量支撐認知適應的關鍵結構的個體差異尤為重要[11,12,13]。

這篇論文描述了一組認知測試，在時間限制下測量認知能力至關重要的高性能。被稱為“COGMISSION”的測試是使用Unity游戲引擎(//unity.com)以視頻游戲格式實現的。訪問是通過“PlayUR”()提供的，這是一個管理基于web的Unity實驗的平臺，使COGMISSION能夠使用網頁瀏覽器在線訪問，而不需要安裝。《認知使命》通過游戲機制(游戲邦注:如多樣性、反饋、獎勵和排行榜)和整合的故事情節(游戲邦注:旨在通過延長和苛刻的測試過程保持用戶粘性)而得到增強。自包含的教程支持容易部署的大規模測試。在下一節中，我們將描述在COGMISSION中實現的任務、它們度量的結構，以及它們選擇的基本原理。然后，我們回顧了“可靠性悖論”[14]，它導致了測試認知適應性的核心構念之一——注意控制——的典型方法無法提供足夠的個體差異測量。隨后，我們描述了一種嚴格的新的統計方法來評估注意力控制任務的能力，以提供足夠可靠的個體差異測量[15]。接下來，我們將報告將該方法應用于一個預先注冊的實驗結果()的結果，該實驗通過Amazon Mechanical Turk ()進行，這是一個面向在線員工的眾包市場，評估在COGMISSION中實施的各種注意力控制任務。

摘要

未來的戰斗機飛行員和遠程作戰人員將需要先進的決策和注意力支持，以應對日益復雜、不確定的信息和多智能體協調。監測飛行員的精神狀態和意識，并將其提供給系統，可以更好地實現人與系統的協作，提高聯合性能。研究表明，不同的心理-生理測量技術可以用于評估多種認知和情感狀態，如精神工作量、注意力、疲勞，以及工作相關變量，如任務難度和任務完成情況。然而，對多種傳感技術的實時評估和信號時序的研究卻很少。我們開發了一種實驗性的人工智能管道，使用眼動跟蹤(眼跳、注視時間等)、皮膚電活動(EDA)和心率變量(例如，HR和HRV)實時調查戰斗機飛行員的心理狀態。該系統采用混合分析方法，包括數據流處理和機器學習(ML)，使不同信號事件的實時分析和基于時間的推斷成為可能。我們報告了該方法的優點和缺點，介紹了正在進行的系統實證實驗的結果，并討論了高級注意力指導的可能應用。

關鍵詞:人工智能，戰斗機飛行員，心理狀態，心理生理學，戰斗機。

引言

自適應自動化[1,2]是一種很有前途的方法，可以支持操作人員并保持他們的工作量在適當的水平上。今天，有許多傳感器技術可以佩帶或嵌入到我們的物理工作環境中，如眼動跟蹤眼鏡和智能手表。這些發展使得創建高級應用程序成為可能，這些應用程序跟蹤飛行員與操作任務相關的健康和認知狀態，并在需要時提供支持。因此，未來的工作環境可能會衡量個人和群體的表現、壓力和注意力水平，以優化和平衡個人和群體之間的任務為目標。然而，這種方法需要有方法和算法對操作者的工作量、壓力和注意力水平等認知狀態進行充分的實時分類和評估[4,5,6]，而這只能通過使用心理生理傳感器來實現。未來的應用包括未來軍事概念的飛行員環境，載人和無人駕駛，具有適當水平的自主權來協助飛行員和決策支持，以應對信息過載的影響。此外，對于已知用戶認知需求的特定任務，不同類型的自動化之間的分離可能是有益的。我們的研究旨在探索工作負荷誘導的各種心理生理反應的模式識別的潛力。我們的目標是了解這些反應和信號之間的關系，以便用于未來的自適應自動化技術，以減少操作人員的心理工作量，提高注意力，從而確保性能水平。

在本文中，我們提出了一種基于時序時間的分析引擎，用于對多個傳感器數據和心理生理現象進行實時分類和驗證。此外，我們提出了數據收集方法和實驗設置，以驗證假設的眼睛，心臟和皮膚電對外界刺激的反應模式。首先，我們介紹了本研究中用于評估認知狀態的心理測量方法的背景。其次，我們討論了實時處理數據流的人工智能管道。第三，我們介紹了在虛擬現實環境中使用眼動跟蹤、心率和皮電反應的實驗裝置。在本文的其余部分，我們將介紹這種方法的優點和缺點。

摘要

在軍事航空人為因素部門，軍事飛行員的情緒壓力是我們感興趣的領域之一。在過去的十年中，我們的興趣集中在以下領域：

a) 測試了高信息負荷對空軍超音速戰斗機飛行員在模擬戰斗任務中的戰術決策所造成的情緒壓力。實驗測試是在飛行員戰術模擬器上進行的，模擬兩個飛行員小組（每方四名飛行員）之間的空戰。在整個任務過程中，飛行員的生理活動被監測。據分析，當飛行員做出錯誤的戰術決定時，是檢測到情緒壓力的時刻。

b) 驗證了提高空軍超音速戰斗機飛行員對 "戰斗準備 "級別的高信息負荷造成的心理壓力的容忍度的可能性。在兩個飛行員小組（每一方的飛行員）之間的模擬空戰中，再次在飛行員戰術模擬器上進行了實驗測試。每個飛行員在幾次實驗測量中都被測試，并分析了他在個別測量中的生理反應趨勢。我們工作的目的是監測飛行員在高要求任務中的情況，評估他們的生理抵抗水平。

c) 測試了提高空軍亞音速戰斗機在 "戰斗準備 "級別上對因訓練不足而產生的高信息負荷的耐受性的可能性。在模擬兩架亞音速戰斗機攻擊地面目標的過程中，在飛行員模擬器上進行了實驗性測試。為我們的實驗測量準備了特殊的任務場景，在這些場景中，飛行員還沒有得到充分的訓練。每個飛行員都在幾次實驗測量中接受了測試，并分析了他在個別測量中的生理反應趨勢。這些場景不盡相同，但難度相似。飛行員在解決這些情況時的監測和評估他們的容忍度是我們工作的目的。

在上述測試中，身體有機體的生理激活水平是通過生理值來確定的，具體是通過心率分析、語音記錄分析和眼球追蹤分析。

在上述領域解決的項目的結果集中在優化個人訓練上。

關鍵詞：飛行員的情緒壓力，戰術決策，對情緒壓力的容忍度

摘要

由HAVELSAN公司開發的虛擬環境中的部隊（FIVE）模擬器軟件，利用各種虛擬戰爭設備（如武器、傳感器和通信工具等），以安全和具有成本效益的方式提供全面的戰術和行動訓練環境。目前，管理FIVE實體的行為模型高度依賴于由現場專家和系統工程師開發的基于規則的行為。然而，FIVE軟件的基于規則的操作需要密集的編程和現場專家的指導，因此是高度勞動密集型。此外，這項任務的復雜性和負擔隨著場景的復雜性而大大增加。此外，具有基于規則的行為的虛擬實體對其環境有標準和可預測的反應。因此，在這項研究中，我們通過強化學習技術和其他機器學習技術，即FIVE-ML項目，提出了從基于規則的行為到基于學習的自適應行為的過渡研究。為此，我們主要對空對空和空對地兩種情況下的六個虛擬實體進行了基于強化學習的行為模型訓練。據觀察，用強化學習訓練的虛擬實體主導了現有的基于規則的行為模型。在這些實驗中，我們還發現，在強化學習之前，利用監督學習作為起點，可以大大減少訓練時間，并創造出更真實的行為模型。

引言

今天，培訓將使用飛機的飛行員是最重要的。用真實的飛機訓練飛行員是相當困難的，原因包括空域法規、過高的成本和訓練中可能出現的風險，以及創造真實世界場景的復雜性，包括對手或盟友使用的真實防御和戰爭平臺。飛行員訓練中使用的飛行模擬經常與戰術環境模擬結合在一起工作。通過這些戰術環境模擬，飛行員通過控制高保真飛機模型在許多低保真實體的存在下完成場景的訓練。這些低保真資產由計算機創建和控制，通常被命名為計算機生成的部隊（CGF）[1]，它們是代表空中、陸地或海上防御或攻擊系統的自主單位。

CGFs被用于人員部署的準備過程、戰術訓練或新戰略的開發。CGFs需要為每個應用（或每個場景）進行不同的編程。這些由傳統方法創造的力量會導致非適應性和不靈活的行為模式。這導致學生在靜態編程的資產面前接受模擬訓練，降低了訓練的質量。當需要新的場景時，需要專家來創建新的場景。此外，由于情景創建將使用經典的控制分支進行，在創建新情景的過程中，考慮所有的可能性往往是不可行的，即使是可能的，也是一項相當有挑戰性的任務。由于這些原因，人們越來越需要更真實的虛擬環境和新的場景來適應不斷變化的世界，以模擬飛行員候選人自己的任務和敵對部隊的當前能力和戰術。

在這項研究中，提出了向以人工智能為導向的行為建模過渡，而不是傳統的特定場景建模，以此來解決前面描述的問題。換句話說，虛擬實體將被轉化為能夠學習的動態虛擬實體。但這些虛擬實體在訓練過程中需要考慮許多情況。首先，他們必須學會對他們用傳感器感知到的環境因素作出適當的反應。然后，它必須識別他的隊友和敵人，并根據他們的等級信息和附加在他們身上的彈藥類型采取行動。它應該能夠與他的隊友合作，采取團隊行動。

為虛擬資產添加智能的機器學習的首選方法是強化學習（RL）[2]，其根本原因是：實體將采取的行動有延遲的后果。近年來，與傳統的控制方法相比，RL被認為是解決復雜和不可預測的控制問題的新方法，并在許多領域得到利用，如機器人、計算機視覺、自動駕駛、廣告、醫學和保健、化學、游戲和自然語言處理[3]-[9]。自從將深度學習引入RL概念（即深度RL[10]）后，文獻中的研究得到了提升，如許多具有挑戰性的計算機視覺和自然語言處理任務[11]-[15]。

為了這個目的，在這項研究中（即FIVE-ML），已經實現了從HAVELSAN FIVE軟件的基于規則的行為模型向基于RL的行為模型過渡的第一階段實驗。從這些實驗中可以看出，用RL算法訓練的智能虛擬實體在空對空和空對地的情況下都優于HAVELSAN現有的基于規則的實體。此外，模仿學習[16]、[17]和RL的聯合實施也取得了成功，這加快了FIVE軟件的完整過渡過程。

可以預見，通過學習飛行員候選人的選擇來開發新策略的模擬將把飛行員培訓帶到一個非常不同的點。當項目完成后，將設計一個新的系統，允許在其領域內培訓更多裝備和專業的戰斗機飛行員。一個現有的基于規則的場景系統將演變成一個可以自我更新的系統。因此，飛行員候選人將有機會針對智能實體發現的新策略來發展思路，而不是滿足于該領域的專家的知識和經驗。此外，從一個經過大量努力準備的場景機制，計算場景自動化機制將使整個過程自動化。

摘要

現代多領域沖突日益復雜，使得對其戰術和戰略的理解以及確定適當行動方案具有挑戰性。作為概念開發和實驗 (CD&E) 的一部分的建模和仿真提供了新的見解，以更快的速度和更低的成本比物理機動更易實現。其中，通過計算機游戲進行的人機協作提供了一種在各種抽象級別模擬防御場景的強大方法。然而，傳統的人機交互非常耗時，并且僅限于預先設計的場景，例如，在預先編程的條件計算機動作。如果游戲的某一方面可以由人工智能來處理，這將增加探索行動過程的多樣性，從而導致更強大和更全面的分析。如果AI同時扮演兩個角色，這將允許采用數據農場方法，從而創建和分析大量已玩游戲的數據庫。為此，我們采用了強化學習和搜索算法相結合的方法，這些算法在各種復雜的規劃問題中都表現出了超人的表現。這種人工智能系統通過在大量現實場景中通過自我優化來學習戰術和策略，從而避免對人類經驗和預測的依賴。在這篇文章中，我們介紹了將基于神經網絡的蒙特卡羅樹搜索算法應用于防空場景和虛擬戰爭游戲中的戰略規劃和訓練的好處和挑戰，這些系統目前或未來可能用于瑞士武裝部隊。

摘要

在高保真飛行模擬器中訓練軍事飛行員是現場訓練的常見替代方案，但這些高保真模擬器價格昂貴且受地點限制。VR技術為更靈活和低成本的模擬器培訓創造了機會。然而，軍事飛行員訓練的一個重要部分是通過與駕駛艙進行物理交互來管理飛機及其系統，而這對于常用的類似游戲VR控制器來說是不可能的。

本文描述了基于VR的戰術訓練模擬概念的開發，在該概念中，飛行員不僅可以看到和聽到訓練環境，而且由于系統會檢測并響應飛行員的輸入，因此還可以在高度真實的水平上感受和身體互動。該技術將交互檢測技術和3d打印駕駛艙儀器結合在一起，使物理和虛擬世界的沉浸式比賽成為可能。這可以讓飛行員在沉浸于VR的同時，以一種自然的方式操作飛機。

虛擬駕駛艙通過使用創新的沉浸式技術為操作員提供高保真、靈活且經濟實惠的培訓解決方案。飛行員在評估概念時的積極反饋證實了這一點。

摘要：

復雜的高精度人機系統（如航空航天和機器人手術）的效率和安全性與其操作員的認知準備、管理負荷的能力和態勢感知密切相關。對腦力工作量的準確評估有助于防止操作員失誤，并通過預測因工作超負荷或刺激不足而導致的能力下降，從而進行相關干預。基于人體和大腦活動測量的神經人體工程學方法，可以在復雜的培訓和工作環境中提供對人類心理負荷進行可靠的評估。本文概述了可穿戴大腦和身體成像方法，通過神經/生理信號評估心理工作量的潛力，并提供了一種基于多模態生物傳感器，進行多領域認知任務中負荷比較評估的研究設計。這種利用神經成像和生理監測的綜合神經人體工程學評估，可以為下一代神經適應性接口和培訓方法的開發提供信息，以實現更有效的人機交互和操作員技能獲取。

圖3-1:傳感器套件顯示fNIRS、EEG、ECG、PPG和EOG(這里沒有顯示眼動跟蹤)。