Asymmetry between the upper and lower visual fields： An event-related potential study

ASYMMETRIES OF HUMAN VISUAL INFORMATION PROCESS- ING ACROSS VISUAL FIELDS HAVE BEEN AN INTERESTING ISSUE IN COGNITIVE PSYCHOLOGY AND NEUROSCIENCE. IN ADDITION TO INVESTIGATIONS OF THE ASYMMETRIES BETWEEN THE LEFT AND RIGHT VISUAL FIELDS THAT ARE BELIEVED …     

大学生注意力调控能力的性别比较研究

应用Stroop干扰任务,对37名一年级男女大学生的注意力调控能力进行了检测和性别比较．Stroop干扰任务的核心是：受试必须抑制“背景”干扰,正确地提取和处理“前景”信号．与常用的Stroop干扰任务不同的是,运用开发的计算机软件,让受试者通过触摸荧屏来完成任务．通过这套软件,精确地记录了男女大学生的操作正确率和反应时间．结果表明,一年级男女大学生在两个不同难度级别(刺激呈现时间分别为1000ms和750ms)的测试中,反应正确率和反应时间两个行为指标上的得分非常接近．这一结果提示,男女大学生在注意力调控能力方面不存在显著性差异．     

融合注意力特征及动态卷积的肺结节辅助诊断

针对肺结节关键影像征象信息不易获取,部分卷积神经网络（convolutional neural networks, CNN）模型对肺结节的识别率不高的问题,提出一种结合注意力特征的动态卷积残差网络（dynamic convolutional residual networks incorporating attention features,DcANet） ,并在有效实现肺结节良恶性分类的基础上对所提模型的诊断结果进行可视化分析。此网络以适应肺结节三维小尺寸输入特点的残差网络为基本框架,在DcABlock部分使用可以自适应调整卷积参数的动态卷积以及迭代注意特征融合模块,使模型能够更准确地获取肺结节信息,提高模型的表征能力。此外,还使用类激活映射将三维图像的各层切片进行可视化分析。实验在最终测试集上的准确率为85.87%,平衡F分数（F1 ）值为82.67%,敏感度和特异性的综合指标Gmean值为85.51%。实验结果表明,该网络可以提升对肺结节良恶性分类的准确性,诊断结果具有可信性,有一定的临床应用价值。     

分配注意对短时记忆编码和提取的影响

以大学生为被试,采用分配注意范式探讨了短时记忆编码和提取所需的注意资源。研究发现：与集中注意相比,编码阶段进行第二作业导致记忆成绩显著降低,而提取阶段进行第二作业则对记忆成绩没有影响。自由回忆和顺序回忆的结果一致。本研究表明,短时记忆编码是需要较多注意资源的控制加工,而短时记忆提取则是相对无需注意资源的自动加工。这与当前关于长时记忆的研究结果类似,而与早期以第二作业成绩为测量指标的短时记忆研究结果有所不同。     

Conservatism and consensus-seeking among economic forecasters

This paper uses the track records of a panel of US economic forecasters participating in a consensus forecasting service to test for conservatism and consensus-seeking behaviour. The tests are based on a particular method-of-moments estimator, designed to allow for the heteroscedasticity and serial correlation which is inevitably present in errors from repeated forecasts for fixed target dates. Most forecasters prove to be conservative. When revising forecasts they give too much weight to their own past forecasts. Surprisingly, forecasters are not consensus-seeking but ‘variety-seeking’. When revising forecasts, they give too little weight to the known forecasts of other forecasters.     

对返回抑制的事件相关电位研究及注意动量流假说

应用事件相关电位(ERP)研究返回抑制(IOR).返回抑制是指当提示和靶出现之间时间间隔延长到一定量,提示不仅不会使对靶的反应易化,反而受到抑制的现象.本实验希望探究IOR的神经机制.实验结果显示IOR效应有明显的P1和N1波出现,且易化使P1波幅增大,N1波幅减小,抑制使P1波幅减小,使N1波幅增大.这提示P1和N1波幅代表不同的神经机制.基于ERP结果及先前对IOR的注意理论解释,提出注意动量流惯性的假说,它能较好地说明IOR的ERP效应.     

女大学生就业的认知偏差及自我心理调适

就业是女大学生人生道路的重要抉择,但在此过程中,她们对就业形势、自身性别优劣势、幸福观、职业理想等缺乏正确认识,并且因其了解以及归因方式的错误而产生了认知偏差。为此,女大学生更应调适好自己的心理状态,增强自己的心理承受力,使自己在就业竞争中保持良好的竞技状态,自如地应对所遇到的各种就业问题。     

基于注意力特征融合稠密网络的图像去雾算法

目前主流图像去雾算法输出的结果图像存在颜色失真、边缘模糊的问题.为改善上述问题,提出一种基于深度学习的图像去雾算法,所提算法由两个模块构成:注意力特征融合模块和雾霾模型参数估计模块.注意力特征融合模块用于充分提取雾霾图像的颜色、边缘特征;基于稠密连接空洞卷积自编码器的雾霾模型参数估计模块用于估计雾霾模型的参数,改善网络退化的问题.在浓雾图像、薄雾图像数据集上的实验表明,本文提出的算法有效地实现了图像去雾,与主流的图像去雾算法相比具有更高的结构相似性(SSIM),更低的均方误差(mean-square error,MSE)和边缘误差e_○edge.     

考虑注意力和时空特征深度学习的网约车行程时间预测

行程时间预测做为智能交通领域中重要的组成部分,在道路导航、乘客出行过程中起着重要的作用。现有方法很少考虑到交通拥堵变化所产生的影响。本文提出了一种基于注意力机制的时空特征深度学习模型,模型通过卷积神经网络去学习行程过程中所花费的时间和距离以及交通拥堵状态信息,通过注意力机制从通道和空间上两个角度去捕获影响行程中路段通行时间的异常信息,采用双层的长短时记忆网络去学习行程中的路段序列信息,最后通过多任务的学习机制从路径和路段两个角度出发去预测路径通行时间。本文提出的方法与DEEPTRAVEL模型相比,预测精度在平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别提升了8.23%和20.79%。     

基于感受野扩增和注意力机制的U-Net脑肿瘤MR图像分割

针对U-Net网络感受野受限以及信息丢失导致的分割精度低的问题,提出了一种基于感受野扩增和注意力机制的U-Net脑肿瘤MR图像分割算法.首先,在U-Net网络中引入感受野模块(receptive field block,RFB)来增大网络的感受野,解决了网络由于感受野受限带来的分割精度低的问题.此外在网络中引入有效的通道注意模块(efficient channel attention,ECA)来增加网络对有用特征的响应,抑制网络中的冗余特征.使用BraTS(the brain tumor image segmentation challenge)提供的脑肿瘤MR图像数据对本文算法进行测试,用Dice相似性系数等指标进行评价,结果显示在完整肿瘤、核心肿瘤以及增强肿瘤的Dice值分别可达到0.86、0.86、0.79.与U-Net模型以及其他的网络相比得到了提高.实验结果表明,本文提出的算法能够有效提升脑肿瘤分割的精度,具有良好的分割性能.