本页目录

实时认知漂移与错误风险预测系统(DriftSync)

DriftSync · Bouwles/DriftSync

DriftSync 是一个用 Python 编写的实时机器学习系统,通过持续注意力任务中的行为信号构建时间特征窗口,估计用户在未来几次试验中发生错误的概率。项目涉及 PyTorch、scikit-learn 等技术栈,并提供 Windows x64 版本下载。作者说明其为...

其他 Pygame Python UI 系统 高级
★ Stars 145 Forks 2 License MIT 更新 2026-11-20

国内开发环境适配

Windows
官方声明支持
Linux
AI 推断/待核验
macOS
AI 推断/待核验
引擎 / 框架:Pygame 暂无中文教程标记 未标记站长实测
Windows 发行包已内置 Python,可直接解压运行;从 GitHub Releases 下载可能受网络影响,建议核验发布页校验和。源码运行需安装 PyTorch、scikit-learn 等依赖,体积较大,国内可使用 pip 镜像并预留依赖解析时间;实时训练前需先准备模型检查点。

中文项目介绍

DriftSync 是一个以 Python 实现的端到端机器学习项目,目标是在用户真正出错之前,估计其在持续注意力任务中接下来几次试验发生错误的概率。它会读取任务过程中的行为信号,把反应时间、动作、正确性与时间戳等信息转换为按时间排列的特征窗口,再通过序列模型输出风险预测。项目定位为研究与作品集展示,不是医疗器械,未经过临床验证,也不作任何健康相关声明。

桌面端应用使用 Pygame 构建,可运行持续注意力任务,并在侧边分析面板中显示风险、不确定性和近期结果。README 说明其默认训练数据为合成数据,因此模型表格中的数值只应视为工程证据,而不是现实场景验证。

补充说明

预测目标与系统流程

DriftSync 把问题定义为:给定最近 L 次试验的行为序列,预测接下来 K 次试验内是否会出现错误。默认参数包括 L=20、K=5、每次试验 15 个特征、触发警告的风险阈值 0.65。

主要流程如下:

  • 任务引擎产生原始试验数据,包括反应时间、动作、正确性和时间戳。
  • 特征工程层把每次试验转换为 15 维归一化向量。
  • 以最近 20 次试验形成序列窗口。
  • LSTM、Transformer 或基线预测器输出“未来 5 次试验内出错”的概率与不确定性。
  • 实时警告覆盖层和解释面板呈现结果,并生成会话指标与预警提前量报告。

实时工作区把注意力任务和分析面板分开,显示错误风险、MC-dropout 不确定性、近期结果以及可检查的预测时间线。序列窗口填满后才开始预测;检查点缺失和预热阶段会被明确标注。README 还特别说明,当前不提供校准后的预测置信度,也不会从不确定性反推置信度。

模型、特征与证据

项目提供合成的、已签入仓库的代表性实验汇总:

模型 准确率 精确率 召回率 F1 ROC AUC 参数量
LSTM 0.744 0.994 0.722 0.837 0.872 407,169
Transformer 0.754 0.994 0.733 0.844 0.888 540,289

这些结果来自合成漂移数据,应作为工程验证阅读,而非真实世界验证。

特征工程覆盖反应时间归一化、正确性、会话进度、最近 5/10 次试验错误率、试验间隔、累计错误率、正确/错误连续次数、目标匹配、点击动作、短期反应时间方差、距上次错误的时间、反应时间趋势和疲劳指数等。通过滚动统计和趋势信息,模型可以捕捉“反应变慢、错误聚集、错误后恢复变差”等行为模式。

桌面应用、数学页与下载

README 提供 Windows x64 的 DriftSync v2.2.0 下载包。使用方式是解压完整 ZIP,在解压目录中打开 DriftSync.exe,并保持 _internal 文件夹与可执行文件相邻;包内包含 Python,无需另装。侧边栏会显示版本号。该版本包含重新设计的工作区和 Mathematics 区域;实时预测前需要先执行 Train models,任务记录与 Mathematics 可立即使用。本地记录与预训练检查点不随包提供,升级时应保留之前的记录。

桌面界面支持调整窗口大小、F11 全屏、Tab/Enter 控件以及 Alt+1–7 导航。Mathematics 可通过侧边栏或 Alt+7 打开,包含五个交互页面,分别解释预测目标、行为特征、序列模型、不确定性和学习过程;页面上有排版公式和示例,可切换未来结果、比较 LSTM 与 Transformer 架构、调整 dropout 离散程度并查看损失。示例被明确标记为说明性内容,并标注实现文件。

快速开始与可复现实验

在本地运行需要 Python 3.11+ 环境,基本命令包括克隆仓库、安装开发依赖、运行测试、冒烟检查以及启动 Pygame 应用。项目也提供 make 目标,例如 test、smoke、quick-demo、showcase-bundle 和 launch。

可复现实验可通过 run_experiment.py 执行快速或更完整的训练评估,输出写入 driftsync/results/。生成检查点、日志和数据集因可复现且体积可能较大而被 git 忽略。项目结构把应用壳、配置、数据与特征、评估、机器学习、模型、实时推理、任务模拟器、训练和工具拆分到不同目录。

实时预测在有训练模型时保存为 JSON 事件;展示回放包脚本可把任务会话与实时风险预测合并为时间线 JSON、Markdown 报告和示例数据,方便不启动应用也能查看警告、错误、峰值风险、不确定性和解释备注。

验证与限制

README 列出的本地验证命令包括 pytest、冒烟检查、生成展示资产和构建展示回放包。项目限制也写得明确:默认训练数据是合成数据;当前任务是形状点击/跳过模拟器,不是广泛的认知基准;真实部署需要人类受试者数据、验证、阈值调优和伦理审查;预警提前量取决于阈值选择和警告窗口定义。路线图提到收集真实人类会话、按日期进行时间序列划分、提供 API 模式、在线自适应、比较更长预测范围以及增加交互式回放播放器等方向。

开源许可证与版权说明

许可证标识:MIT。源码、资源与依赖许可可能不同,请以官方仓库为准。本站仅做索引,不托管源码。

相似项目