Work-related stress affects a large part of today's workforce and is known to have detrimental effects on physical and mental health. Continuous and unobtrusive stress detection may help prevent and reduce stress by providing personalised feedback and allowing for the development of just-in-time adaptive health interventions for stress management. Previous studies on stress detection in work environments have often struggled to adequately reflect real-world conditions in controlled laboratory experiments. To close this gap, in this paper, we present a machine learning methodology for stress detection based on multimodal data collected from unobtrusive sources in an experiment simulating a realistic group office environment (N=90).We derive mouse, keyboard and heart rate variability features to detect three levels of perceived stress, valence and arousal with support vector machines, random forests and gradient boosting models using 10-fold cross-validation. We interpret the contributions of features to the model predictions with SHapley Additive exPlanations (SHAP) value plots.The gradient boosting models based on mouse and keyboard features obtained the highest average F1 scores of 0.625, 0.631 and 0.775 for the multiclass prediction of perceived stress, arousal and valence, respectively. Our results indicate that the combination of mouse and keyboard features may be better suited to detect stress in office environments than heart rate variability, despite physiological signal-based stress detection being more established in theory and research. The analysis of SHAP value plots shows that specific mouse movement and typing behaviours may characterise different levels of stress.Our study fills different methodological gaps in the research on the automated detection of stress in office environments, such as approximating real-life conditions in a laboratory and combining physiological and behavioural data sources. Implications for field studies on personalised, interpretable ML-based systems for the real-time detection of stress in real office environments are also discussed.

SUMMARY Animal behaviour is based on interaction between nervous, musculoskeletal and environmental systems. How does an animal process sensory stimuli, use it to decide whether and how to respond, and initiate the locomotor behaviour? We build the whole body computer models of a simple vertebrate with a complete chain of neural circuits and body units for sensory information processing, decision-making, generation of spiking activities, muscle innervation, body flexion, body-water interaction, and movement. Our Central Nervous System (CNS) model generates biologically-realistic spiking and reveals that sensory memory populations on two hindbrain sides compete for swimming initiation and first body flexion. Biomechanical 3-dimensional “ Virtual Tadpo le” (VT) model is constructed to evaluate if motor outputs of CNS model can produce swimming-like movements in a volume of “water”. We find that whole animal modelling generates reliable and realistic swimming. The combination of CNS and VT models opens a new perspective for experiments with immobilised tadpoles.

Abstract Ambiguous sensory information can lead to spontaneous alternations between perceptual states, recently shown to extend to tactile perception. The authors recently proposed a simplified form of tactile rivalry which evokes two competing percepts for a fixed difference in input amplitudes across antiphase, pulsatile stimulation of the left and right fingers. This study addresses the need for a tactile rivalry model that captures the dynamics of perceptual alternations and that incorporates the structure of the somatosensory system. The model features hierarchical processing with two stages; a first stage resolves perceptual competition, leading to perceptual alternations; and a second stage encodes perceptual interpretations. The first stage could be located downstream of brainstem nuclei and the second stage could be located within the primary somatosensory cortex (area 3b). The model captures dynamical features specific to the tactile rivalry percepts and produces general characteristics of perceptual rivalry: input strength dependence of dominance times (Levelt’s proposition II), short-tailed skewness of dominance time distributions and the ratio of distribution moments. The presented modelling work leads to experimentally testable predictions. The same hierarchical model could generalise to account for percept formation, competition and alternations for bistable stimuli that involve pulsatile inputs from the visual and auditory domains. Author summary Perceptual ambiguity involving the touch sensation has seen increased recent interest. It provides interesting opportunity to explore how our perceptual experience is resolved by dynamic computations in the brain. We recently proposed a simple form of tactile rivalry where stimuli consisted of antiphase sequences of high and low intensity pulses delivered to the right and left index fingers. The stimulus can be perceived as either one simultaneous pattern of vibration on both hands, or as a pattern of vibrations that jumps from one hand to the other, giving a sensation of apparent movement. During long presentation of the stimuli, one’s perception switches every 5–20 seconds between these two interpretations, a phenomenon called tactile perceptual bistability. This study presents the first computational model for tactile bistability and is based on the structure of sensory brain areas. The model captures important characteristics of perceptual interpretations for tactile rivalry. We offer predictions in terms of how left-right tactile intensity differences are encoded and propose a location for the encoding of perceptual interpretations in sensory brain areas. The model provides a generalisable framework that can make useful predictions for future behavioural experiments with tactile and other types of stimuli.

This study introduces a novel neuromechanical model employing a detailed spiking neural network to explore the role of axial proprioceptive sensory feedback in salamander locomotion. Unlike previous studies that often oversimplified the dynamics of the locomotor networks, our model includes detailed simulations of the classes of neurons that are considered responsible for generating movement patterns. The locomotor circuits, modeled as a spiking neural network of adaptive leaky integrate-and-fire neurons, are coupled to a three-dimensional mechanical model of a salamander with realistic physical parameters and simulated muscles. In open-loop simulations (i.e., without sensory feedback) the model accurately replicates locomotor patterns observed in-vitro and in-vivo for swimming and trotting gaits. Additionally, a modular architecture of the descending reticulospinal (RS) drive to the central pattern generation (CPG) network, allows to accurately control the activation, frequency and phase relationship of the different sections of the limb and axial circuits. In closed-loop simulations (i.e. with the inclusion of axial proprioceptive sensory feedback), systematic evaluations reveal that intermediate values of feedback strength significantly enhance the locomotor efficiency and robustness to disturbances during swimming. Specifically, our results show that sensory feedback increases the tail beat frequency and reduces the intersegmental phase lag, contributing to more coordinated and faster movement patterns. Moreover, the presence of feedback expanded the stability region of the closed-loop swimming network, enhancing tolerance to a wider range of external stimulations, internal parameters' modulation and noise levels. This study provides new insights into the complex interplay between central and peripheral pattern generation mechanisms, offering potential strategies for developing advanced biomimetic robots. Additionally, this study underscores the critical role of detailed, biologically-realistic neural networks to improve our understanding of vertebrate locomotion.

Abstract We address an open problem in the philosophy of artificial intelligence (AI): how to justify the epistemic attitudes we have towards the trustworthiness of AI systems. The problem is important, as providing reasons to believe that AI systems are worthy of trust is key to appropriately rely on these systems in human-AI interactions. In our approach, we consider the trustworthiness of an AI as a time-relative, composite property of the system with two distinct facets. One is the actual trustworthiness of the AI and the other is the perceived trustworthiness of the system as assessed by its users while interacting with it. We show that credences, namely, beliefs we hold with a degree of confidence, are the appropriate attitude for capturing the facets of the trustworthiness of an AI over time. Then, we introduce a reliabilistic account providing justification to the credences in the trustworthiness of AI, which we derive from Tang’s probabilistic theory of justified credence. Our account stipulates that a credence in the trustworthiness of an AI system is justified if and only if it is caused by an assessment process that tends to result in a high proportion of credences for which the actual and perceived trustworthiness of the AI are calibrated. This approach informs research on the ethics of AI and human-AI interactions by providing actionable recommendations on how to measure the reliability of the process through which users perceive the trustworthiness of the system, investigating its calibration to the actual levels of trustworthiness of the AI as well as users’ appropriate reliance on the system.