PsychoPy 2025.1.0 版本深度解析:心理学实验工具的重大升级
PsychoPy 是一个开源的心理学实验构建工具,它允许研究人员通过图形化界面或Python代码创建精确的心理学实验。该工具因其跨平台特性和精确的刺激呈现能力而广受心理学、神经科学领域研究人员的欢迎。2025年1月发布的PsychoPy 2025.1.0版本带来了多项重要改进和新功能,本文将对这些更新进行详细解析。
核心功能升级
视觉与音频时序验证器
新版本引入了视觉和音频时序验证器,这是一个重大改进。这些验证器能够自动持续地测试刺激呈现的时间准确性,解决了心理学实验中长期存在的时间精度验证难题。对于需要严格控制呈现时间的实验设计,如注意力瞬脱或快速序列视觉呈现(RSVP)范式,这一功能尤为重要。
多媒体功能增强
在多媒体处理方面,2025.1.0版本有多项改进:
-
YouTube视频支持:现在可以直接在Builder界面中使用YouTube视频作为电影刺激,这为需要呈现复杂视觉材料的实验提供了便利。
-
音频处理优化:音频播放和录制功能得到显著提升,新增了自动重采样功能,消除了"采样率不支持"的错误。此外,麦克风组件新增了
.getCurrentVolume方法,可以实时获取音量信息。 -
无限时长录音:新版本支持无限时长的音频录制,这对于需要长时间记录被试口头反应的实验特别有用。
人脸API集成
新版本通过Face API插件集成了人脸识别功能,研究人员现在可以直接在Builder界面中使用这一功能。这为面部表情识别、情绪识别等相关研究提供了便利工具。
实验构建与执行改进
设备支持增强
-
眼动仪校准点自定义:现在可以使用任何视觉刺激作为眼动仪校准点,提高了校准过程的灵活性和生态效度。
-
声音传感器组件:新增的声音传感器组件可以从麦克风或专用VoiceKey设备获取布尔值响应。目前支持BBTK T-Pad、Cedrus RB/Riponda/StimTracker等专业设备。
-
游戏手柄支持:Joystick类现在支持死区设置、插件和按钮映射,为需要游戏手柄输入的研究提供了更好的支持。
实验流程控制
-
强制结束Routine选项:声音组件新增了"强制结束Routine"选项,增强了实验流程控制的灵活性。
-
跳过试验时的行为优化:当试验被跳过时,现在会自动结束当前试验中的所有Routine,确保了实验流程的连贯性。
用户体验与开发效率提升
用户界面改进
-
搜索功能增强:Builder界面新增了区分大小写的搜索、实时搜索和正则表达式搜索功能,大大提高了大型实验项目的导航效率。
-
快捷键优化:新增了多个快捷键,包括实验设置(CTRL+SHIFT+X)和"在文件资源管理器中显示"(ALT+SHIFT+R)等。
-
启动速度优化:通过缓存插件图标和多项其他优化,应用程序的启动速度得到显著提升。
开发者工具
-
插件管理改进:插件对话框增加了"更新"按钮,当插件版本不是最新时会显示。此外,对于未安装插件提供的组件,现在可以直接从界面获取插件。
-
参数获取功能:新增了从刺激获取参数的功能,可以用于重新创建刺激,这对实验代码的复用和调试很有帮助。
技术架构优化
-
OpenGL管道现代化:开始向支持Pyglet v2.0的现代化OpenGL管道迁移,为未来的图形性能提升奠定了基础。
-
音频架构改进:音频设备现在可以通过名称而非索引指定,提高了代码的可读性和可维护性。同时支持非WASAPI音频设备,增强了兼容性。
-
错误处理增强:改进了多种错误处理机制,包括设备未找到错误的专门处理,以及更友好的导入错误提示。
兼容性变更说明
-
循环生成的CSV文件命名:现在在文件名和循环名之间使用下划线分隔。
-
麦克风组件参数变更:移除了"采样率"和"通道"参数,因为这些信息现在可以从设备自动检测。
-
键盘后端默认设置:由于ioHub在某些设备上的问题,新实验的默认键盘后端改为psychtoolbox。
PsychoPy 2025.1.0版本的这些改进和新增功能,不仅提升了实验构建的灵活性和精确性,也大大改善了用户体验。对于心理学和认知神经科学领域的研究人员来说,这些更新将有助于创建更复杂、更精确的实验范式,同时降低技术门槛和开发难度。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00