Clasificación robusta de la carga de trabajo mental multimodal: un enfoque de aprendizaje automático en condiciones...

Área de la Ciencia:

• Fisiología de la Aviación
• Aprendizaje automático en el cuidado de la salud
• Ingeniería de Factores Humanos

Sus antecedentes:

• Los pilotos se enfrentan a una alta carga de trabajo mental (MW) exacerbada por la hipoxia y la restricción del sueño.
• Los modelos predictivos de MW existentes pueden carecer de robustez en diversos estados fisiológicos.

Objetivo del estudio:

• Validar cruzadamente modelos predictivos de MW de aprendizaje automático en condiciones de hipoxia y restricción del sueño.
• Desarrollar un modelo predictivo de MW robusto utilizando datos fisiológicos multimodales para mejorar la validez.

Principales métodos:

• Diecisiete participantes se sometieron a restricción controlada del sueño (SR) o sueño habitual (HS) e hipoxia (HY) o normoxia (NO).
• La carga de trabajo mental se manipuló utilizando la Batería de Pruebas de Múltiples Atributos (MATB)-II y una tarea auditiva.
• Se evaluaron clasificadores de aprendizaje automático utilizando características de sensores de EEG, ECG, respiratorios y de seguimiento ocular.

Principales resultados:

• El rendimiento de los modelos individuales fue mejor en condiciones habituales de sueño y normoxia (p. ej., puntuación F1 de KNN del 80,3%).
• El rendimiento del modelo disminuyó significativamente en condiciones de restricción del sueño y/o hipoxia (F1 <35%).
• Los modelos entrenados con datos de todas las condiciones, especialmente aquellos que incorporan EEG y seguimiento ocular, mostraron un mejor rendimiento entre condiciones (p. ej., puntuación F1 de KNN del 77,4%).

Conclusiones:

• El entrenamiento de modelos de aprendizaje automático en diversas condiciones fisiológicas es crucial para una predicción robusta de MW.
• Los datos fisiológicos multimodales mejoran la validez y confiabilidad de los modelos predictivos de MW en aviación.