游戏化能减少mHealth应用程序中自我报告的负担吗? 使用智能手表数据的机器学习来估计认知负载的可行性研究
Michal K Grzeszczyk1,2, Paulina Adamczyk1,3, Sylwia Marek1,3
1Sano Centre for Computational Medicine, Cracow, Poland.
AMIA ... Annual Symposium proceedings. AMIA Symposium
|January 15, 2024
概括
数字健康调查中的游戏化并没有降低认知负载 (CL),但改善了患者的偏好. 机器学习模型通过分析光聚聚缩学 (PPG) 信号,可以有效地检测CL.
科学领域:
- 数字健康数字健康
- 人与计算机的交互
- 生物医学信号处理
背景情况:
- 患者在数字治疗中自我报告可能会压倒用户,导致脱离参与.
- 游戏化是一种潜在的策略,可以改善数字健康应用程序的用户体验.
研究的目的:
- 调查游戏化对患者自我报告期间认知负载 (CL) 的影响.
- 开发和验证一种机器学习模型,用于使用光电显微镜 (PPG) 信号检测CL.
主要方法:
- 一个系统被开发来评估通过分析光斑血学 (PPG) 信号来评估CL.
- 在参与者数据上训练机器学习模型来检测CL.
- 两种调查版本,游戏化和传统,被用于CL影响的比较.
主要成果:
- 在13名参与者中,个性化的CL检测器在10名参与者中获得了0.7以上的F1得分.
- 在压力检测任务上预先训练CL检测器,提高了其性能.
- 在游戏化和传统调查之间没有发现CL的显著差异.
结论:
- 虽然游戏化并没有降低认知负载,但参与者更喜欢它.
- 对PPG信号的机器学习分析显示,对数字健康中的客观CL评估有希望.
