使用神经模型对任务的预测
Elizabeth L Fox1, Margaret Ugolini2, Joseph W Houpt3
1Air Force Research Laboratory, Wright-Patterson AFB, Dayton, OH, United States.
Frontiers in neuroergonomics
|January 18, 2024
概括
大脑计算机接口 (BCI) 使用神经特征预测认知工作负载. 马活动显示出优越的概括性,为人机团队和实用的移动EEG应用程序提供了适应性AI信息.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 人与计算机的交互
背景情况:
- 大脑-计算机接口 (BCI) 通过被动评估大脑活动来预测用户状态并优化人机团队 (HMT) 的性能.
- 神经特征在各种环境,实验操作和会话中不同地概括,这对神经工程学构成了挑战.
- 预测认知工作负载,一个关键的心理构造,对于适应性HMT系统至关重要.
研究的目的:
- 量化神经特征的概括和建模方法来预测各种任务操纵下的认知工作负载.
- 评估不同机器学习模型在预测单任务和多任务认知工作负载方面的表现.
- 评估会内与会间预测对模型准确性的影响.
主要方法:
- 训练并测试了20个支持矢量机器 (SVM) 模型,使用不同的分组的光谱-时间神经特征.
- 在同时预测任务类型 (监控,通信,跟踪) 和数量 (一个,两个或三个) 中评估模型准确性.
- 在个人层面上研究了会话内和会话间的预测准确性.
主要成果:
- 在所有记录位置上的马活动始终优于其他神经特征子集.
- 建模人员必须考虑影响相同的潜在心理结构 (认知工作负载) 的各种操作.
- 使用电极较少的移动EEG系统时,模型准确性下降.
结论:
- 马活动是一种强大的神经特征,用于预测BCI应用中的认知工作负载.
- 这项研究提供了一个实用的建模解决方案,通过大脑活动来预测任务状态.
- 结果提供了对模型准确性和移动EEG部署的实用性之间的权衡的见解.
