心理工作负载分类和多任务任务检测:来自EEG研究的深度学习见解

科学领域:

• 认知神经科学 认知神经科学
• 人与计算机的交互
• 机器学习 机器学习

背景情况:

• 任务负载 (TL) 涉及外部需求,而心理工作负载 (MWL) 反映了内部认知努力.
• 在多任务处理中,MWL通常被认为与并发任务的数量相关.
• 使用脑电图 (EEG) 调查MWL的神经相关物对于理解认知状态至关重要.

研究的目的:

• 挑战增加任务数量的假设与明显的EEG模式直接相关,这表明精神工作量较高.
• 评估深度学习方法的有效性,特别是卷积神经网络 (CNN),根据任务负载和子任务存在来分类EEG数据.
• 探索电脑电图 (EEG) 信号与复杂多任务处理期间不同程度的心理工作负载 (MWL) 之间的关系.

主要方法:

• 在四个不同的任务负载级别下,对50名参与者进行了EEG实验,他们执行了NASA多属性任务电池II (MATB-II).
• 开发并应用一个卷积神经网络 (CNN) 用于两个分类任务:区分任务负载级别和检测活跃的子任务.
• 分析了EEG段,以评估CNN在不同认知需求和任务量之间区分能力.

主要成果:

• 美国有线电视新闻网成功地分类了符合单个MATB-II子任务存在的EEG段,表明对特定任务的神经模式的敏感性.
• 美国有线电视新闻网 (CNN) 很难区分两个最高的任务负载级别,这表明EEG模式没有足够的区别来进行更高的MWL歧视.
• 参与者之间较低的错误率表明他们能够有效地适应增加的任务需求,可能会掩盖与工作负载相关的EEG变化.

结论:

• 即使使用深度学习进行分析时,EEG也可能无法提供足够明显的模式,以区分多任务场景中的更高层次的任务负载.
• 实验设计,其中较高的任务负载主要以数量不同,参与者适应,可能会限制与MWL相关的EEG变化的检测能力.
• 未来的研究应该考虑替代的神经成像技术或实验范式,以更好地捕捉复杂任务期间心理工作负载的细微差异.