在飞行甲板环境中进行心理工作负载预测的EEG数据集收集

科学领域:

• 认知神经科学 认知神经科学
• 人与计算机的交互
• 航空航天心理学 航天心理学

背景情况:

• 高度的心理工作负担会影响绩效,特别是在航空业等高风险职业中.
• 现有的深度学习模型需要广泛的注释数据集来准确评估认知状态.
• 在飞行甲板场景中,需要具体的关于心理工作量和大脑功能的数据.

研究的目的:

• 提出一种新的脑电图 (EEG) 记录数据集,用于识别心理工作负载.
• 促进人工智能模型的开发,以检测和评估认知状态.
• 为了弥合在不同心理工作负载条件下理解大脑功能方面的差距.

主要方法:

• 在三个实验中收集了来自参与者经历诱导精神工作负载的EEG数据.
• 使用N-back测试,加热椅子游戏和Airbus320飞行模拟器用于工作负载诱导.
• 通过将任务难度与自我感知,表现和EEG模式相关联来验证数据集.

主要成果:

• 证明了EEG时间模式的显著差异,与不同的理论工作负载水平相对应.
• 证实了数据集对训练和评估人工智能模型的有用性.
• 建立了任务难度,自我报告的工作量和客观绩效指标之间的相关性.

结论:

• 提出的EEG数据集对于推进心理工作负载评估研究有价值.
• 本资源支持开发人工智能驱动的解决方案,用于监测试点认知状态.
• 更好地理解和检测心理工作负载可以提高航空安全和性能.