疲劳的混合框架:将动机控制和计算调节器连接到玛振荡

科学领域:

• 认知神经科学 认知神经科学
• 计算精神病学是一种计算精神病学.
• 人类因素 人类因素

背景情况:

• 警觉性下降,或任务时间疲劳,损害了业绩,需要提高预测准确性.
• 现有的疲劳模型缺乏对其潜在机制的全面解释.
• 整合动机,计算和神经生理学因素为了解疲劳提供了一种新的方法.

研究的目的:

• 开发和验证一个混合框架,整合动机系统,认知微缩和正面马振荡,以预测因疲劳而导致的性能下降.
• 为了正式地将短暂的注意力缺失与对任务时间的动机控制的动态联系起来.
• 为了提高疲劳对性能影响的预测准确度.

主要方法:

• 在警任务期间收集的脑电图 (EEG) 和行为数据.
• 分析了高频马振荡作为动机控制和努力过程的指数.
• 开发并比较了计算模型,包括一个新的混合框架,与使用模拟数据的仅微距模型进行比较.

主要成果:

• 较高的正面马功率与努力的动机控制相关,但与随着时间的推移而增加的响应时间并非直接相关.
• 功能连接性分析证实了前端马在前端-双侧网络的主导地位.
• 通过前置马功率进行参数化的混合框架,表现出准确度等于或超过仅微缩模型的模型.

结论:

• 混合框架有效地将疲劳模型作为动力驱动和认知控制之间的动态相互作用.
• 额头马振荡作为波动的动机控制的高分辨率神经指数.
• 这一框架提供了对疲劳的简单解释,并且在疲劳干预技术中具有潜在的应用.