瞳孔测量和自主神经系统对认知负载和错误反的反应:一个无监督的机器学习方法

科学领域:

• 神经科学和认知心理学
• 自主神经系统 (ANS) 规则
• 机器学习在行为科学中的应用

背景情况:

• 瞳孔膨胀是由交感和副交感神经系统分支调节的.
• 认知负载和欺骗性的反可以影响自主神经系统 (ANS) 活动和行为反应.
• 了解压力适应能力的个体差异对于性能优化至关重要.

研究的目的:

• 为了调查如果学生扩张动态在认知负载与错误的反下可以预测个人的行为.
• 探索瞳孔动态,心率变化 (HRV),眼睛运动和认知表现之间的关系.
• 利用无监督的机器学习,根据瞳孔反应模式识别不同的群体.

主要方法:

• 一组70名参与者接受了增加认知负载和欺骗的任务.
• 测量包括瞳孔动态,HRV,眼动,认知表现和行为数据.
• 应用K-means集群对瞳孔测量数据进行细分,以区分不同的反应模式.

主要成果:

• 两个不同的群体出现了显著的生理和行为差异.
• 群0呈现高HRV和更大的初始瞳孔尺寸,有更多的错误和更低的自尊.
• 集群1显示HRV较低,但眼运动活动增加,反应时间更快,以及更好地检测欺骗.
• 吸烟和嗜睡等生活方式因素在集群之间有显著差异.

结论:

• 瞳孔动态,以及HRV和眼动,揭示了认知压力和欺骗反应中的复杂相互作用.
• 瞳孔测量和机器学习可以识别个人应激弹性和认知性能变化.
• 研究结果表明,远程诊断工具可能用于实时认知压力监测和性能优化.