自主监督学习近野性的认知工作量估计

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 人与计算机的交互

背景情况:

• 认知工作量估计对于减少决策错误至关重要.
• 使用生理数据 (EEG,ECG) 的机器学习模型有希望,但需要广泛的标记数据.
• 商业设备提供低成本的数据收集,但在现实环境中遭受人工制品的损害.

研究的目的:

• 开发一种混合机器学习模型,用于在受控实验室环境之外估计认知物理工作负载.
• 确定最相关的生理学模式,以近似认知工作负载.
• 减少在机器学习模型中需要昂贵和耗时的数据标签的需求.

主要方法:

• 实施了一种混合方法,将特征选择和自我监督的机器学习技术结合起来.
• 在实验室之外收集了七种模式的生理数据.
• 该模型被用来确定相关的模式,并估计认知物理工作负载的六个级别.

主要成果:

• 该研究成功地确定了接近认知工作负载的关键生理模式.
• 混合模型展示了使用自主监督学习估计认知物理工作负载水平的能力.
• 这种方法在现实环境中被证明是有效的,克服了文物污染的挑战.

结论:

• 一个新的混合机器学习框架有效地使用现实世界的生理数据来估计认知工作量.
• 自主监督学习显著降低了用于认知工作负载近似的数据标签的负担.
• 这种方法提高了使用生理反来改善日常环境中的决策的可行性.