在计算机辅助教育期间使用红外传感器检测认知负载
Subashis Karmakar1, Tandra Pal1, Chiranjib Koley2
1Department of Computer Science and Engineering, National Institute of Technology Durgapur, Durgapur, West Bengal 713209 India.
Cognitive neurodynamics
|April 7, 2025
概括
这项研究测量了计算机辅助教育期间使用大脑信号测量认知负载. 支持带有波纹散射转换的向量机提供了高精度,计算成本低于深度学习模型.
科学领域:
- 神经科学是一个神经科学.
- 教育技术的教育技术
- 机器学习 机器学习
背景情况:
- 教育中的技术整合在保持学生的注意力方面提出了挑战.
- 像功能近红外光谱学 (fNIRS) 这样的神经成像技术可以让我们了解学习过程中的认知过程.
- 量化认知负载对于优化计算机辅助教育工具至关重要.
研究的目的:
- 在计算机辅助教育活动中使用fNIRS大脑信号测量和分类认知负载.
- 为了比较自动特征提取 (波形散射转换) 和手动方法的性能.
- 评估1D卷积神经网络 (1D CNN) 与传统机器学习分类器的有效性.
主要方法:
- 在三个数据集中收集了fNIRS从从事执行心理任务和休息的受试者的大脑信号.
- 拟议的手动和自动 (波形散射转换) 特性提取技术.
- 开发了一种用于特征工程和分类的1D CNN,与LDA,Naive Bayes,KNN和SVM进行比较.
主要成果:
- 与手动方法和其他分类器相比,1D CNN表现出优越的分类性能 (准确性,精度,回忆,F1分数).
- 然而,1D CNN的计算成本 (CPU时间和内存利用率) 显著增加.
- 基于WST的特征的高斯内核支持向量机 (SVM) 在大幅降低计算需求的情况下实现了令人满意的性能.
结论:
- 1D CNN为计算机辅助教育中的认知负载分类提供了高准确度.
- 对于平衡性能和计算效率的实际应用,基于WST的SVM功能是一个可行的替代方案.
- 进一步的研究可以优化深度学习模型,以减少教育神经成像中的计算开销.
