从fNIRS数据中对工作负载预测进行区块智能域调整
Jiyang Wang1, Ayse Altay1, Leanne Hirshfield2
1Electrical Engineering and Computer Science Department, Syracuse University, Syracuse, NY 13244, USA.
Sensors (Basel, Switzerland)
|June 27, 2025
概括
使用功能近红外光谱学 (fNIRS) 预测认知工作量,通过一种新的区块智能域适应方法得到了改进. 这种方法增强了对实体应用的跨学科和课程的模型概括性.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 生物医学工程 生物医学工程
背景情况:
- 功能近红外光谱 (fNIRS) 测量皮质血液动力活动的非侵入性.
- 从fNIRS数据中预测认知工作量面临着跨学科和会议概括的挑战.
- 现有的方法往往无法在未见的受试者身上表现良好,原因是受试者之间和受试者内部数据的高变化.
研究的目的:
- 从fNIRS数据中开发一种可靠的方法来预测认知工作量,这种方法可以在各个科目和会话中进行概括.
- 为了应对fNIRS数据中主体间和主体内变异性的挑战.
- 提高认知工作负载预测模型在现实环境中的适用性.
主要方法:
- 提出了一个区块智能域调整 (BWise-DA) 方法,通过将同一主体/会话的区块视为不同的域来最小化会话内部变异.
- 最小化类内部域差异和最大化类间域差异.
- 介绍了一种基于MLPMixer的模型用于工作负载预测和对比学习方法.
主要成果:
- 拟议的BWise-DA方法和MLPMixer模型在三个公共工作负载数据集 (n-back和finger-tapping任务) 上表现优于三个基线模型.
- 对比式学习方法提高了基线模型的性能.
- 可视化证实,模型专注于相关的大脑区域.
结论:
- 使用fNIRS数据的BWise-DA方法有效地提高了使用fNIRS数据的认知工作负载预测模型的概括性.
- 基于MLPMixer的方法与对比学习相结合,为准确可靠的工作负载评估提供了一个有希望的方向.
- 这些发现支持使用fNIRS进行现实世界的认知工作负载监控.
