一个多层深度神经网络框架,用于在解决问题任务期间对认知负载管理的血液动力学评估
Priyanka Paul1, Shaoni Banerjee2, Apurba Nandi2
1Intelligent Automation and Robotics, Department of ETCE, Jadavpur University, Kolkata, India.
Cognitive neurodynamics
|July 3, 2025
概括
这项研究引入了一种新方法来分类认知负载,使用混合长短期记忆 (LSTM) 和区块注意力模块 (BAM) 模型与功能近红外光谱 (fNIRS) 数据. 该方法准确地区分高,中,低认知负载状态,增强认知性能监测.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 机器学习 机器学习
背景情况:
- 认知负载显著影响学习和任务绩效.
- 认知负载的准确分类对于优化教育策略和理解认知过程至关重要.
- 目前用于认知负载评估的方法在实时,非侵入性监测方面存在局限性.
研究的目的:
- 开发和验证一种新的混合模型来对认知负载进行分类.
- 调查功能近红外光谱 (fNIRS) 对于实时认知负载监测的实用性.
- 通过将长短期记忆 (LSTM) 网络与区块注意模块 (BAM) 集成,提高认知负载分类的准确性.
主要方法:
- 收集了来自50名参与者在不同认知负载条件下 (高,中,低) 执行解决问题的任务的fNIRS数据.
- 预处理的fNIRS数据使用规范化和波量变换来提取特征.
- 开发了一种混合LSTM-BAM模型来分析时间依赖性,并改进特征表示以改进分类.
主要成果:
- 拟议的LSTM-BAM模型在分类认知负载水平方面取得了显著的性能改进.
- 整合BAM有效地增强了特征表示,帮助LSTM捕获关键的时间动态.
- 证明了混合架构在区分不同认知负载状态的有效性.
结论:
- 混合LSTM-BAM模型为准确的认知负载分类提供了一个有希望的方法.
- fNIRS被证明是实时认知性能监测的宝贵的非侵入性工具.
- 这项研究对通过对认知负载的更好理解来推进教学设计和认知研究具有影响.
