基于马尔科夫链的计算模型,用于评估用户在顺序运动图像任务中的技能
Cristian David Guerrero-Mendez1, Hamilton Rivera-Flor2, Denis Delisle-Rodriguez3
1Department of Electronics and Biomedical Engineering, School of Electrical and Computer Engineering, University of Campinas - UNICAMP, Campinas, 13083-852, SP, Brazil; Neural Engineering Research Laboratory, Center for Biomedical Engineering, University of Campinas - UNICAMP, Campinas, 13083-881, SP, Brazil.
Computers in biology and medicine
|September 19, 2025
概括
这项研究引入了一种使用马尔科夫链来分析复杂的序列运动图像 (MI) 技能的新计算方法. 该方法有效地捕捉用户的性能模式,提供超越传统分类指标的洞察力.
科学领域:
- 神经科学是一个神经科学.
- 计算神经科学是一种神经科学.
- 人与计算机的交互
背景情况:
- 准确测量运动图像 (MI) 中个体技能是具有挑战性的,特别是复杂的顺序任务.
- 现有的研究往往忽略了顺序性MI的细微差别,限制了对其在对象操纵等活动中的应用的理解.
研究的目的:
- 提出和评估一种新的计算方法,用于评估用户在顺序运动图像任务中的技能.
- 利用状态聚类和马尔科夫链来分析连续MI中的模式.
- 为了引入和验证两个马尔科夫衍生度量:taskDistinct和相对TaskInconsistency.
主要方法:
- 开发了一种使用状态集群和马尔科夫链进行顺序MI分析的计算方法.
- 通过使用30名参与者的数据集来评估该方法,这些参与者想象着用不同杯子位置进行连续的对象操纵任务.
- 雇佣的任务 截然不同的和相对的任务 不一致性指标来评估模式分离性和状态一致性.
主要成果:
- 在训练期间识别的状态的数量与想象的行动的数量相对应.
- 皮层状态转换反映了想象中的任务的顺序顺序.
- 基于马尔科夫和传统指标之间的相关性取决于任务,观察到显著的关联,特别是在右杯MI.
结论:
- 拟议的计算方法有效地捕捉了顺序运动图像性能特征.
- 该方法提供了对用户技能的补充见解,超越了传统的分类指标.
- 这些发现突出了马尔科夫链分析在理解复杂的顺序运动图像方面的潜力.
