基于EEG的机器学习性能在任务类型的精神工作负载分类:一个系统的审查

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:

• 评估心理工作负载 (MWL) 对于优化绩效和防止错误至关重要.
• 现有的文献缺乏评估MWL估计模型的标准化任务,这阻碍了机器学习 (ML) 方法的直接比较.
• 电脑电图 (EEG) 是一种常见的方法,用于非侵入性测量与MWL相关的大脑活动.

研究的目的:

• 综合检查基于EEG的MWL分类中的ML模型在不同实验任务类型中的性能.
• 确定任务复杂性,特别是单任务与多任务,如何影响MWL估计的准确性.
• 提供对当前最先进技术的洞察力,并确定基于EEG的MWL估计中的研究差距.

主要方法:

• 基于所采用的任务类型 (单任务与多任务) 和MWL评分方法 (定量与主观) 的现有ML研究的系统分类.
• 在这些类别中对ML模型的性能指标 (例如分类准确性) 的比较分析.
• 文献综述侧重于基于EEG的MWL分类研究.

主要成果:

• 在使用定量任务负载评级的多任务研究中,与单任务研究相比,在表现最佳的ML模型中观察到MWL分类准确度的显著下降.
• 使用主观MWL评级的研究显示,在多任务场景中使用定量评级的研究显示,分类准确性高于使用定量评级的研究.
• 性能差异凸显了在复杂的现实世界多任务环境中准确估计MWL的困难.

结论:

• 使用基于EEG的ML模型来估计心理工作负载,在多任务处理时更具挑战性,尤其是在依赖量化任务负载测量时.
• 这些发现强调了需要开发更强大的机器学习模型,能够处理现实世界多任务场景的复杂性.
• 需要进行进一步的研究,以建立标准化的基准和提高MWL在动态和复杂的任务环境中的估计准确性.