提高心理工作负载识别:基于复杂性的眼动指标与传统特征的比较

科学领域:

• 人与计算机的交互
• 认知科学 认知科学
• 生物医学工程 生物医学工程

背景情况:

• 传统的眼动指标显示,由于不一致的动态时间序列模式捕获,识别心理工作负载 (MWL) 的局限性.
• 基于复杂性的特征正在成为MWL潜在更强大的指标.

研究的目的:

• 评估基于复杂性的眼球运动特征的有效性,包括内在模式函数 (IMF),作为MWL的指标.
• 为了比较基于复杂性的特征的性能与MWL识别的传统指标.

主要方法:

• 参与者执行了不同MWL的数学任务,记录了眼动,并进行了NASA-RTLX评估.
• 用实证模式分解分解眼动数据,并计算了多尺度.
• 机器学习模型使用传统和基于复杂性的特征集进行训练.

主要成果:

• 与传统指标相比,基于复杂性的特征显示了MWL效应的更一致的捕获.
• 对主观MWL识别的分类准确性高于基于复杂性的特征 (68%对53%).
• 基于任务的MWL识别的分类准确性也更高,基于复杂性的特征 (73%对57%) 显示15-16%的改进.

结论:

• 基于复杂性的眼动指标,特别是来自IMF的指标,为MWL识别提供了卓越的性能.
• 这些发现支持基于复杂性的指标的整合,以提高人机交互系统的准确性和可靠性.