EEG-based detection of mental workload level and stress: the effect of variation in each state on classification of the other
Notice bibliographique
Résumé
OBJECTIVE: A passive brain-computer interface (pBCI) is a system that continuously adapts human-computer interaction to the user's state. Key to the efficacy of such a system is the reliable estimation of the user's state via neural signals, acquired through non-invasive methods like electroencephalography (EEG) or near-infrared spectroscopy (fNIRS). Many studies to date have explored the detection of mental workload in particular, usually for the purpose of improving safety in high risk work environments. In these studies, mental workload is generally modulated through the manipulation of task difficulty, and no other aspect of the user's state is taken into account. In real-life scenarios, however, different aspects of the user's state are likely to be changing simultaneously-for example, their cognitive state (e.g. level of mental workload) and affective state (e.g. level of stress/anxiety). This inevitable confounding of different states needs to be accounted for in the development of state detection algorithms in order for them to remain effective when taken outside the lab. APPROACH: In this study we focussed on two different states that are of particular importance in high risk work environments, specifically mental workload and stress, and explored the effect of each on the ability to detect the other using EEG signals. We developed an experimental protocol in which participants performed a cognitive task under two different levels of workload (low workload and high workload) and at two levels of stress (relaxed and stressed) and then used a linear discriminant classifier to perform classification of workload level and stress level independently. MAIN RESULTS: We found that the detection of both mental workload level (e.g. low workload vs. high workload) and stress level (e.g. stressed vs. relaxed) were significantly diminished if the training and test data came from different as opposed to the same level of the other state (e.g. for mental workload classification, training on data from a relaxed condition and testing on data from a stressed condition, rather than both training and testing on the relaxed condition). The reduction in classification accuracy observed was as much as 15%. SIGNIFICANCE: The results of this study indicate the importance of considering multiple aspects of a user's state when developing detection algorithms for pBCI technologies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».