Monitored Versus Non-Monitored Stimuli in Brain-Computer-Interface Methods for Classifying Workload States During Piloting Tasks
Notice bibliographique
Résumé
Applying wireless sensors for measurement of pilot mental workload using electroencephalography (EEG) in passive brain-computer interfaces (pBCI) has proven difficult due to weak workload signatures in artifact-laden environments. While active monitoring of task-irrelevant stimuli is used with pBCI designs to improve the signal to noise ratio (SNR), this method introduces non-piloting tasks, and thus adds to pilot workload. A fully implicit non-monitoring approach, where stimuli are presented but ignored decreases superfluous artifacts associated with monitoring and responding to the stimuli, but also paradoxically weakens the workload signal of interest. We compared the misclassification rates for a variety of pBCI paradigms in monitoring versus non-monitoring conditions where auditory stimuli were used in the classification of moderate versus high workload conditions. The pBCI models incorporated spectral features of the EEG recorded wirelessly during a virtual reality flight simulation with non-pilots. Classification of workload states, using an open source BCI toolbox, found similar misclassification rates between the monitoring versus non-monitoring datasets (Bayes Factors between 2.1 and 2.9 showed there was no effect of group on classification errors). The results show that reasonable measurement of adjacent workload states (moderate versus high) can be undertaken using EEG data from wireless sensors using non-monitoring pBCI methods.
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 | 0,003 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».