Dry EEG-based Mental Workload Prediction for Aviation
Notice bibliographique
Résumé
Human errors are reputed to be one of the main causes of most accidents or incidents in aviation. Such can be explained by the fact that pilots are frequently exposed to sources of emotional and cognitive stressors, including challenges pertaining to mental workload. Real-time mental workload assessment of crew during flight could help identifying cognitive overload of the crew and then reduce aviation accidents. Electroencephalography (EEG) is a well-known tool used to infer mental states. EEG prediction of mental workload is however mostly performed in highly controlled settings whereas, in the cockpit, many types of confounds (e.g., physical movement) can induce noise into the signal. The goal of this study was to develop an EEG-based workload prediction model that could be used in aviation use cases characterized by noisy signal. To reach this goal, we used machine-learning algorithms to explore the feasibility to classify different levels of mental workload from EEG features. We used a dataset composed of noise induced by physical activity (either low, medium or high levels) collected while participants performed either low-demanding or high-demanding cognitive tasks. Using only three electrodes (Fp1, Fp2 and P3) and 15 spectral band features with the physical condition label, we generated a random forest classifier with a prediction accuracy of 76%. This model could run in real time and provide workload inference at a rate of one prediction each second. Overall, our results show the possibility for predicting real-time mental workload in operational environments using dry-electrode EEG solutions developed for ambulatory use cases.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,004 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».