Linking Cognitive Decision-Making with Brain Activity During Haptic Interactions in Virtual Environments
Notice bibliographique
Résumé
Haptic feedback is essential for creating immersive and intuitive user experiences in remote and virtual environments (VEs). However, the cognitive processes underlying haptic interactions and their connection to brain activity remain underexplored. This study investigates the relationship between behavioral modeling through the Drift-Diffusion Model (DDM) and brain responses measured by event-related potentials (ERPs), focusing on the P300 and N200 components.A user study was conducted in which users were tasked to trace a helical curve while perceiving force and vibrotactile cues in a 3D stereoscopic VE. Participants wore an EEG cap to record their brain activity, and reaction times (RTs) were recorded for each haptic interaction. The study analyzed the DDM’s drift rate parameter, which corresponds to the speed of evidence accumulation, and compared it with the slopes from the cue onset to P300 (P300 slope) and slope from N200 to P300 components (NP300 slope), obtained from ERPs.Results revealed an agreement between DDM drift rates and ERP slopes, particularly with the NP300 slope, suggesting that NP300 slope may more accurately represent the cognitive processes reflected by DDM when perceiving haptic cues. The agreement between behavioral data (RTs) and brain responses (ERPs) suggests that the DDM could be an useful tool for inferring underlying brain activity by analyzing RTs during haptic interactions.
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 | 0,005 |
| 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 | 0,001 | 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) | 0,000 | 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 ».