Feasibility of an EEG-based dynamic suboptimal cognitive monitoring for field neuroergonomics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Suboptimal cognitive states among construction workers significantly impact safety and productivity, with mental workload playing a key role in triggering these states.Determining if the mental workload fluctuation is leading to an error is challenging as the relationship between mental workload and suboptimal cognitive states is complex and non-linear, with traditional theories failing to map their fluctuations effectively.Recently, a two-dimensional space has been introduced to theoretically map mental workload fluctuations and suboptimal cognitive states using task engagement and arousal.However, there is currently no framework in place to continuously apply this theoretical knowledge in practical settings.To address this gap, this study investigates the feasibility of EEG-based frameworks for classifying four different cognitive states, namely comfort zone, mind wandering, effort withdrawal, and inattentional blindness, based on mental workload fluctuations.EEG signals were collected from 10 participants using a headset with dry electrodes, processed to extract relevant features, and classified using Support Vector Machine (SVM) and Artificial Neural Network (ANN) models.The ANN achieved superior performance in k-fold and leave one period out validation methods, though accuracy declined in leave one subject out validation.These findings underscore the potential of EEG-based differentiation of cognitive suboptimalities to enhance safety and productivity in construction by providing crucial information about when construction workers are most likely to make cognitive errors, which is essential for timely and appropriate interventions.Also, the low subject independent accuracy emphasizes the need to address individual differences in EEG signals for broader applicability.
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.
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) | 0,000 | 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 découle