Modèle hiérarchique pour l’amélioration de l’évaluation
\nde l’état mental de l’opérateur à l’aide de technologies
\nportables / Hierarchical model for improved operator functional
\nstate assessment based on wearables.

La classification inter-tâches, c’est-à-dire la classification de la charge mentale pour plusieurs tâches \nà l’aide d’un même modèle, est un problème important pour l’évaluation de l’état fonctionnel de \nl’opérateur. Dans cette étude, nous proposons une nouvelle méthode afin d’améliorer la précision \nde la classification inter-tâches, ainsi que des nouvelles caractéristiques de l’EEG afin d’améliorer la \nprécision intra-tâche et inter-tâches. Notre méthode se fie à un classificateur hiérarchique capable de \ndétecter la tâche à laquelle appartient un point de données, ainsi que sa difficulté. Les caractéristiques \nque nous proposons sont des caractéristiques de couplage entre les fréquences, soit le couplage phaseamplitude \net le taux de changement de la modulation d’amplitude. \nNous avons recueilli de données cardiaques, respiratoires, oculométriques et électroencéphalographiques \nde 16 participants, chacun exécutant trois tâches cognitives, soit la rotation mentale, le \nN-Back et la recherche visuelle. Comme nous voulions évaluer la performance de notre modèle dans \nun environnement réel, nous avons recueilli ces signaux à l’aide d’appareils portables. Afin de rendre \nnotre modèle indépendant de l’utilisateur, nous avons également recueilli des métriques objectives \net subjectives de la performance pour faciliter le processus de sélection des caractéristiques. \nNos résultats montrent que les caractéristiques de l’EEG que nous proposons améliorent la classification \nintra-tâche pour la rotation mentale et la recherche visuelle. De plus, notre modèle hiérarchique \na atteint une précision de 69%, par rapport à 62% pour les méthodes traditionnelles. Ces résultats \nindépendants de l’utilisateur sont comparables aux modèles adaptés à l’utilisateur publiés précédemment. \nLa performance relativement faible de notre modèle est due en grande partie à une mauvaise \ndistribution des électrodes EEG, ainsi qu’à des problèmes survenus avec les signaux de la physiologie \npériphérique. Nous nous attendons à ce que notre modèle produise de bien meilleurs résultats avec \ndes appareils plus appropriés. Cross-task classification, that is the ability of a single model to classify mental workload across many \ndifferent tasks, is an important problem in mental workload assessment. In this work, we propose \na novel approach to improve cross-task accuracy as well as new EEG features to improve withinand \ncross-task accuracy. Our approach relies on a layered classifier to detect both the task being \nperformed and the difficulty condition, while the proposed features are Cross-Frequency Coupling \nfeatures that quantifiy the interactions between EEG sub-bands, namely Phase-Amplitude Coupling \nand Amplitude Modulation Rate-of-Change. \nTo do this, we collected ECG, respiration, eye tracking and EEG data from 16 participants performing \nthree tasks : mental rotation, N-back and visual search. As we wanted to test in-the-field \nperformance of our methods, we collected physiological data using wearable devices. In an effort to \nmake our model user-independant, we also collected objective and subjective perfomance metrics \nto help the feature selection process. \nOur results show that the proposed EEG features improve within-task results for mental rotation \nand visual search. Additionally, our hierarchical method achieved an accuracy of 69% compared to \n62% using traditional methods. These user-independant results compare favourably to previously \npublished user-adapter models. The relatively low performance of our model is due mostly to poor \nEEG electrode distribution and problems encountered with the signals extracted from peripheral \nphysiology. Our approach can be expected to perform much better given better data collection \ndevices.

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.