Detection, recuperation and cross-subject classification of mental fatigue
Notice bibliographique
Résumé
La fatigue mentale est un état complexe qui résulte d'une activité cognitive prolongée. Les \nsymptômes de la fatigue mentale inclus des changements d'humeur, de motivation et une \ndétérioration temporaire de diverses fonctions cognitives. Plusieurs recherches approfondies ont \nété menées pour développer des méthodes de reconnaissance des signes physiologiques et \npsychophysiologiques de la fatigue mentale. Les signes psychophysiologiques concernent \nprincipalement signaux d'activité cérébrale et leur relation avec la psychologie et la cognition. \nCelles-ci ont permise le développement de nombreux modèles basés sur l'IA pour classer \ndifférents niveaux de fatigue, en utilisant des données extraites d'un appareil eye-tracking, d'un \nélectroencéphalogramme (EEG) pour mesurer l’activité cérébrale ou d'un électrocardiogramme \n(ECG) pour mesurer l’activité cérébrale. Dans cette mémoire, nous présentons le protocole \nexpérimental et développé par mes directeurs de recherche et moi-même, qui vise à la fois à \ngénérer et mesurer la fatigue mentale, et à proposer des stratégies efficaces de récupération via \ndes séances de réalité virtuelle couplées à des dispositifs EEG et eye tracking. Réussir à générer \nde la fatigue mentale est nécessaire pour générer un ensemble de données suivant l’évolution de \nla fatigue et de la récupération au cours de l’expérience, et sera également utilisé pour classer \ndifférents niveaux de fatigue à l’aide de l’apprentissage automatique. Cette mémoire fournit \nd'abord un état de l'art complet des facteurs prédictifs de la fatigue mentale, des méthodes de \nmesure et des stratégies de récupération. Ensuite, l'article présente un protocole expérimental \nrésultant de l'état de l'art pour (1) générer et mesurer la fatigue mentale et (2) évaluer l'efficacité \nde la thérapie virtuelle pour la récupération de la fatigue, (3) entrainer un algorithme \nd'apprentissage automatique sur les données EEG pour classer 3 niveaux de fatigue différents en \nutilisant un environnement simulé de réalité virtuelle (VR). La thérapie virtuelle est une technique \nfavorisant la relaxation dans un environnement simulé virtuel et interactif qui vise à réduire le \nstress. Dans notre travail, nous avons réussi à générer de la fatigue mentale en accomplissant des \ntâches cognitives dans un environnement virtuel. Les participants ont montré une diminution \nsignificative du diamètre de la pupille et du score thêta/alpha au cours des différentes tâches \ncognitives. Le score alpha/thêta est un indice EEG qui suit les fluctuations de la charge cognitiveet de la fatigue mentale. Divers algorithmes d'apprentissage automatique ont été formés et testés \nsur des segments de données EEG afin de sélectionner le modèle qui s'ajuste le mieux à ces \ndonnées en ce qui concerne la métrique d'évaluation "précision équilibrée" et "f1". Parmi les 8 \ndifférents classificateurs, le SVM RBF a montré les meilleures performances avec une précision \néquilibrée de 95 % et une valeur de mesure f de 0,82. La précision équilibrée fournit une mesure \nprécise de la performance dans le cas de jeu de données déséquilibrées, en tenant compte de la \nsensibilité et de la spécificité, et le f-score est une mesure d'évaluation qui combine les scores de \nprécision et de rappel. Finalement, nos résultats montrent que le temps alloué à la thérapie \nvirtuelle n'a pas amélioré le diamètre pupillaire en période post-relaxation. D'autres recherches \nsur l'impact de la thérapie devraient consacrer un temps plus proche du temps de récupération \nstandard de 60 min.
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 | 0,008 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,008 | 0,003 |
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 ».