Detection, recuperation and cross-subject classification of mental fatigue
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.008 | 0.022 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".