Human-Machine Systems, IEEE, 2015

Abstract

Die Erfassung der mentalen Arbeitsbelastung (Mental Workload) mithilfe physiologischer Messungen, insbesondere von EEG-Signalen (Elektroenzephalografie), ist ein aktives Forschungsfeld. In jüngster Zeit ist eine Reihe von kabellosen Erfassungssystemen zur Messung von EEG und anderen physiologischen Signalen auf dem Markt erschienen. Bisher haben nur wenige Studien solche kabellosen Systeme zur Erfassung der kognitiven Arbeitsbelastung eingesetzt und deren Leistung bewertet. Diese Arbeit stellt einen ersten Schritt dar, um die Eignung eines beliebten kabellosen Systems (Emotiv EPOC Headset) zur Bewertung des Gedächtnis-Workloads bei einer bekannten n-back-Aufgabe zu untersuchen. Wir haben ein Framework für die Signalverarbeitung und -klassifizierung entwickelt, welches einen automatischen Algorithmus zur Artefaktentfernung, ein breites Spektrum an Techniken zur Merkmalsextraktion, eine personalisierte Methode zur Merkmalsskalierung, einen informationstheoretisch basierten Ansatz zur Merkmalsauswahl und ein Klassifizierungsmodell auf Basis von Proximal-Support-Vector-Maschinen integriert. Die experimentellen Ergebnisse zeigen, dass die kabellos erfassten EEG-Signale verwendet werden können, um verschiedene Stufen des Gedächtnis-Workloads bei neun Teilnehmern zu klassifizieren. Die Klassifizierungsgenauigkeiten zwischen der niedrigsten Belastungsstufe (0-back) und den aktiven Belastungsstufen (1-, 2-, 3-back) lagen nahe bei 100 %. Die beste Klassifizierungsgenauigkeit für 1- vs. 2-back lag bei 80 % und für 1- vs. 3-back bei 84 %. Diese Studie zeigt, dass das kabellose Erfassungssystem sowie die fortschrittlichen Datenanalyse- und Mustererkennungstechniken vielversprechend sind, um eine Echtzeitüberwachung und -identifizierung der mentalen Arbeitsbelastung von Menschen bei einer Vielzahl von kognitiven Aktivitäten in der modernen Gesellschaft zu ermöglichen.Klicken Sie hier, um den vollständigen Bericht zu lesen