Human-Machine Systems, IEEE, 2015

Samenvatting

Het beoordelen van mentale werkbelasting met behulp van fysiologische metingen, met name EEG-signalen (electro-encefalografie), is een actief onderzoeksgebied. Sinds kort is er een aantal draadloze registratiesystemen beschikbaar om EEG en andere fysiologische signalen te meten. Er zijn nog maar weinig onderzoeken die dergelijke draadloze systemen hebben toegepast om cognitieve werkbelasting te beoordelen en hun prestaties te evalueren. Dit artikel presenteert een eerste stap om de haalbaarheid te onderzoeken van een populair draadloos systeem (Emotiv EPOC-headset) om het niveau van de geheugenbelasting te beoordelen in een bekende n-back-taak. We hebben een raamwerk voor signaalverwerking en -classificatie ontwikkeld, waarin een automatisch algoritme voor het verwijderen van artefacten, een breed spectrum aan technieken voor kenmerkextractie, een gepersonaliseerde methode voor het schalen van kenmerken, een op informatietheorie gebaseerde benadering voor kenmerkselectie en een op proximal-support-vector-machine gebaseerd classificatiemodel zijn geïntegreerd. De experimentele resultaten tonen aan dat de draadloos verzamelde EEG-signalen kunnen worden gebruikt om verschillende niveaus van geheugenbelasting te classificeren voor negen deelnemers. De nauwkeurigheid van de classificatie tussen het laagste werkbelastingsniveau (0-back) en de actieve werkbelastingsniveaus (1-, 2-, 3-back) lag dicht bij de 100%. De beste classificatienauwkeurigheid voor 1- versus 2-back was 80%, en voor 1- versus 3-back was dit 84%. Deze studie geeft aan dat het draadloze registratiesysteem en de geavanceerde data-analyse- en patroonherkenningstechnieken veelbelovend zijn voor het real-time monitoren en identificeren van mentale werkbelastingsniveaus voor mensen die betrokken zijn bij een breed scala aan cognitieve activiteiten in de moderne samenleving.Klik hier om het volledige rapport te lezen