机构名称：
¥ 1.0
摘要 在人机协作环境中，识别由于认知超负荷而导致的潜在性能下降非常重要。如果识别正确，它们可以通过将一些任务转移给认知超负荷较少的用户来帮助提高人机系统的性能。这有助于防止可能导致严重故障的用户错误。此外，它还可以通过保持人类操作员处于最佳性能状态来提高生产力。本文探讨了一种通过使用大脑活动数据的三类分类以及应用卷积神经网络和长短期记忆模型来识别用户认知负荷的新方法。从一组认知基准实验收集的数据用于训练模型，然后在由更具生态有效性的任务环境组成的两个独立数据集上测试该模型。我们尝试了使用不同基准任务构建的各种模型，以探索哪些基准任务更适合预测这些复合任务中的任务脱落事件，这些任务更能代表现实世界的场景。我们还表明，这种方法可以跨任务和跨主题池扩展。
利用大脑活动数据识别潜在的任务脱落事件
主要关键词
相关文件推荐
