机构名称：
¥ 1.0
测量心理工作量的主要原因是量化执行任务的认知成本，以预测人类的表现。不幸的是，目前尚不存在具有普遍适用性的评估心理工作量的方法。这是因为来自各个领域的直觉和操作定义非常丰富，它们对工作量的来源、属性、将它们聚合成通用模型的机制及其对人类表现的影响存在分歧。这项研究基于这些问题，并提出了一种使用深度学习从 EEG 数据进行心理工作量建模的新方法。这种方法是自我监督的，采用连续的大脑速率（认知激活的指标），不需要人类的陈述性知识。目的是从数据中自动推导出模型，支持跨领域和上下文的可复制性、通用性和适用性。这种特定的方法是一种卷积循环神经网络，可使用来自 EEG 数据的空间保留光谱地形头部图进行训练，旨在拟合一种新的大脑速率变量。研究结果表明，卷积层能够从 EEG 数据中学习有意义的高级表征，因为受试者内模型的平均测试平均绝对百分比误差约为 11%。添加用于处理高级表征序列的长短期记忆层并不重要，尽管它确实提高了其准确性。这些发现
将认知负荷建模为自我监督的大脑 - arXiv
主要关键词
相关文件推荐
