认知超载不仅影响身体和精神疾病,而且会影响工作效率和安全性。因此,测量认知负荷的研究一直是认知负荷理论的一个重要组成部分。在本文中,我们提出一个方法来识别认知负荷的状态通过使用眼动数据以非接触的方式。我们设计了一个视觉实验引出人类的认知负荷高、低状态在两个光强烈的环境和整个过程中的眼动数据记录。12眼运动的特征选择通过使用统计测试。算法处理一些功能提出了提高识别率。最后我们使用支持向量机(SVM)分类高和低认知负荷。实验结果表明,该方法可以达到90.25%的准确率在光控制的条件。
在认知心理学领域,认知负荷是指脑力劳动的数量在工作记忆中使用。认知负荷总是与特定的任务,人们需要使用有限的工作记忆资源来完成这个任务。当任务的困难是控制在一定范围内,任务越复杂,需要更多的认知资源,这意味着更高的认知负荷。 在课堂上,老师经常需要结合学生的认知结构和性能来衡量学生的认知负荷状态,调整教学内容和策略。老师使用的方法是主观和经验。在远程教育系统中,由于缺少老师和学生之间的认知负荷评估过程,教学质量可能不会令人满意。因此,找到一种实时测量认知负荷的和客观的方法尤为重要。认知负荷测量的应用不仅可以在教育领域,同时也适用于汽车驾驶( 有三种方法来测量认知负荷,这是主观的措施,行为的措施,和生理指标( 常见的生理信号用来测量认知负荷包括HRV [ 在本文中,我们建立一个客观的方法识别认知负荷的状态通过眼动数据的分析。我们使用眼动跟踪采集设备,选择特性相关认知负荷的状态,采用了一种新方法,使功能更加独立个体的变化,并利用支持向量机分类的高和低认知负荷状态。该方法可以实现高识别率的光控制条件下(90.25%)和光线变化条件(82.95%)。
眼动跟踪是用来收集数据的过程中实验。眼动数据很容易受光( 这项研究的目的是收集一系列的生理数据,允许我们确定受试者的认知负荷状态。在设计的实验中,参与者被要求确定并行两个部分。为了让参与者集中更多,我们添加了另一个人的任务。在任务参与者相互竞争,赢家谁有更好的识别精度会得到更好的待遇。 实验需要隔离噪音和光线的房间中,实验者和参与者在独立操作领域,所以,他们不打扰对方。 实验设备包括三个电脑,通过网络互相连接;两个投影仪;一个眼动跟踪和一个视频摄像头;和测光表记录的光量,影响参与者的眼睛。 该地区为参与者的测试图所示 光控制模式:投影仪(P_A)项目一个正方形到白墙前的参与者;的亮度强度预计广场设置为67.1勒克斯; 投影仪P_B用于项目实验材料的中心投影面积P_A(实验材料的大小面积53厘米 眼动数据是通过使用一个EyeLink 1000桌面(SR研究公司)在这个实验中,这是一个眼动跟踪提供了一种非接触的方法记录数据的关键特性(EyeLink 1000桌面以下部分所示)。的采样率EyeLink 1000设置为500 Hz;只有单眼眼数据被记录。
支持远程升级相机允许自由移动跟踪 支持单眼和双眼记录 附近没有电子参与者的头 Camera-to-eye最佳40到70厘米的距离
940海里照明器可供暗适应环境 我们只有一个眼动跟踪,它必须放置在前面的参与者,所以两人无法记录的数据在同一时间。为了让参与者忽视这个问题,面前的相机被另一个参与者,它伪装成一个录音设备。 三十个学生男性和15个女性(15)自愿实验。参与者的平均年龄为21.4岁(SD = 1.27)。所有参与者提供货币补偿他们的时间和精力。参与者正常视觉和没有参加这样的实验任务。这个实验是当地伦理委员会批准;获得书面同意的参与者在实验之前。他们可以在任何时间和任何理由离开实验在实验。 有必要确保两人同时参与实验,所以有人退出实验会导致两人删除的数据。最后,我们收集了24参与者的数据(三组数据删除,因为实验的参与者退出;参与者给很低的事实判断准确性可能表明低浓度;这些参与者的数据不是在使用)。 到达实验室后,参与者坐在一个安静的房间里阅读并签署知情同意和填写问卷(为了消除吸烟的影响,药物、睡眠、疾病,等等)。之后,他们搬到实验房间,调整到一个舒适的坐姿。然后他们将获得投影区域上的指令,有培训审判公开任何潜在的问题(误解、设备、操作等)。 会议正式开始之前的任务,基本生理信号30年代休息期间(t0)记录的参与者放松,看着一个注视点。随后的两个参与者完成8试验,和每个试验如图十的判断 实验的过程。(一)一个完整的一个试验的过程。(b)实验的全过程,包括8 task-trials和两个rest-trials。 前两个实验(t1, t2)在光控制模型(见图 四个试验只是整个实验过程的一半。因为房间里只有一个眼动跟踪,我们只记录玩家1的数据。然后实验者告诉参与者,他们已经完成了一半的实验,所以两个参与者需要交换座位。相同的四个试验将被重复,玩家2的数据将被记录下来。在图所示的实验过程 通过分析24参与者的主观报告,显示,参与者在高认知负荷状态时做判断任务和在低认知负荷状态时看别人的操作。
桌面系统记录眼动数据。和三个报告(样本报告,固定报告,试验报告)数据派生的数据查看器(SR)的研究。我们使用Matlab计算功能(意思是,标准差和变异系数)的报告,然后选择特性有显著差异在统计分析两个认知负荷状态。在整个过程中有两个问题:(1)缺失数据的瞳孔大小当参与者眨眼睛,(2)效应的个体差异选择的特性。 眼动跟踪是使用瞳孔区(瞳孔图像像素的数量)来表示瞳孔大小。然而瞳孔大小的记录将会丢失如果会发生闪烁。缺失的数据来解决这个问题,我们确定眨眼发病和抵消像素数据的实例,然后取代眨眼数据通过线性插值( (一)原始的瞳孔尺寸数据。(b)瞳孔的大小线性插值后的数据。(c)后瞳孔大小数据插值和平滑。 均值、标准差和变异系数计算每个报告的特性,而这些特性的24个参与者评估通过配对样本 在光控制条件的显著特征。 M:意思是;性病:标准差;显著性水平
在光线变化条件的显著特征。 M:意思是,Std:标准差;显著性水平
表的功能的一部分 一些功能单一的参与者之间的明显不同的高、低认知负荷条件,但这些差异如果所有24参与者被认为是被减少。以眨眼频率为例;大多数参与者的眨眼频率高认知负荷低于低认知负荷状态(如图 24的眨眼频率的参与者。 减少的影响,使识别的特性更有用,我们使用了一个个体差异去除方法。我们将阐述闪烁频率的方法通过使用功能为例。 我们假设眨眼频率受到两个方面的影响,即认知负荷和眨眼的习惯。实验环境是每个参与者严格控制并经历相同的任务,因此我们进一步假设闪烁频率上的认知负荷的影响基本上是相同的。因此个人眨眼的习惯导致闪烁频率的差异。 记住上面的假设,我们观察到图 眨眼频率在高负载和低负载状态线性相关性。 获取引发的闪烁频率只有认知任务,我们翻译 图 箱线图的24个参与者。 我们应用4特性系数法,如表所示 的影响系数四个特性。 瞳孔大小的特性,其系数接近1。在这种情况下,系数法和消去法( 为了验证消除个体差异的过程中,可以改善单一特征的识别性能,原料特性和加工特性的24个参与者被随机分为两组作为训练和测试组的支持向量机(SVM)分类器,分别在两个光变化和控制条件。该方法可以产生高分类(识别高认知负荷从低认知负荷)在这两个条件。结果见表重复100次 单一特征的识别率。
高认知负荷 较低的认知负荷
瞳孔大小(Pup_size) 389年
350年
6.583 0.000
固定频率(Fix_fre) 1.18
0.936
5.851 0.000
眨眼频率(Bli_fre) 0.149
0.222
−4.528 0.000
修复瞳孔大小(Fix_Pup_size) 395年
350年
6.111 0.000
扫视速度(Sac_vel) 168年
137年
7.621 0.000
扫视期间(Sac_dur) 81.3
98.9
−2.976 0.007
扫视峰值速度(Sac_peak_vel) 388年
520年
−3.55 0.002
性病的扫视期间(Sac_dur_std) 63.5
105.8
−4.191 0.000
性病的扫视峰值速度(Sac_peak_vel) 358年
511年
−3.602 0.002
相邻的注视点距离(Adj_fix_dis) 6.86
6.22
2.772 0.011
高认知负荷 较低的认知负荷
瞳孔大小(Pup_size) 464年
430年
4.351 0.000
固定频率(Fix_fre) 1.15
0.963
3.561 0.002
眨眼频率(Bli_fre) 0.165
0.233
−3.079 0.005
修复瞳孔大小(Fix_pup_size) 456年
433年
2.428 0.023
扫视速度(Sac_vel) 159年
129 (27) 5.263 0.000
扫视期间(Sac_dur) 53.3
87.2
−5.106 0.000
眨眼时间(Bli_dur) 137年
192年
−2.711 0.012
扫视速度变化(Sac_vel_var) 0.505
0.663
−7.107 0.000
性病的扫视期间(Sac_dur_std) 73年
117 (89.3) −3.565 0.002
光控制 光线的变化
瞳孔的大小 0.9 0.99
眨眼频率 0.343 0.365
固定频率 0.46 0.2
瞳孔大小固定 0.85 1.17
光线的变化 灯光控制
生 消除个体差异 生 消除个体差异
瞳孔的大小 62.62% ↑64.46% 56.33% ↑62.17%
固定频率 64.79% ↑66.25% 66.21% ↑68.17%
眨眼频率 65.66% ↑69.33% 58.79% ↑63.21%
瞳孔大小固定 62.33% ↑67.21% 63.17% ↑63.71%
议会提出的支持向量机是一种监督学习机器和Vapnik 支持向量机已广泛应用于人机交互领域和情感计算。张成泽et al。 支持向量机是由使用LIBSVM工具实现( 数据集由24参与者的数据被用来训练和测试分类器。数据集的详细信息如下所述: 每个参与者都有10特征光控制条件下和9光变化条件下的特性。我们使用支持向量机来完成认知负荷状态的识别不同的光线条件下。 光控制条件下,24参与者被随机分成两组(培训组和测试组);每组有12个参与者。训练数据集(24 在光线变化条件下,数据也使用相同的操作(2)。训练数据集和测试数据集的结构是24
我们把训练数据集和测试数据集随机选择支持向量机分类器,然后有一个识别率。我们重复这个程序,用100倍的平均识别率为最终结果。为了显示消除个体差异的性能改进,我们使用了原始特征的识别率对比。 我们调查这是最好的特征组合的最高识别率。识别利率的函数特性如图的数量 识别率在不同特性的数字。 通过使用最好的特征组合,四个条件表中识别利率 所使用的识别速度和特性。 在实践中,如果收集眼动数据允许放松的状态下,那么可以提高识别率,消除个体差异。在大多数情况下,数据不能得到放松的状态下。通过使用我们提出的功能组合,可以实现一个可接受的识别。 通过比较这两个实验光环境中,我们发现,无论有多少的功能以及这些功能是否被系数法处理,光控制条件会有较高的识别率。系数法甚至没有很好的函数根据变化情况。这种现象是由光强度的变化引起的。光强度显著影响眼球运动功能;认知负荷信息的特性是被光强度的影响,导致识别率较低。建议一个恒定的环境光时应该保持这种无接触充电成为方法使用。
识别率 功能组合
灯光控制 去除基线 90.25% Fix_fre;Fix_Pul_size;Sac_dur_std;Sac_vel;Sac_peak_vel
原始特征 85.17% Pul_size;Fix_Pul_size;Sac_dur_std;Sac_vel;Sac_peak_vel
光线的变化 去除基线 82.95% Fix_fre;Fix_Pul_size;Bli_fre;Sac_vel;Sac_dur;Bli_dur
原始特征 83.16% Fix_fre;Fix_Pul_size;Sac_dur_std;Sac_vel;Sac_vel_var;Pul_size;Bli_fre;Bli_dur
在本文中,我们提出了一种无接触充电成为方法识别人类的认知负荷状态基于眼动信号。 我们设计实验引发高和低认知负荷。照明环境也设置为光控制和改变环境。 我们提出了一个系数法消除个体差异的影响。实验结果证明,该方法可以提高最终的识别率。 识别的特征组合也进行调查,发现5或6功能可以实现更高的识别率。光控制条件下,识别率可以达到高达90.25%。 光线变化条件将大大影响识别率。光强度的变化会导致眼球运动的变化,这将隐藏的特性带来的认知负荷。因此建议设置尽可能恒定光强获得更好的识别结果在实践中如果使用这种方法。
作者宣称没有利益冲突。
作者要感谢中国国家自然科学基金委的支持(补贴。61301297也没有。61472330),基础研究基金为中央大学(没有。XDJK2013C124),西南大学博士(没有基础。SWU115093)。