利用心电图测量估算认知负荷：人机协作任务
2025年12月5日
该方案描述了利用生理指标测量人机协作任务中不同任务难度等级认知负荷的差异。研究结果表明，人们会根据任务难度调整决策过程，从而反映不同的认知负荷水平。
我们研究人们在委派环境中使用人工智能时认知负荷的变化。首先，向参与者介绍实验程序，并确保他们充分了解研究内容。准备心电图数据采集系统，收集所有必要材料，包括预先凝胶化的一次性心电图电极。
将数据采集系统连接到心电图数据接收模块。利用公对母带线，建立数据采集系统与用于刺激呈现的计算机之间的连接。通过以太网线，建立数据采集系统与用于数据录制的计算机之间的连接。
把系统插到一个稳定的电源上。现在，用酒精湿巾在三个部位清洁参与者的皮肤。左肋骨下方，右锁骨下方，右腹部。
在每个清洁部位安装一个一次性心电图电极贴片。然后将导线连接器牢固连接到心电图发射器上，并将导线的金属夹连接到相应的电极。用弹性钩环扣带将心电图发射器固定在参与者身上，并调整绷带张力，确保发射器固定在位并保持参与者舒适。
打开心电图发射器的开关，打开心电图数据采集系统。检查数据采集系统中发射机与接收模块之间的无线连接状态。现在，启动心电图数据采集软件。
创建一个新的图表文件。从设备列表中选择心电接收模块。选择合适的心电图记录频道，并在新显示的发射机连接状态窗口点击确定。
在数据采集软件界面中点击开始，开始心电图数据采集。确认心电图波形在屏幕上是否稳定。现在，指示参与者开始实验任务。
任务完成后，在数据采集软件中点击停止以结束录音会话。把电极接片上的铅丝夹子拆下来。松开弹性钩环扣带，取下参与者体内的心电图发射器。
指导并协助参与者用手轻柔地取下一次性电极贴片。接着，在数据分析软件中打开记录的心电数据文件。选择心电图通道并应用数字滤波。
在菜单栏中，切换到变形，然后是数字滤镜和梳带止点。然后在对话框中选择基频下的固定值。输入50赫兹，点击确定以应用滤波器。
接下来，在菜单栏点击“变换”。选择数字滤波器，然后是FIR，再选带通。在对话框中，低频截止下选择固定值，输入一赫兹。
在高频截止下，选择固定在 并输入 35赫兹。现在，根据实验设计创建焦点区域，选择分析生成并导出心率数据，然后从菜单栏提取血流动力学和心电间隔数据。在分析选项中，选择只关注区域，在显示结果选项中选择仅Excel电子表格。
点击确定确认并完成导出。为生成心率变异性数据，开放分析并选择HRV和RSA，随后进行多史诗HRV统计。在心电通道字段中，选择预处理的心电通道，并在下调抽取心率变速统计数据以选择关注区域。
进入输出结果，选择电子表格，点击确定生成并导出时间域结果。最后再次开放分析，选择HRV和RSA，然后进行多重EPIC HRV和RSA光谱分析。在心电图通道字段中，选择预处理的心电图通道。
在提取HRV和RSA中，选择重点区域。在输出类型中，选择仅Excel电子表格，点击确定导出频域结果。在困难图像条件下，平均心率显著低于简单图像条件。
在困难图像条件下，高频心率变异性显著高于简单图像条件。连续差值均方根的趋势相似，且在复杂图像条件下显著增加。参与者在困难图像条件下的委派频率显著高于简单图像条件。
我们发现人们通过委派任务来调整认知负荷，未来 AI.In 我们将探讨不同共学方法如何影响人类与人工智能共同学习时的结果。
查看完整文字稿并访问数千部科学视频
概述
该协议描述了使用生理指标来测量人类-AI协作任务中不同任务难度水平下认知负荷的变化。研究结果表明，人们会根据任务难度调整其决策过程，从而反映不同水平的认知负荷。
关键研究组成部分
科学领域
- 神经科学
- 人类-AI交互
- 认知心理学
背景
- 认知负荷是决策中的关键因素。
- 了解认知负荷可以改善人类-AI协作。
- 生理指标提供了认知负荷的客观测量。
- 任务难度可以影响认知过程。
研究目的
- 测量AI辅助任务期间的认知负荷变化。
- 探索任务难度如何影响决策。
- 利用生理指标评估认知负荷。
使用的方法
- 心电图数据采集系统的设置。
- 预先粘接的一次性电极的准备。
- 将数据采集系统连接到计算机以进行刺激展示和数据记录。
- 向参与者介绍实验程序。
主要结果
- 在不同任务难度水平下观察到认知负荷的变化。
- 参与者根据任务难度调整其决策过程。
- 生理指标有效测量了认知负荷的变化。
- 研究结果有助于理解人类-AI协作动态。
结论
- 任务难度在协作环境中显著影响认知负荷。
- 生理测量可以提供对认知过程的洞察。
- 理解认知负荷对于优化人类-AI交互至关重要。
常见问题
Executive Industry Relevance
Real-time, objective measurement of cognitive load using electrocardiographic data enables biopharma R&D teams to optimize human-AI collaboration in complex workflows. Quantifying cognitive state fluctuations supports predictive confidence in task delegation and resource allocation, directly impacting operational efficiency and safety in regulated environments. This approach informs the design of adaptive systems that align human performance with AI capabilities across discovery and translational research pipelines.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables objective assessment of cognitive workload during decision-intensive target validation tasks.
- Supports mechanistic de-risking by revealing internal state dynamics during hypothesis testing with AI support.
- Facilitates portfolio triage by identifying cognitive bottlenecks in collaborative workflows.
Screening & Assay Development
- Provides validated physiological metrics for standardizing human-in-the-loop screening protocols.
- Improves reproducibility by quantifying operator cognitive load across assay conditions.
- Enables scalable evaluation of human-AI task allocation strategies in high-throughput environments.
Translational & Preclinical Research
- Aligns cognitive state monitoring with translational biomarker development for complex task execution.
- Supports continuity from discovery to preclinical validation by integrating physiological data into workflow analytics.
- De-risks advancement decisions by correlating cognitive load with task performance under varying difficulty levels.
Pipeline & Workflow Integration
This method integrates into the discovery-to-preclinical continuum by providing real-time cognitive state analytics during human-AI collaborative tasks.
- Discovery Biology: Supports hypothesis testing and pathway clarification by monitoring cognitive load during decision points.
- Screening: Delivers quantitative outputs for reproducibility and standardization in human-AI screening workflows.
- Analytics: Generates heart rate and heart rate variability metrics for comparative analysis across task conditions.
- Translational Research: Links physiological indicators to biomarker strategies for complex task execution.
- Enterprise Reuse: Establishes a reusable framework for cognitive state monitoring in diverse collaborative R&D settings.
Operational & Enterprise Impact
- Scientific Value: Enhances predictive confidence and reduces mechanistic ambiguity in collaborative workflows.
- Operational Value: Standardizes cognitive load measurement for reproducibility and scalability.
- Strategic Value: Informs go/no-go decisions and improves capital efficiency by optimizing human-AI task allocation.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement across discovery and translational programs.
Implementation Considerations
- Requires expertise in physiological data acquisition and analysis.
- Needs robust ECG instrumentation and data processing infrastructure.
- Demands cross-team standardization of cognitive load measurement protocols.
- Adaptable to various model systems with appropriate calibration.
- Dependent on validated physiological thresholds for actionable insights.
