Methodenartikel

Schätzung der kognitiven Last mit elektrokardiographischer Messung: Eine Zusammenarbeit zwischen Mensch und KI

DOI:

10.3791/69621

⸱

5. Dezember 2025

 ,  ,  ,  ,  ,  ,  , 
1School of Economics and Management, Jiangsu University of Science and Technology, 2Wuhan Marine Machinery Plant Co., Ltd., 3School of Management, Shanghai University, 4School of Business, The University of Queensland, 5School of Artificial Intelligence, Xi'an Jiaotong University

In diesem Artikel

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dieses Protokoll beschreibt den Einsatz physiologischer Indikatoren zur Messung von Variationen der kognitiven Belastung über verschiedene Aufgabenschwierigkeitsstufen in kollaborativen Aufgaben zwischen Mensch und KI. Die Ergebnisse legen nahe, dass Menschen ihre Entscheidungsprozesse an die Schwierigkeit der Aufgabe anpassen und so unterschiedliche kognitive Belastungsstufen widerspiegeln.

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Am Arbeitsplatz ist die kognitive Belastung enger mit Leistung und Sicherheit verknüpft. Da die Zusammenarbeit zwischen Menschen und künstlicher Intelligenz (KI) zunehmend zum Trend wird, wird die Fähigkeit, kognitive Belastungsdynamiken in Echtzeit und objektiv während kollaborativer Prozesse zu erfassen, immer wichtiger. Traditionell wurde die kognitive Belastung mittels Fragebögen bewertet; solche retrospektiven Methoden sind jedoch in ihrer Fähigkeit begrenzt, die momentanwärtigen Schwankungen der kognitiven Last während der Aufgabenausführung genau zu erfassen. Im Gegensatz dazu ermöglichen physiologische Signale eine kontinuierliche Überwachung des Echtzeitzustands einer Person und bieten so eine objektivere Messung der kognitiven Belastung. Die Schwierigkeit der Aufgabe kann die Erwartungen der Teilnehmer beeinflussen, was wiederum ihr Verhalten prägt und letztlich die kognitive Last beeinflusst. Diese Studie implementiert eine verallgemeinerbare Zusammenarbeit zwischen Mensch und KI, die mehrere Schwierigkeitsgrade umfasst. Die durchschnittliche Genauigkeit des KI-Systems wurde den Teilnehmern vor Beginn der Aufgabe mitgeteilt. In jeder Studie hatten die Teilnehmer die Möglichkeit, die Aufgabe selbst zu erledigen oder sie an die KI zu delegieren. Ziel dieses Protokolls ist es, elektrokardiografische (EKG)-Daten als physiologische Indikatoren zu nutzen, um zu untersuchen, wie sich die kognitive Belastung verändert, wenn sie die Befugnis haben, Aufgaben zu verteilen und mit KI unter unterschiedlichen Schwierigkeitsgraden zusammenzuarbeiten. Diese Studie untersucht zudem die internen Zustandsdynamiken, die durch physiologische Daten während der Zusammenarbeit zwischen Mensch und KI offenbart wurden. Die Ergebnisse bieten eine wissenschaftliche Grundlage zur Verbesserung von Kollaborationsmodellen, zur Steigerung der Effizienz und zur Nutzung der komplementären Stärken von Mensch und KI, um eine bessere Ressourcenintegration in komplexen Aufgaben zu erreichen.

Einleitung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Kognitive Last bezieht sich auf die Gesamtmenge der geistigen Aktivität, die innerhalb eines bestimmten Zeitraums der Aufgabenausführung auf das kognitive System einer Person auferlegtwird. 1. Eine erhöhte kognitive Belastung kann die menschliche Leistungsfähigkeit beeinträchtigen und ist ein wesentlicher Faktor für Arbeitsunfälle2. Hohe kognitive Belastungszustände beeinflussen die Herzaktivität, indem sie das sympathische Nervensystem aktivieren und das parasympathische Nervensystem hemmen, wodurch die Herzfrequenz (HR) und die Herzfrequenzvariabilität (HRV) verringert wird3. Erwartungsüberzeugungen beziehen sich darauf, inwieweit Individuen glauben, eine bestimmte Aufgabe oder Aktivität erfolgreich erfüllenzu können 4. Die Schwierigkeit der Aufgabe beeinflusst die Erwartungsüberzeugungen der Individuen, die wiederum ihr Verhaltensengagement und die Verteilung kognitiver Ressourcen regulieren und sich letztlich als unterschiedliche kognitive Belastungsstufen manifestieren.

Die Elektrokardiographie (EKG) liefert eine hochauflösende Aufzeichnung der elektrischen Aktivität des Herzens. Herzfrequenz- und HRV-Indizes aus EKG-Signalen erfassen verschiedene Aspekte des Herzrhythmus und dienen als psychophysiologische Indikatoren für den körperlichen und geistigen Stresseiner Person 5. Die Herzfrequenz spiegelt die Gesamthäufigkeit der Herzkontraktionen wider und kann zur Beurteilung des Grundzustands des Herz-Kreislauf-Systems verwendet werden. HRV stellt die zeitliche Variation zwischen aufeinanderfolgenden Herzschlägen dar und dient als Indikator für die Regulierung des autonomen Nervensystems (ANS), was das dynamische Gleichgewicht zwischen sympathischer und parasympathischer Aktivitätwiderspiegelt 6,7,8. Das sympathische Nervensystem wird unter Stress, Bedrohung oder hochintensiver Aktivität aktiviert, was oft zu erhöhter Herzfrequenz und geringerer HRV führt. Umgekehrt wird das parasympathische Nervensystem während Entspannungs-, Schlaf- oder Energiearm-Phasen aktiviert, was typischerweise zu einer verringerten Herzfrequenz und einer erhöhten HRV führt.

Aktuelle physiologische Methoden zur Messung der kognitiven Last umfassen EKG-Aktivität, elektroenzephalographische (EEG)-Aktivität, Atmung, Blutdruck und Augenindizes9. Im Vergleich zu traditionellen retrospektiven Fragebögen bieten physiologische Messungen eine bessere Möglichkeit, die Echtzeitzustände der Teilnehmer zu erfassen und so Rückrufverzerrungen und die zeitlichen Verzögerungseffekte selbstberichterstattlicher Ansätze zu vermeiden. Tragbare EKG-Geräte ermöglichen eine kontinuierliche und unauffällige Beurteilung des Zustands der Teilnehmer, während sie mit laufenden Aufgaben beschäftigt sind10. Im Vergleich zu anderen physiologischen Messtechniken stellt das portable EKG eine kostengünstige, nicht-invasive Methode dar, die es den Teilnehmern ermöglicht, Aufgaben in ihrer Umgebung natürlicher und flexibler auszuführen11. Die durchschnittliche Herzfrequenz steigt tendenziell, wenn die kognitive Schwierigkeitum 12 steigt, und es wurde gezeigt, dass HRV sowohl auf mentale als auch körperliche Anforderungen sehr anspricht(13). Angesichts der Tatsache, dass von der vorliegenden Aufgabe erwartet wird, erheblichen mentalen Aufwand und eine moderate körperliche Belastung zu verursachen, und angesichts der praktischen Anforderungen von Aufgabendelegationsszenarien in der Zusammenarbeit zwischen Mensch und KI, sind HR und HRV geeignete Indikatoren zur Messung der kognitiven Belastung.

HR und HRV wurden weit verbreitet auf die Untersuchung der kognitiven Last in mehreren Bereichen angewandt, darunter Luftfahrt14, Driving15 und wirtschaftliche Entscheidungsfindung16, und bieten leistungsstarke Werkzeuge für die kontinuierliche und objektive Bewertung menschlicher Zustände. Mit der zunehmenden Integration von KI am Arbeitsplatz ist das Verständnis von Veränderungen der kognitiven Belastung während der Zusammenarbeit zwischen Mensch und KI immer wichtiger geworden. Eine Studie, die KI-unterstützte Entscheidungsfindung untersuchte, ergab, dass Menschen unter Bedingungen hoher kognitiver Belastung eine irrationale Abhängigkeit von KI-generierten Vorschlägen zeigten17. In kollaborativen Umgebungen kann die Rolle der KI über die Beratung hinausgehen und es Menschen und KI ermöglichen, gemeinsam Aufgaben zu erledigen. Die vorliegende Studie konzentriert sich auf einen neuartigen Kollaborationsmodus, bei dem Menschen die Aufgabenverteilung übernehmen und für jede Aufgabe entscheiden können, ob sie sie selbst erledigen oder an die KI delegieren. In diesem speziellen Kontext, in dem Menschen die Autorität zur Aufgabenverteilung haben, bleibt jedoch unklar, wie die Schwierigkeit der Aufgabe das Entscheidungsverhalten beeinflusst und folglich unterschiedliche kognitive Belastungsstufen widerspiegelt. Daher zielt diese Studie darauf ab, tragbare EKG-Geräte einzusetzen, um Herzfrequenz und HRV präzise zu messen und so die dynamischen Veränderungen der kognitiven Belastung unter diesem kollaborativen Paradigma objektiv zu quantifizieren.

Die für dieses Experiment ausgewählte kollaborative Aufgabe zwischen Mensch und KI ist eine allgemeine Aufgabe, die aus dem von Fügener et al.18 vorgeschlagenen Paradigma übernommen wurde. Der Vorteil einer so verallgemeinerbaren Aufgabe besteht darin, dass die Teilnehmer keine spezialisierte Ausbildung benötigen und sie problemlos auf domänenspezifische Aufgaben übertragen werden kann. In der hier beschriebenen Studie umfasst die experimentelle Aufgabe die Bildklassifikation, bei der die Teilnehmer gebeten werden, einem von mehreren Bildkategoriegruppen ein Zielbild zuzuweisen. Eine Klassifikation gilt als korrekt, wenn die ausgewählte Kategoriegruppe mit der wahren Kategorie des Zielbilds übereinstimmt. Die Zielbilder stammen aus der ImageNet-Datenbank, in der die Kategorien bereits validiert wurden. Für jede Kategorie-Gruppenoption wurden den Teilnehmern zehn Beispielbilder bereitgestellt, um die Wahrscheinlichkeit zu verringern, dass sie bestimmte Kategorien nicht kennen19. Wir verwendeten GoogLeNet Inception v3 als KI-Modell20, das auf 1.000 potenziellen Bildkategorien trainiert wurde und eine durchschnittliche Klassifikationsgenauigkeit von 0,76 erreichte.

Wir führten ein vorläufiges Experiment durch, um den Schwierigkeitsgrad der Zielbilder zu bestimmen. In diesem vorläufigen Experiment mussten die Teilnehmer alle Bilder selbst klassifizieren. Die Stichprobengröße von 217 Teilnehmern in der vorliegenden Studie wurde unter Berücksichtigung der von Fügener et al.18 berichteten rein menschlichen Erkrankung bestimmt. Bei einer kollaborativen Aufgabe ist es im Allgemeinen wünschenswert, jede Aufgabe der am besten geeigneten Partei zu übertragen. Um die Schwierigkeit der Aufgabe zu operationalisieren, verglichen wir die Genauigkeit jedes Bildes mit der durchschnittlichen Genauigkeit der KI. Bilder mit menschlicher Genauigkeit, die unter der durchschnittlichen Genauigkeit der KI liegt, wurden als solche definiert, die besser für die KI-Komplettierung geeignet sind – also Bilder, die für Menschen relativ schwierig sind. Im formalen Experiment wählten wir insgesamt 32 Bilder aus, darunter 16 einfache und 16 schwierige Bilder.

Eine a priori Power-Analyse wurde mit G*Power 3.1 für einen Wilcoxon-Signed-Rank-Test21 durchgeführt. Wir nahmen eine mittlere Effektgröße, ein zweiseitiges α-Niveau von 0,05 und eine gewünschte Potenz von 0,90 an. Die Analyse zeigte, dass mindestens 47 Teilnehmer erforderlich waren. Wir rekrutierten 60 Studierende vom Campus, die zuvor nicht an ähnlichen experimentellen Aufgaben teilgenommen hatten. Die Einschlusskriterien waren wie folgt: Alle Teilnehmer waren Rechtshänder, hatten kürzlich keine Medikamente eingenommen, hatten 24 Stunden vor dem Experiment auf Koffein und Alkohol verzichtet, am Tag vor dem Experiment keine intensive körperliche Betätigung betrieben, in der Nacht vor der Sitzung ausreichend geschlafen und keine Herz-Kreislauf- oder Atemwegserkrankungen gemeldet. Das Durchschnittsalter der Teilnehmer betrug 22,77 ± 1,25 Jahre. Das experimentelle Setup ist in Abbildung 1 dargestellt.

Vor Beginn des Experiments wurde den Teilnehmern mitgeteilt, dass sie gemeinsam mit einer KI eine Bildklassifikationsaufgabe durchführen würden. Ihnen wurde die durchschnittliche Genauigkeit der KI mitgeteilt und sie wiesen an, dass sie für jedes Zielbild entweder selbst klassifizieren oder die Klassifikation an die KI delegieren könnten. Wenn die Teilnehmer sich entschieden, die Aufgabe selbst zu erledigen, antworteten sie, indem sie eine der fünf Tasten (A, B, C, D oder E) auf der Tastatur drückten, um eine Antwort aus den fünf Bildoptionen auszuwählen. Das Drücken der zugewiesenen Taste (P) zeigte an, dass die Aufgabe an die KI delegiert war, obwohl die Teilnehmer die von der KI gewählte Antwort nicht sehen konnten. Ein Marker wurde sowohl zu Beginn als auch am Offset jedes Reizes für die nachfolgende Analyse geschrieben. Vor Beginn des formellen Experiments absolvierten die Teilnehmer 4 Übungsversuche, gefolgt von einer Ruhephase von 120 Sekonnen. Anschließend fuhren sie mit dem 32-fachen formellen Experiment über. Zwischen den einzelnen Studien wurde ein 10-sekündiges Intervall zwischen den Studien vorgesehen. Das experimentelle Verfahren ist in Abbildung 2 dargestellt.

Abbildung 1
Abbildung 1: Versuchsaufbau. Die Abbildung zeigt die im Experiment verwendeten Geräte und die Platzierung der EKG-Messelektroden. (A) Schaltplan der Platzierung von EKG-Elektroden; (B) Versuchsaufbau. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 2
Abbildung 2: Experimentelles Verfahren. Die Übungssitzung bestand aus 4 Versuchen, und das formelle Experiment umfasste 32 Versuche. Das experimentelle Programm wurde mit E-Prime entwickelt (siehe Materialtabelle). Abkürzung: EKG = Elektrokardiogramm. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Studie wurde gemäß den Grundsätzen der Helsinkier Erklärung durchgeführt und vom Institutional Review Board der Jiangsu University of Science and Technology genehmigt. Eine informierte Zustimmung wurde von allen Teilnehmern eingeholt, die der Nutzung und Veröffentlichung ihrer Daten zustimmten. In diesem Protokoll sind keine temperaturempfindlichen oder gefährlichen Verfahren enthalten.

1. Vorbereitung

  1. Stellen Sie den Teilnehmern das experimentelle Verfahren vor und holen Sie eine schriftliche informierte Einwilligung ein, nachdem sie vollständig über die Studie informiert sind.
  2. Bereiten Sie das EKG-Datenerfassungssystem und alle erforderlichen Materialien vor, einschließlich Sender, Empfänger, dehnbarer Velcro-Gurte, Elektrodenkabel, Stromkabel, M/F-Flachbandkabel, Ethernet-Kabel, Alkoholtüchern und medizinischem Klebeband (siehe Materialtabelle).
    1. Bereiten Sie eine ausreichende Anzahl vorgelierter Einweg-EKG-Elektroden vor.
    2. Verbinden Sie das Datenerfassungssystem mit dem EKG-Datenempfängermodul. Dann steckt das System an eine stabile Stromversorgung.
    3. Verwenden Sie das M/F-Flachbandkabel, um eine Verbindung zwischen dem Datenerfassungssystem und dem für die Stimuluspräsentation verwendeten Computer herzustellen.
    4. Verwenden Sie ein Ethernet-Kabel, um den Datenerfassungscomputer mit dem Datenerfassungshardware-System anzuschließen.

2. Instrumentenaufbau

  1. Reinigen Sie die Haut des Teilnehmers mit Alkoholtüchern an folgenden Stellen: unterhalb der linken Rippe, unterhalb des rechten Schlüsselbeins und am rechten Bauch. Befestigen Sie an jeder Stelle ein Einweg-Elektrodenpflaster für EKG.
  2. Verbinden Sie die Leitungsleitungen.
    1. Befestigen Sie den Lead-Wire-Anschluss sicher am EKG-Sender.
    2. Verbinden Sie den Metallclip des roten Leitungsdrahts (positiver Leiter) mit der EKG-Elektrode, die unter der linken Rippe angebracht ist; verbinden Sie den Metallclip des weißen Bleikabels (Minusleiter) mit der EKG-Elektrode, die unter dem rechten Schlüsselbein angebracht ist; und verbinden Sie den Metallclip des schwarzen Kabels (Masseleiter) mit der EKG-Elektrode, die am rechten Bauch angebracht ist.
      HINWEIS: Stellen Sie sicher, dass jeder Clip vollständig sitzt und sich nach dem Anbringen nicht dreht oder lockert. Ist ein Bleidraht länger als nötig, segmentieren Sie ihn und befestigen Sie ihn mit medizinischem Klebeband an der Haut, um Artefakte durch Drahtbewegungen zu minimieren.
  3. Befestigen Sie den EKG-Sender mit dehnbaren Haken-und-Schlaufe-Gurten am Körper des Teilnehmers. Stellen Sie die Gurtenspannung so an, dass der Sender stabil bleibt und gleichzeitig der Komfort der Teilnehmer gewährleistet ist.
    HINWEIS: Vermeiden Sie es, Bänder direkt über die EKG-Elektrodenpatches zu legen, um Signalverzerrungen oder Elektrodenverschiebungen zu vermeiden.

3. Datenerfassung

  1. Schalten Sie den EKG-Senderschalter und die Leistung des EKG-Datenerfassungssystems ein und stellen Sie eine drahtlose Verbindung zwischen dem EKG-Sender und dem EKG-Empfänger des Datenerfassungssystems her.
    HINWEIS: Eine korrekte Verbindung wird durch grüne Lichter sowohl am EKG-Sender als auch am EKG-Empfänger angezeigt.
  2. Starten Sie die EKG-Datenerfassungssoftware (siehe Materialtabelle), erstellen Sie eine neue Graphdatei, wählen Sie das EKG-Empfängermodul aus der Geräteliste aus und wählen Sie den entsprechenden EKG-Aufzeichnungskanal.
    HINWEIS: Stellen Sie das Kanalauswahlpanel am ECG-Empfänger so ein, dass der Hardware-Kanal mit dem ausgewählten Softwarekanal übereinstimmt.
  3. Klicken Sie auf Start in der Schnittstelle der Datenerfassungssoftware, um mit der EKG-Datenerfassung zu beginnen. Überprüfen Sie, ob die EKG-Wellenform auf dem Bildschirm stabil erscheint.
  4. Weisen Sie den Teilnehmer an, mit der experimentellen Aufgabe zu beginnen.
    HINWEIS: Erinnern Sie die Teilnehmer daran, ihren Rücken bequem am Stuhl abzulehnen und während der gesamten Aufgaben eine stabile Haltung einzunehmen.
  5. Nachdem die Aufgabe abgeschlossen ist, klicken Sie in der Datenerfassungssoftware auf Stopp , um die Aufnahmesitzung zu beenden.
  6. Lösen Sie die Bleidrahtklammern von den Elektrodenpatches. Lockere die dehnbaren Haken-und-Schlaufe-Gurte und entferne den EKG-Sender vom Körper des Teilnehmers.
  7. Unterweisen und unterstützen Sie den Teilnehmer dabei, die Einweg-Elektrodenpflaster vorsichtig von Hand zu entfernen.

4. Datenverarbeitung

  1. Öffnen Sie die aufgezeichnete EKG-Datendatei in der Datenanalysesoftware (siehe Materialtabelle).
  2. Wählen Sie den EKG-Kanal und wenden Sie digitale Filterung an.
    1. In der obersten Menüleiste navigieren Sie zu Transform > Digital Filters > Comb Band Stop.
    2. Im Dialogfeld wählen Sie unter Basisfrequenz Fest bei aus. Geben Sie 50 Hz ein und klicken Sie auf OK, um den Filter anzuwenden.
      HINWEIS: Die eingegebene Frequenz sollte der Stromleitungsfrequenz des Landes entsprechen, in dem die Daten erhoben werden.
    3. Klicken Sie im oberen Menü auf Transformieren. Wählen Sie digitale Filter > FIR > Band Pass. Unter Frequenzabgrenzung wählen Sie Fest bei und geben Sie 1 Hz ein. Unter Hochfrequenz-Abschaltung wählen Sie Fest bei und geben Sie 35 Hz ein.
  3. Erstellen Sie Schwerpunktbereiche gemäß dem experimentellen Design.

5. Datenanalyse

  1. Erzeuge und exportiere HR-Daten. Wählen Sie in der Menüleiste Analyse > Hämodynamik > EKG-Intervallextraktion aus. Im Panel Analysieren wählen Sie Nur Fokusbereiche und im Feld Ergebnisse anzeigen als Excel-Tabelle nur Excel-Tabelle aus. Klicken Sie auf OK , um zu bestätigen.
    HINWEIS: Die R-Peak-Erkennung wurde mit dem integrierten QRS-Erkennungsalgorithmus in der Datenanalysesoftware (AcqKnowledge 5) durchgeführt.
  2. Erzeugen Sie HRV-Daten und exportieren Sie sowohl Zeitdomänen- als auch Frequenzdomänenergebnisse.
    1. Open Analysis, wählen Sie HRV und RSA > Multi-epoche HRV – Statistisch. Im EKG-Kanalfeld wählen Sie den vorverarbeiteten EKG-Kanal aus. Unter HRV-Statistiken extrahieren wählen Sie Fokusbereiche aus. Unter Ausgabe der Ergebnisse wählen Sie Tabelle aus. Klicken Sie schließlich auf OK , um die HRV-Zeitdomänenergebnisse zu generieren und zu exportieren.
    2. Öffne die Analyse erneut, wähle HRV und RSA > Multi-epoche HRV und RSA – Spektral. Im EKG-Kanalfeld wählen Sie den vorverarbeiteten EKG-Kanal aus. Unter HRV und RSA extrahieren wählen Sie Fokusbereiche aus. Im Ausgabe-Typ wählen Sie Nur Excel-Tabelle aus. Klicken Sie schließlich auf OK , um die HRV-Frequenzdomänenergebnisse zu generieren und zu exportieren.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bei den physiologischen Messungen konzentrierten wir uns auf Herzfrequenz- und HRV-Indizes sowohl im Zeit- als auch im Frequenzbereich. Für den Zeitbereich wählten wir das Root Mean Square of Successive Differences (RMSSD), das als robustes Maß 22,23,24 gilt. Für den Frequenzbereich wird das Niedrigfrequenz/Hochfrequenz-Verhältnis (LF/HF) zwar oft als Spiegelung des Gleichgewichts zwischen sympathischer und parasympathischer Akt...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

In dieser Studie war die Qualität der EKG-Signalaufnahme für die späteren Analysen entscheidend. Während des experimentellen Verfahrens waren die korrekte Platzierung der Elektroden und die korrekte Verbindung mit den Leitern wesentliche Voraussetzungen für eine genaue Signalaufzeichnung. Alle Elektroden wurden an den vorgesehenen Positionen platziert und sorgten für einen guten Hautkontakt, um die Impedanz zu minimieren. Außerdem wurde den Teilnehmern zur Verringerung des Einflusses äuß...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Autoren haben nichts offenzulegen.

Danksagungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Studie wurde unterstützt durch das Postgraduierten-Forschungs- und Praxisinnovationsprogramm der Provinz Jiangsu (KYCX25_4311), der National Natural Science Foundation of China (72374088, 72471105, 72472094, 72001096), dem 2024 Key Project of Higher Education Science Research Planning of China Association of Higher Education (24XX0205, Mechanismen der Mensch-KI-Kollaborationsstrategien zur Verbesserung der Lernergebnisse), dem 2024 Key Project der Education Science Planning in der Provinz Jiangsu (B-b/2024/01/162), Modellkonstruktion und empirische Forschung zum multimodalen Lernen aus der Perspektive der pädagogischen Neurowissenschaften) sowie der Fonds für Geistes- und Sozialwissenschaften des chinesischen Bildungsministeriums (24YJCZH445).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
Alkoholtücher--Dies wird verwendet, um die Haut zu reinigen und zu desinfizieren.
Acqknowledge 5.0BIOPACDies ist eine Software zur Erfassung und Datenanalyse von Signaldaten.
Desktop-ComputerDellOptiPlexDieser Desktop wird verwendet, um die Software für die EKG-Erfassung und -Analyse auszuführen.
EKG-DatenerfassungsgerätBIOPACMP160Dieses Gerät wird zur Aufzeichnung von EKG-Daten verwendet.
EKG-ElektrodenShenfengS-SerieDies ist ein Zubehör, das zur Erfassung von EKG-Signalen verwendet wird.
Elektroden-Blei-SetBIOPACBN-EL45-LEAD3Dies wird zusammen mit dem Sender für die Datenerfassung verwendet.
Ethernet-KabelBIOPAC-Dies wird verwendet, um das MP160-System mit der Datenerfassungs- und Analysesoftware zu verbinden.
Experimentelle SoftwarePSYCHOLOGIE-SOFTWARETOOLSE-prime3.0 Build 3.0.3.31Dies ist die Software, die zur Erstellung des experimentellen Programms verwendet wird.
LaptopDellE5470Dieser Laptop wird verwendet, um das experimentelle Programm auszuführen und die Reize zu präsentieren.
M/F FlachbandkabelBIOPACCBL110CDies wird verwendet, um bestimmte Signale zu übertragen.
Medizinisches Klebeband--Dies wird verwendet, um lange Drähte zu sichern.
StromkabelBIOPAC-Dies wird verwendet, um das Gerät mit Strom zu versorgen.
EmpfängerBIOPACBN-RSPEC-RDas ist ein EKG-Empfänger.
Dehnbare Velcro-RiemenBIOPACBN-STRAP-137 Dies wird verwendet, um den EKG-Sender zu reparieren.
SenderBIOPACBN-RSPEC-TDas ist ein drahtloser EKG-Sender.

Referenzen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Sweller, J. Cognitive load during problem solving: Effects on learning. Cogn Sci. 12 (2), 257-285 (1988).
  2. Matthews, G., Reinerman-Jones, L. E., Barber, D. J., Abich, J. The psychometrics of mental workload: Multiple measures are sensitive but divergent. Hum Factors. 57 (1), 125-143 (2015).
  3. Delliaux, S., Delaforge, A., Deharo, J. C., Chaumet, G. Mental workload alters heart rate variability, lowering non-linear dynamics. Front Physiol. 10, (2019).
  4. Eccles, J. S., Wigfield, A. Motivational beliefs, values, and goals. Annu Rev Psychol. 53, 109-132 (2002).
  5. Carissoli, C., Negri, L., Bassi, M., Storm, F. A., Delle Fave, A. Mental workload and human-robot interaction in collaborative tasks: A scoping review. Int J Hum-Comput Interact. 40 (20), 6458-6477 (2024).
  6. Rajendra Acharya, U., Paul Joseph, K., Kannathal, N., Lim, C. M., Suri, J. S. Heart rate variability: A review. Med Biol Eng Comput. 44 (12), 1031-1051 (2006).
  7. Shaffer, F., Ginsberg, J. P. An overview of heart rate variability metrics and norms. Front Public Health. 5, 258(2017).
  8. Complexity modulation in functional brain-heart interplay series driven by emotional stimuli: an early study using fuzzy entropy. Catrambone, V., et al. Annu Int Conf IEEE Eng Med Biol Soc, , 2023-2026 (2022).
  9. Charles, R. L., Nixon, J. Measuring mental workload using physiological measures:A systematic review. Appl Ergon. 74, 221-232 (2019).
  10. Jorna, P. Spectral-analysis of heart-rate and psychological state:A review of its validity as a workload index. Biol Psychol. 34 (2-3), 237-257 (1992).
  11. Cinaz, B., Arnrich, B., La Marca, R., Tröster, G. Monitoring of mental workload levels during an everyday life office-work scenario. Pers Ubiquit Comput. 17 (2), 229-239 (2013).
  12. Alshanskaia, E. I., Zhozhikashvili, N. A., Polikanova, I. S., Martynova, O. V. Heart rate response to cognitive load as a marker of depression and increased anxiety. Front Psychiatry. 15, 1355846(2024).
  13. Eesee, A. K., Varga, V., Eigner, G., Ruppert, T. Impact of work instruction difficulty on cognitive load and operational efficiency. Sci Rep. 15 (1), 11028(2025).
  14. Wang, L., Gao, S., Tan, W., Zhang, J. Pilots' mental workload variation when taking a risk in a flight scenario: A study based on flight simulator experiments. Int J Occup Saf Ergon. 29 (1), 366-375 (2023).
  15. Radhakrishnan, V., et al. Physiological indicators of driver workload during car-following scenarios and takeovers in highly automated driving. Transp Res Part F Traffic Psychol Behav. 87, 149-163 (2022).
  16. Korosec-Serfaty, M., Riedl, R., Senecal, S., Leger, P. -M. Attentional and behavioral disengagement as coping responses to technostress and financial stress: An experiment based on psychophysiological, perceptual, and behavioral data. Front Neurosci. 16, 883431(2022).
  17. Zhang, Z. T., et al. Measuring the effect of mental workload and explanations on appropriate AI reliance using EEG. Behav Inf Technol. , (2024).
  18. Fügener, A., Grahl, J., Gupta, A., Ketter, W. Cognitive challenges in human-artificial intelligence collaboration: Investigating the path toward productive delegation. Inf Syst Res. 33 (2), 678-696 (2022).
  19. Russakovsky, O., et al. Imagenet large scale visual recognition challenge. Int J Comput Vis. 115 (3), 211-252 (2015).
  20. Rethinking the inception architecture for computer vision. Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., Wojna, Z. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, , 2818-2826 (2016).
  21. Faul, F., Erdfelder, E., Buchner, A., Lang, A. -G. Statistical power analyses using G*Power 3.1:Tests for correlation and regression analyses. Behav Res Methods. 41 (4), 1149-1160 (2009).
  22. Melo, H. M., Hoeller, A. A., Walz, R., Takase, E. Resting cardiac vagal tone is associated with long-term frustration level of mental workload: Ultra-short term recording reliability. Appl Psychophysiol Biofeedback. 45 (1), 1-9 (2020).
  23. Munoz, M. L., et al. Validity of (ultra-)short recordings for heart rate variability measurements. PLoS One. 10 (9), e0138921(2015).
  24. Laborde, S., Mosley, E., Thayer, J. F. Heart rate variability and cardiac vagal tone in psychophysiological research - recommendations for experiment planning, data analysis, and data reporting. Front Psychol. 8, 213(2017).
  25. Billman, G. E. The LF/HF ratio does not accurately measure cardiac sympatho-vagal balance. Front Physiol. 4, 26(2013).
  26. Lai, H. -M. Understanding what determines university students' behavioral engagement in a group-based flipped learning context. Comput Educ. 173, 104290(2021).
  27. Grassmann, M., Vlemincx, E., Von Leupoldt, A., Van Den Bergh, O. Individual differences in cardiorespiratory measures of mental workload: An investigation of negative affectivity and cognitive avoidant coping in pilot candidates. Appl Ergon. 59, 274-282 (2017).
  28. Han, L., Du, Z. G. Unraveling the complex interplay between curved tunnels and drivers' physiological responses: An HRV perspective. Transp Res Part F Traffic Psychol Behav. 108, 39-53 (2025).
  29. Goldstein, D. S., Bentho, O., Park, M. -Y., Sharabi, Y. Low-frequency power of heart rate variability is not a measure of cardiac sympathetic tone but may be a measure of modulation of cardiac autonomic outflows by baroreflexes. Exp Physiol. 96 (12), 1255-1261 (2011).
  30. Zimmermann-Viehoff, F., et al. Short-term effects of espresso coffee on heart rate variability and blood pressure in habitual and non-habitual coffee consumers: A randomized crossover study. Nutr Neurosci. 19 (4), 169-175 (2016).
  31. Saxena, M. P. K., Ganuthula, V. R. R. Relationship between feedback frequency and task performance: Evidence on the mediating role of heart rate. Front Psychol. 16, 1438865(2025).
  32. Longo, L., Wickens, C. D., Hancock, G., Hancock, P. A. Corrigendum: Human mental workload: A survey and a novel inclusive definition. Front Psychol. 13, 883321(2022).
  33. Arutyunova, K. R., et al. Heart rate dynamics for cognitive load estimation in a driving simulation task. Sci Rep. 14 (1), 31656(2024).
  34. Wittels, H. L., et al. Examining the influence of cognitive load and environmental conditions on autonomic nervous system response in military aircrew: A hypoxia-normoxia study. Biology (Basel). 13 (5), 343(2024).
  35. Pütz, S., Mertens, A., Chuang, L. L., Nitsch, V. Physiological predictors of operator performance: The role of mental effort and its link to task performance. Hum Factors. 67 (6), 595-615 (2025).
  36. Cheng, S., et al. Acute combined effects of concurrent physical activities on autonomic nervous activation during cognitive tasks. Front Physiol. 15, 1340061(2024).
  37. Bansal, A., Joshi, R. Portable out-of-hospital electrocardiography: A review of current technologies. J Arrhythmia. 34 (2), 129-138 (2018).
  38. Sridhar, A. R., et al. State of the art of mobile health technologies use in clinical arrhythmia care. Commun Med (Lond). 4 (1), 218(2024).
  39. Gupta, K., et al. CaEVR: Biosignals-driven context-aware empathy in virtual reality. IEEE Trans Vis Comput Graph. 30 (5), 2671-2681 (2024).
  40. Binsch, O., et al. The effect of virtual reality simulation on police officers' performance and recovery from a real-life surveillance task. Multimed Tools Appl. 82 (11), 17471-17492 (2023).
  41. Brunzini, A., Grandi, F., Peruzzini, M., Pellicciari, M. An integrated methodology for the assessment of stress and mental workload applied on virtual training. Int J Comput Integr Manuf. 37 (9), 1088-1106 (2024).
  42. Cardone, D., et al. Classification of drivers' mental workload levels: Comparison of machine learning methods based on ECG and infrared thermal signals. Sensors (Basel). 22 (19), 7300(2022).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

Cognitive LoadElectrocardiogram DataHuman AI CollaborationHeart Rate VariabilityTask DelegationPhysiological SignalsReal Time MonitoringData Acquisition SystemHRV AnalysisExperimental Task Design

Verwandte Artikel