Artículo de método

Estima la carga cognitiva usando una medida electrocardiográfica: una tarea colaborativa humano-IA

DOI:

10.3791/69621

⸱

5 de diciembre de 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

En este artículo

Resumen

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

Este protocolo describe el uso de indicadores fisiológicos para medir variaciones en la carga cognitiva a lo largo de diferentes niveles de dificultad en tareas colaborativas humano-IA. Los hallazgos sugieren que las personas adaptan sus procesos de toma de decisiones según la dificultad de la tarea, reflejando así diferentes niveles de carga cognitiva.

Resumen

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

En entornos laborales, la carga cognitiva de las personas está estrechamente ligada tanto al rendimiento como a la seguridad. A medida que la colaboración entre humanos e inteligencia artificial (IA) se convierte en una tendencia creciente, la capacidad de captar la dinámica de la carga cognitiva de manera objetiva y en tiempo real durante procesos colaborativos se ha vuelto cada vez más crítica. Tradicionalmente, la carga cognitiva se ha evaluado mediante cuestionarios; Sin embargo, estos métodos retrospectivos tienen una capacidad limitada para captar con precisión las fluctuaciones momento a momento en la carga cognitiva a lo largo de la ejecución de la tarea. En cambio, las señales fisiológicas permiten un monitoreo continuo del estado en tiempo real de un individuo, proporcionando así una medida más objetiva de la carga cognitiva. La dificultad en la tarea puede influir en las expectativas de los participantes, que posteriormente moldean sus comportamientos y, en última instancia, afectan a la carga cognitiva. Este estudio implementa una tarea colaborativa generalizable entre humanos e IA que incorpora múltiples niveles de dificultad. La precisión media del sistema de IA se reveló a los participantes antes del inicio de la tarea. En cada ensayo, a los participantes se les ofrecía la opción de completar la tarea por sí mismos o delegarla a la IA. El objetivo de este protocolo es utilizar datos electrocardiográficos (ECG) como indicadores fisiológicos para examinar cómo cambia la carga cognitiva de las personas cuando tienen la autoridad para asignar tareas y colaborar con IA bajo diferentes niveles de dificultad. Este estudio explora aún más la dinámica interna del estado revelada por los datos fisiológicos durante la colaboración entre humanos e IA. Los hallazgos proporcionan una base científica para mejorar los modelos de colaboración, aumentar la eficiencia y aprovechar las fortalezas complementarias de los humanos y la IA para lograr una mejor integración de recursos en tareas complejas.

Introducción

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

La carga cognitiva se refiere a la cantidad total de actividad mental impuesta al sistema cognitivo de una persona durante un periodo dado de realización de latarea 1. La carga cognitiva elevada puede afectar el rendimiento humano y es un factor importante en los accidenteslaborales. Los estados de carga cognitiva elevada afectan la actividad cardíaca al activar el sistema nervioso simpático e inhibir el sistema nervioso parasimpático, aumentando así la frecuencia cardíaca (FC) y disminuyendo la variabilidad de la frecuencia cardíaca (VFC)3. Las creencias expectativas se refieren al grado en que las personas creen que pueden completar con éxito una tarea o actividadespecífica 4. La dificultad de la tarea influye en las creencias de expectativa de los individuos, que a su vez regulan su compromiso conductual y la asignación de recursos cognitivos, manifestándose finalmente como diferentes niveles de carga cognitiva.

La electrocardiografía (ECG) proporciona un registro de alta resolución temporal de la actividad eléctrica del corazón. Los índices de HR y VFC derivados de las señales del ECG capturan diferentes aspectos del ritmo cardíaco y sirven como indicadores psicofisiológicos del estrés físico y mental de unapersona 5. La frecuencia cardíaca refleja la frecuencia general de las contracciones cardíacas y puede utilizarse para evaluar el estado básico del sistema cardiovascular. La VFC representa la variación temporal entre latidos sucesivos y sirve como indicador de la regulación del sistema nervioso autónomo (SNA), reflejando el equilibrio dinámico entre la actividad simpática y parasimpática 6,7,8. El sistema nervioso simpático se activa bajo estrés, amenaza o actividad de alta intensidad, lo que a menudo conduce a un aumento de la frecuencia cardíaca y una disminución de la VFC. Por el contrario, el sistema nervioso parasimpático se activa durante la relajación, el sueño o estados de baja demanda energética, lo que suele resultar en una disminución de la frecuencia cardíaca y un aumento de la VFC.

Los métodos fisiológicos actuales para medir la carga cognitiva incluyen la actividad del ECG, la actividad electroencefalográfica (EEG), la respiración, la presión arterial y los índicesoculares 9. En comparación con los cuestionarios retrospectivos tradicionales, las mediciones fisiológicas proporcionan un mejor medio para capturar los estados en tiempo real de los participantes, evitando así el sesgo de recuerdo y los efectos de retraso temporal inherentes a los enfoques de autoinforme. Los dispositivos portátiles de ECG permiten una evaluación continua y discreta del estado de los participantes mientras están ocupados en tareasen curso 10. En comparación con otras técnicas de medición fisiológica, el ECG portátil representa un método de bajo coste y no invasivo que permite a los participantes realizar tareas de manera más natural y flexible dentro de suentorno 11. La frecuencia cardíaca media tiende a aumentar cuando la dificultad de la tarea cognitiva sube12, y se ha demostrado que la VFC responde muy bien tanto a las demandas mentales comofísicas 13. Teniendo en cuenta que se espera que la tarea actual imponga un esfuerzo mental considerable y un nivel modesto de carga física, y dadas las necesidades prácticas de los escenarios de delegación de tareas en la colaboración humano-IA, la HR y la HRV son índices adecuados para medir la carga cognitiva.

Los RRHH y la VFC se han aplicado ampliamente al estudio de la carga cognitiva en múltiples dominios, incluyendoaviación 14, conducción15 y toma de decisioneseconómicas 16, proporcionando herramientas poderosas para la evaluación continua y objetiva de los estados humanos. Con la creciente integración de la IA en el lugar de trabajo, comprender los cambios en la carga cognitiva durante la colaboración humano-IA se ha vuelto cada vez más importante. Un estudio que investigó la toma de decisiones asistida por IA encontró que, en condiciones de alta carga cognitiva, los humanos mostraban una dependencia irracional de sugerencias generadas por IA17. En entornos colaborativos, el papel de la IA puede ir más allá de proporcionar asesoramiento y permitir que humanos e IA completen tareas conjuntamente. El presente estudio se centra en un modo novedoso de colaboración en el que los humanos tienen autoridad para asignar tareas y pueden elegir, para cada tarea, si completarla ellos mismos o delegarla a la IA. Sin embargo, en este contexto específico donde los humanos tienen autoridad para asignar tareas, sigue sin estar claro cómo la dificultad de la tarea influye en el comportamiento de toma de decisiones y, en consecuencia, refleja diferentes niveles de carga cognitiva. Por ello, este estudio pretende emplear dispositivos portátiles de ECG para medir la frecuencia cardíaca y la VFC con precisión, cuantificando objetivamente los cambios dinámicos en la carga cognitiva bajo este paradigma colaborativo.

La tarea colaborativa humano-IA seleccionada para este experimento es una tarea general adaptada del paradigma propuesto por Fügener et al.18. La ventaja de utilizar una tarea tan generalizable es que no requiere que los participantes pasen por una formación especializada y puede transferirse fácilmente a tareas más específicas de un dominio. En el estudio descrito aquí, la tarea experimental implica la clasificación de imágenes, en la que se pide a los participantes que asignen una imagen objetivo a uno de varios grupos de categorías de imágenes. Una clasificación se considera correcta si el grupo de categorías seleccionado coincide con la categoría verdadera de la imagen objetivo. Las imágenes objetivo se extrajeron de la base de datos ImageNet, donde las categorías ya han sido validadas. Para cada opción de grupo de categoría, se proporcionaron diez imágenes de ejemplo a los participantes para reducir la probabilidad de que no fueran conscientes de ciertascategorías 19. Empleamos GoogLeNet Inception v3 como modelo de IA20, que se había entrenado en 1.000 categorías potenciales de imagen y alcanzó una precisión media de clasificación de 0,76.

Realizamos un experimento preliminar para determinar el nivel de dificultad de las imágenes objetivo. En este experimento preliminar, los participantes debían clasificar todas las imágenes por sí mismos. El tamaño de la muestra de 217 participantes en el presente estudio se determinó en referencia a la condición solo humana reportada por Fügener et al.18. En una tarea colaborativa, generalmente es deseable asignar cada tarea a la parte más adecuada para realizarla. Para operacionalizar la dificultad de la tarea, comparamos la precisión de cada imagen con la precisión media de la IA. Las imágenes con una precisión humana inferior a la media de la IA se definieron como aquellas más adecuadas para la finalización de la IA, es decir, imágenes relativamente difíciles para humanos. En el experimento formal, seleccionamos un total de 32 imágenes, incluyendo 16 fáciles y 16 difíciles.

Se realizó un análisis de potencia a priori usando G*Power 3.1 para una prueba de rango21 con signos Wilcoxon. Asumimos un tamaño de efecto medio, un nivel de α de dos colas de 0,05 y una potencia deseada de 0,90. El análisis indicó que se requerían un mínimo de 47 participantes. Reclutamos a 60 estudiantes del campus que no habían participado previamente en tareas experimentales similares. Los criterios de inclusión fueron los siguientes: todos los participantes eran diestros, no habían tomado medicación recientemente, se habían abstenido de cafeína y alcohol durante 24 horas antes del experimento, no habían realizado ejercicio físico vigoroso el día anterior al experimento, habían mantenido un sueño adecuado la noche anterior a la sesión y no habían informado de enfermedades cardiovasculares ni respiratorias. La edad media de los participantes fue de 22,77 ± 1,25 años. El montaje experimental se muestra en la Figura 1.

Antes de que comenzara el experimento, se informó a los participantes de que realizarían una tarea de clasificación de imágenes junto con una IA. Se les informó de la precisión media de la IA y se les indicó que, para cada imagen objetivo, podían clasificarla ellos mismos o delegar la clasificación a la IA. Si los participantes decidían completar la tarea por sí mismos, respondían pulsando una de las cinco teclas (A, B, C, D o E) del teclado para seleccionar una respuesta entre las cinco opciones de imagen. Al pulsar la tecla designada (P) se indicaba que la tarea estaba delegada a la IA, aunque los participantes no podían ver la respuesta elegida por la IA. Se escribía un marcador tanto al inicio como al desplazamiento de cada estímulo para análisis posteriores. Antes de que comenzara el experimento formal, los participantes completaron 4 ensayos de práctica, seguidos de un periodo de descanso de 120 s. Luego procedieron al experimento formal de 32 ensayos. Se proporcionó un intervalo interensayos de 10 s entre cada ensayo. El procedimiento experimental se ilustra en la Figura 2.

Figura 1
Figura 1: Montaje experimental. La figura muestra el equipo utilizado en el experimento y la colocación de los electrodos de medición del ECG. (A) Esquema de colocación de electrodos de ECG; (B) Montaje experimental. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 2
Figura 2: Procedimiento experimental. La sesión de práctica constó de 4 ensayos, y el experimento formal incluyó 32 ensayos. El programa experimental se desarrolló utilizando E-Prime (véase Tabla de Materiales). Abreviatura: ECG = Electrocardiograma. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

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

Este estudio se llevó a cabo conforme a los principios de la Declaración de Helsinki y fue aprobado por la Junta de Revisión Institucional de la Universidad de Ciencia y Tecnología de Jiangsu. Se obtuvo el consentimiento informado de todos los participantes, quienes aceptaron el uso y la publicación de sus datos. No se incluyen procedimientos sensibles a la temperatura ni peligrosos en este protocolo.

1. Preparación

  1. Presentar el procedimiento experimental a los participantes y obtener el consentimiento informado por escrito una vez que estén completamente informados del estudio.
  2. Preparar el sistema de adquisición de datos ECG y todos los materiales necesarios, incluyendo el transmisor, receptor, correas de Velcro elásticas, juego de electrodos, cable de alimentación, cable de cinta M/F, cable ethernet, toallitas con alcohol y cinta médica (véase Tabla de Materiales).
    1. Prepara un número adecuado de electrodos desechables de ECG pregelificados.
    2. Conecta el sistema de adquisición de datos al módulo receptor de datos ECG. Luego conecta el sistema a una fuente de alimentación estable.
    3. Utiliza el cable de cinta M/F para establecer una conexión entre el sistema de adquisición de datos y el ordenador utilizado para la presentación del estímulo.
    4. Utiliza un cable Ethernet para conectar el ordenador de adquisición de datos al sistema de hardware de adquisición de datos.

2. Configuración de instrumentos

  1. Limpia la piel del participante con toallitas con alcohol en los siguientes puntos: debajo de la costilla izquierda, debajo de la clavícula derecha y en el abdomen derecho. Coloca un parche electrodo ECG desechable en cada sitio.
  2. Conecta los cables de derivación.
    1. Conecta el conector del cable de derivación de forma segura al transmisor ECG.
    2. Conecta el clip metálico del cable rojo (cable positivo) al electrodo ECG situado debajo de la costilla izquierda; conectar el clip metálico del cable blanco de plomo (cable negativo) al electrodo ECG situado debajo de la clavícula derecha; y conectar el clip metálico del cable negro de plomo (cable de tierra) al electrodo ECG colocado en el abdomen derecho.
      NOTA: Asegúrate de que cada clip esté bien colocado y no gire ni se afloje tras la fijación. Si un cable de plomo es más largo de lo necesario, segmentarlo y fijarlo a la piel con cinta médica para minimizar los artefactos causados por el movimiento del cable.
  3. Asegura el transmisor de ECG al cuerpo del participante usando correas elásticas de gancho. Ajusta la tensión de la correa para mantener el transmisor estable y asegurando la comodidad del participante.
    NOTA: Evite colocar correas directamente sobre los parches de electrodos del ECG para evitar la distorsión de la señal o el desplazamiento de los electrodos.

3. Adquisición de datos

  1. Encienda el interruptor del transmisor ECG y la alimentación del sistema de adquisición de datos ECG, y establezca una conexión inalámbrica entre el transmisor ECG y el receptor ECG del sistema de adquisición de datos.
    NOTA: Una conexión correcta se indica con luces verdes tanto en el transmisor ECG como en el receptor ECG.
  2. Inicia el software de adquisición de datos ECG (véase Tabla de Materiales), crea un nuevo archivo gráfico, selecciona el módulo receptor ECG de la lista de dispositivos y elige el canal de grabación ECG correspondiente.
    NOTA: Ajuste el panel de selección de canales en el receptor ECG para asegurarse de que el canal hardware coincide con el canal de software seleccionado.
  3. Haz clic en Iniciar en la interfaz del software de adquisición de datos para comenzar la recogida de datos ECG. Verifica que la forma de onda del ECG se vea estable en la pantalla.
  4. Instruye al participante para que comience la tarea experimental.
    NOTA: Recuerda a los participantes que apoyen cómodamente la espalda en la silla y mantengan una postura estable durante las tareas.
  5. Una vez completada la tarea, haz clic en Detener en el software de adquisición de datos para finalizar la sesión de grabación.
  6. Desconecta los clips del cable de plomo de los parches de electrodos. Afloja las correas elásticas de los sujetadores de gancho y bucle y retira el transmisor de ECG del cuerpo del participante.
  7. Instruye y ayuda al participante a retirar suavemente los parches de electrodos desechables a mano.

4. Procesamiento de datos

  1. Abre el archivo de datos ECG grabado en el software de análisis de datos (véase Tabla de Materiales).
  2. Selecciona el canal ECG y aplica filtrado digital.
    1. En la barra de menú superior, navega a Transformar > Filtros Digitales > Corte de banda de peine.
    2. En el cuadro de diálogo, selecciona Fijo en Frecuencia Base. Introduce 50 Hz y haz clic en OK para aplicar el filtro.
      NOTA: La frecuencia introducida debe corresponder a la frecuencia de la línea eléctrica del país donde se recopilan los datos.
    3. Haz clic en Transformar en el menú superior. Selecciona filtros digitales > FIR > pasa de banda. En el apartado de corte de frecuencia, selecciona Fijo en e introduce 1 Hz. En el corte de alta frecuencia, elige Fijo en e introduce 35 Hz.
  3. Crear Áreas de Enfoque según el diseño experimental.

5. Análisis de datos

  1. Genera y exporta datos de RRHH. En la barra de menú, seleccione Análisis > Hemodinámica > Extracción por intervalos ECG. En el panel Analizar , elige Enfoque Solo en Áreas y en Mostrar resultados como panel, selecciona Hoja de cálculo solo Excel. Haz clic en OK para confirmar.
    NOTA: La detección de picos R se realizó utilizando el algoritmo de detección QRS integrado en el software de análisis de datos (AcqKnowledge 5).
  2. Genera datos de HRV y exporta resultados tanto en el dominio del tiempo como en el dominio de la frecuencia.
    1. Análisis abierto, selecciona HRV y RSA > HRV Multi-época - Estadístico. En el campo Canal ECG, seleccione el canal ECG preprocesado. En Extraer estadísticas de HRV para, selecciona Áreas de enfoque. En resultados de salida, selecciona Hoja de cálculo. Finalmente, haz clic en OK para generar y exportar los resultados del dominio del tiempo de la VFC.
    2. Análisis abierto de nuevo, selecciona HRV y RSA > HRV Multi-época y RSA - Espectral. En el campo Canal ECG , seleccione el canal ECG preprocesado. En Extraer HRV y RSA para, selecciona Áreas de Enfoque. En Tipo de salida, selecciona Solo hoja de cálculo de Excel. Finalmente, haz clic en OK para generar y exportar los resultados del dominio de la frecuencia de la VFC.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

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

En las mediciones fisiológicas, nos centramos en los índices de frecuencia cardíaca y frecuencia cardíaca tanto en el dominio del tiempo como en la frecuencia. Para el dominio temporal, seleccionamos el Cuadrático Medio Raíz de Diferencias Sucesivas (RMSSD), que se considera una medida robusta 22,23,24. Para el dominio de la frecuencia, aunque la relación Baja Frecuencia/Alta Frecuencia (LF/HF) suele interpretarse como reflejo d...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

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

En este estudio, la calidad de la adquisición de señales del ECG fue fundamental para análisis posteriores. Durante el procedimiento experimental, la colocación correcta de los electrodos y la conexión correcta con los cables eran requisitos esenciales para un registro preciso de la señal. Todos los electrodos se colocaron en las posiciones designadas y aseguraron un buen contacto con la piel para minimizar la impedancia. Además, para reducir la influencia de factores externos en las señ...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

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

Los autores no tienen nada que revelar.

Agradecimientos

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

Este estudio fue apoyado por el Programa de Investigación y Innovación Práctica de Posgrado de la Provincia de Jiangsu (KYCX25_4311), la Fundación Nacional de Ciencias Naturales de China (72374088, 72471105, 72472094, 72001096), 2024 Proyecto Clave de Planificación de la Investigación en Ciencias de la Educación Superior de la Asociación China de Educación Superior (24XX0205, Mecanismos de Estrategias de Colaboración Humano-IA para Mejorar los Resultados de Aprendizaje), 2024 Proyecto Clave de Planificación de Ciencias de la Educación en la Provincia de Jiangsu (B-b/2024/01/162, Construcción de modelos e investigación empírica sobre el aprendizaje multimodal desde la perspectiva de la neurociencia educativa) y el Fondo de Humanidades y Ciencias Sociales del Ministerio de Educación de China (24YJCZH445).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Toallitas con alcohol--Esto se utiliza para limpiar y desinfectar la piel.
Acqknowledge 5.0BIOPACEste es un software para adquisición y análisis de datos de señales.
Ordenador de sobremesaDellOptiPlexEste escritorio se utiliza para ejecutar el software de adquisición y análisis del ECG.
Dispositivo de adquisición de datos ECGBIOPACMP160Este dispositivo se utiliza para registrar datos de ECG.
Electrodos ECGShenfengSerie SEste es un accesorio utilizado para recoger señales de ECG.
Conjunto de electrodosBIOPACBN-EL45-LEAD3Esto se utiliza para el registro de datos junto con el transmisor.
Cable EthernetBIOPAC-Esto se utiliza para conectar el sistema MP160 con el software de adquisición y análisis de datos.
Software experimentalHERRAMIENTAS DE SOFTWARE DE PSICOLOGÍAE-prime3.0 Build 3.0.3.31Este es el software utilizado para crear el programa experimental.
PortátilDellE5470Este portátil se utiliza para ejecutar el programa experimental y presentar los estímulos.
Cable plano M/FBIOPACCBL110CEsto se utiliza para transmitir señales específicas.
Cinta médica--Esto se usa para asegurar cables largos.
Cable de alimentaciónBIOPAC-Esto se utiliza para alimentar el dispositivo.
ReceptorBIOPACBN-RSPEC-REste es un receptor de ECG.
Tiras de Velcro elásticoBIOPACBN-STRAP-137 Esto se utiliza para ayudar a fijar el transmisor de ECG.
TransmisorBIOPACBN-RSPEC-TEste es un transmisor inalámbrico de ECG.

Referencias

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

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

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

Artículos relacionados