Article de méthode

Estimer la charge cognitive à l’aide d’une mesure électrocardiographique : une tâche collaborative humain-IA

DOI :

10.3791/69621

⸱

5 décembre 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

Dans cet article

Résumé

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

Ce protocole décrit l’utilisation d’indicateurs physiologiques pour mesurer les variations de la charge cognitive selon différents niveaux de difficulté dans les tâches collaboratives humain-IA. Les résultats suggèrent que les individus adaptent leurs processus décisionnels en fonction de la difficulté de la tâche, reflétant ainsi différents niveaux de charge cognitive.

Résumé

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

En milieu professionnel, la charge cognitive des individus est étroitement liée à la performance et à la sécurité. À mesure que la collaboration entre humains et intelligence artificielle (IA) devient une tendance croissante, la capacité à capturer la dynamique de la charge cognitive de manière objective et en temps réel lors des processus collaboratifs est devenue de plus en plus cruciale. Traditionnellement, la charge cognitive a été évaluée par questionnaires ; cependant, ces méthodes rétrospectives sont limitées dans leur capacité à capturer avec précision les fluctuations de la charge cognitive au moment le long de l’exécution de la tâche. En revanche, les signaux physiologiques permettent une surveillance continue de l’état en temps réel d’un individu, fournissant ainsi une mesure plus objective de la charge cognitive. La difficulté de la tâche peut influencer les attentes des participants, qui façonnent ensuite leurs comportements et, en fin de compte, affectent la charge cognitive. Cette étude met en œuvre une tâche collaborative humain-IA généralisable qui intègre plusieurs niveaux de difficulté. La précision moyenne du système d’IA a été communiquée aux participants avant le début de la tâche. Dans chaque essai, les participants avaient le choix soit d’accomplir eux-mêmes la tâche, soit de la déléguer à l’IA. L’objectif de ce protocole est d’utiliser les données électrocardiographiques (ECG) comme indicateurs physiologiques pour examiner comment la charge cognitive des individus évolue lorsqu’ils ont l’autorité pour répartir des tâches et collaborer avec l’IA selon différents niveaux de difficulté. Cette étude explore en outre la dynamique des états internes révélée par les données physiologiques lors de la collaboration humain-IA. Les résultats fournissent une base scientifique pour améliorer les modèles de collaboration, accroître l’efficacité et tirer parti des forces complémentaires des humains et de l’IA afin d’améliorer l’intégration des ressources dans des tâches complexes.

Introduction

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

La charge cognitive fait référence à la quantité totale d’activité mentale imposée au système cognitif d’un individu au cours d’une période donnée d’exécutionde la tâche 1. Une charge cognitive élevée peut altuer la performance humaine et est un facteur majeur d’accidents dutravail 2. Des états de charge cognitive élevée affectent l’activité cardiaque en activant le système nerveux sympathique et en inhibant le système nerveux parasympathique, augmentant ainsi la fréquence cardiaque (FC) et diminuant la variabilité de la fréquence cardiaque (VFC)3. Les croyances d’attente désignent la mesure dans laquelle les individus croient pouvoir accomplir avec succès une tâche ou une activitéspécifique 4. La difficulté de la tâche influence les croyances d’attente des individus, qui régulent à leur tour leur engagement comportemental et leur allocation des ressources cognitives, se manifestant finalement par différents niveaux de charge cognitive.

L’électrocardiographie (ECG) fournit un enregistrement à haute résolution temporelle de l’activité électrique du cœur. Les indices de HR et HRV dérivés des signaux ECG capturent différents aspects du rythme cardiaque et servent d’indicateurs psychophysiologiques du stress physique et mental d’unindividu 5. La FC reflète la fréquence globale des contractions cardiaques et peut être utilisée pour évaluer l’état de base du système cardiovasculaire. La VRFC représente la variation temporelle entre les battements successifs et sert d’indicateur de la régulation du système nerveux autonome (SNA), reflétant l’équilibre dynamique entre l’activité sympathique et parasympathique 6,7,8. Le système nerveux sympathique est activé sous stress, menace ou activité intense, ce qui conduit souvent à une augmentation de la fréquence cardiaque et à une diminution de la VRC. Inversement, le système nerveux parasympathique est activé lors de la relaxation, du sommeil ou des états de faible demande énergétique, ce qui entraîne généralement une diminution de la fréquence cardiaque et une augmentation de la VRC.

Les méthodes physiologiques actuelles pour mesurer la charge cognitive incluent l’activité ECG, l’activité électroencéphalographique (EEG), la respiration, la pression artérielle et les indicesoculaires 9. Comparées aux questionnaires rétrospectifs traditionnels, les mesures physiologiques offrent un meilleur moyen de capturer les états en temps réel des participants, évitant ainsi les biais de rappel et les effets de retard temporel inhérents aux approches d’auto-rapport. Les appareils ECG portables permettent une évaluation continue et discrète de l’état des participants pendant qu’ils sont engagés dans des tâches encours 10. Comparé à d’autres techniques de mesure physiologique, l’ECG portable représente une méthode peu coûteuse et non invasive qui permet aux participants d’effectuer des tâches de manière plus naturelle et flexible dans leurenvironnement 11. La fréquence cardiaque moyenne tend à augmenter lorsque la difficulté cognitive des tâchesaugmente de 12, et la VFC a montré une grande réactivité aux exigences mentales etphysiques 13. Étant donné que la tâche actuelle devrait imposer un effort mental substantiel et un niveau modeste de charge physique, et compte tenu des besoins pratiques des scénarios de délégation de tâches dans la collaboration humain-IA, les RH et la VFC sont des indices appropriés pour mesurer la charge cognitive.

Les RH et la VRC ont été largement appliquées à l’étude de la charge cognitive dans de multiples domaines, notamment l’aviation14,la conduite 15 et la prise de décision économique16, fournissant des outils puissants pour une évaluation continue et objective de l’état humain. Avec l’intégration croissante de l’IA sur le lieu de travail, comprendre les changements de charge cognitive lors de la collaboration humain-IA est devenu de plus en plus important. Une étude portant sur la prise de décision assistée par l’IA a révélé que, dans des conditions de forte charge cognitive, les humains présentaient une dépendance irrationnelle aux suggestions générées parl’IA 17. Dans les contextes collaboratifs, le rôle de l’IA peut aller au-delà de la fourniture de conseils consultatifs, permettant aux humains et à l’IA d’accomplir conjointement des tâches. La présente étude se concentre sur un mode de collaboration novateur dans lequel les humains disposent de l’autorité d’attribution des tâches et peuvent choisir, pour chaque tâche, de la réaliser eux-mêmes ou de la déléguer à l’IA. Cependant, dans ce contexte spécifique où les humains ont l’autorité d’attribution des tâches, il reste flou comment la difficulté de la tâche influence le comportement décisionnel et, par conséquent, reflète différents niveaux de charge cognitive. Par conséquent, cette étude vise à utiliser des dispositifs ECG portables pour mesurer la fréquence cardiaque et la VFC avec précision, quantifiant ainsi objectivement les changements dynamiques de la charge cognitive dans ce paradigme collaboratif.

La tâche collaborative humain-IA sélectionnée pour cette expérience est une tâche générale adaptée du paradigme proposé par Fügener et al.18. L’avantage d’utiliser une tâche aussi généralisable est qu’elle ne nécessite pas que les participants suivent une formation spécialisée et peut être facilement transférée à des tâches plus spécifiques à un domaine. Dans l’étude décrite ici, la tâche expérimentale implique la classification d’images, dans laquelle les participants doivent assigner une image cible à l’un des différents groupes de catégories d’images. Une classification est considérée comme correcte si le groupe de catégories sélectionné correspond à la véritable catégorie de l’image cible. Les images ciblées ont été tirées de la base de données ImageNet, où les catégories ont déjà été validées. Pour chaque option de groupe de catégorie, dix exemples d’images ont été fournies aux participants afin de réduire la probabilité qu’ils ignorent certaines catégories19. Nous avons utilisé GoogLeNet Inception v3 comme modèleIA 20, qui avait été entraîné sur 1 000 catégories d’images potentielles et a atteint une précision moyenne de classification de 0,76.

Nous avons mené une expérience préliminaire pour déterminer le niveau de difficulté des images ciblées. Dans cette expérience préliminaire, les participants devaient classifier toutes les images eux-mêmes. La taille de l’échantillon de 217 participants dans la présente étude a été déterminée en référence à la condition humaine uniquement rapportée par Fügener et al.18. Dans une tâche collaborative, il est généralement souhaitable d’attribuer chaque tâche à la partie la mieux placée pour l’accomplir. Pour mettre en œuvre la difficulté des tâches, nous avons comparé la précision de chaque image à la précision moyenne de l’IA. Les images avec une précision humaine inférieure à la moyenne de l’IA étaient définies comme celles plus adaptées à la complétion de l’IA — c’est-à-dire des images relativement difficiles pour l’humain. Dans l’expérience formelle, nous avons sélectionné 32 images au total, dont 16 images faciles et 16 images difficiles.

Une analyse de puissance a priori a été réalisée en utilisant G*Power 3.1 pour un test de rang signéWilcoxon 21. Nous avons supposé une taille d’effet moyenne, un niveau de α à deux queues de 0,05, et une puissance désirée de 0,90. L’analyse indiquait qu’un minimum de 47 participants était requis. Nous avons recruté 60 étudiants du campus qui n’avaient jamais participé auparavant à des tâches expérimentales similaires. Les critères d’inclusion étaient les suivants : tous les participants étaient droitiers, n’avaient pris aucun médicament récemment, s’étaient abstenus de caféine et d’alcool pendant 24 heures avant l’expérience, n’avaient pas pratiqué d’exercice physique vigoureux la veille de l’expérience, avaient maintenu un sommeil suffisant la nuit précédant la séance, et n’avaient signalé aucune maladie cardiovasculaire ou respiratoire. L’âge moyen des participants était de 22,77 ± 1,25 an. La configuration expérimentale est illustrée à la Figure 1.

Avant le début de l’expérience, les participants ont été informés qu’ils allaient effectuer une tâche de classification d’images avec une IA. On leur a indiqué la précision moyenne de l’IA et on leur a demandé que, pour chaque image cible, ils pouvaient soit la classifier eux-mêmes, soit déléguer la classification à l’IA. Si les participants choisissaient de réaliser eux-mêmes la tâche, ils répondaient en appuyant sur l’une des cinq touches (A, B, C, D ou E) du clavier pour sélectionner une réponse parmi les cinq options d’images. Appuyer sur la touche désignée (P) indiquait que la tâche était déléguée à l’IA, bien que les participants ne puissent pas voir la réponse choisie par l’IA. Un marqueur était écrit à la fois au début et au décalage de chaque stimulus pour une analyse ultérieure. Avant le début de l’expérience formelle, les participants ont effectué 4 essais pratiques, suivis d’une période de repos de 120 s. Ils ont ensuite procédé à l’expérience formelle de 32 essais. Un intervalle inter-essais de 10 s a été prévu entre chaque essai. La procédure expérimentale est illustrée à la Figure 2.

Figure 1
Figure 1 : Installation expérimentale. La figure montre l’équipement utilisé dans l’expérience et le placement des électrodes de mesure ECG. (A) Schéma du placement des électrodes ECG ; (B) Installation expérimentale. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Figure 2
Figure 2 : Procédure expérimentale. La séance d’entraînement comprenait 4 essais, et l’expérience formelle comprenait 32 essais. Le programme expérimental a été développé en utilisant E-Prime (voir Tableau des matériaux). Abréviation : ECG = Électrocardiogramme. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

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

Cette étude a été menée conformément aux principes de la Déclaration d’Helsinki et a été approuvée par le Conseil d’Éthique Institutionnelle de l’Université des Sciences et Technologies du Jiangsu. Un consentement éclairé a été obtenu de tous les participants, qui ont accepté l’utilisation et la publication de leurs données. Aucune procédure sensible à la température ou dangereuse n’est incluse dans ce protocole.

1. Préparation

  1. Introduire la procédure expérimentale aux participants et obtenir un consentement éclairé écrit une fois qu’ils sont pleinement informés de l’étude.
  2. Préparez le système d’acquisition des données ECG et tous les matériaux nécessaires, y compris l’émetteur, le récepteur, les sangles Velcro extensibles, le jeu de câbles électrodes, le câble d’alimentation, le câble ruban M/F, le câble ethernet, les lingettes alcoolisées et le ruban médical (voir Tableau des matériaux).
    1. Préparez un nombre suffisant d’électrodes ECG jetables pré-gelées.
    2. Connectez le système d’acquisition de données au module récepteur de données ECG. Ensuite, branche le système sur une alimentation stable.
    3. Utilisez le câble ruban M/F pour établir une connexion entre le système d’acquisition de données et l’ordinateur utilisé pour la présentation du stimulus.
    4. Utilisez un câble Ethernet pour connecter l’ordinateur d’acquisition de données au système matériel d’acquisition de données.

2. Configuration des instruments

  1. Nettoyez la peau du participant à l’aide de lingettes alcoolisées aux endroits suivants : sous la côte gauche, sous la clavicule droite et sur l’abdomen droit. Fixez un patch d’électrode ECG jetable à chaque site.
  2. Connecte les fils de plomb.
    1. Fixez solidement le connecteur du fil de fil à l’émetteur ECG.
    2. Connecter la pince métallique du fil de plomb rouge (électrode positive) à l’électrode ECG placée sous la nervure gauche ; relie la pince métallique du fil blanc (électrode négatif) à l’électrode ECG placée sous la clavicule droite ; et relie le clip métallique du fil de plomb noir (mine de masse) à l’électrode ECG placée sur l’abdomen droit.
      REMARQUE : Assurez-vous que chaque clip est bien en place et ne tourne pas ou ne se desserre pas après l’attachement. Si un fil de plomb est plus long que nécessaire, segmentez-le et fixez-le à la peau avec du ruban médical pour minimiser les artefacts causés par le mouvement du fil.
  3. Fixez l’émetteur ECG au corps du participant à l’aide de sangles extensibles à crochet et boucle. Ajustez la tension de la sangle pour maintenir l’émetteur stable tout en assurant le confort des participants.
    REMARQUE : Évitez de placer des sangles directement sur les patchs d’électrodes ECG pour éviter la distorsion du signal ou le déplacement de l’électrode.

3. Acquisition de données

  1. Allumez l’interrupteur de l’émetteur ECG et l’alimentation du système d’acquisition de données ECG, et établissez une connexion sans fil entre l’émetteur ECG et le récepteur ECG du système d’acquisition de données.
    REMARQUE : Une connexion correcte est indiquée par des voyants verts à la fois sur l’émetteur ECG et sur le récepteur ECG.
  2. Lancez le logiciel d’acquisition de données ECG (voir Tableau des matériaux), créez un nouveau fichier graphique, sélectionnez le module récepteur ECG dans la liste des appareils, puis choisissez le canal d’enregistrement ECG approprié.
    REMARQUE : Ajustez le panneau de sélection du canal sur le récepteur ECG pour vous assurer que le canal matériel correspond au canal logiciel sélectionné.
  3. Cliquez sur Démarrer dans l’interface logicielle d’acquisition de données pour commencer la collecte de données ECG. Vérifiez que la forme d’onde de l’ECG semble stable à l’écran.
  4. Instruire le participant à commencer la tâche expérimentale.
    REMARQUE : Rappelez aux participants de reposer confortablement leur dos contre la chaise et de maintenir une posture stable tout au long des tâches.
  5. Après la tâche, cliquez sur Arrêter dans le logiciel d’acquisition de données pour terminer la session d’enregistrement.
  6. Détachez les clips de fil de plomb des patchs d’électrodes. Desserrez les sangles extensibles des attaches à crochet et retirez l’émetteur ECG du corps du participant.
  7. Instruire et aider le participant à retirer doucement les patchs d’électrodes jetables à la main.

4. Traitement des données

  1. Ouvrez le fichier de données ECG enregistrées dans le logiciel d’analyse des données (voir Tableau des matériaux).
  2. Sélectionnez le canal ECG et appliquez un filtrage numérique.
    1. Dans la barre de menu du haut, naviguez vers Transformer > Filtres numériques > Combler l’arrêt de bande.
    2. Dans la boîte de dialogue, sélectionnez Fixe sous Fréquence de Base. Entrez 50 Hz et cliquez sur OK pour appliquer le filtre.
      REMARQUE : La fréquence saisie doit correspondre à la fréquence de la ligne électrique du pays où les données sont collectées.
    3. Cliquez sur Transformer dans le menu supérieur. Sélectionnez les filtres numériques > FIR > la bande. Sous Coupure de fréquence, sélectionnez Fixe à et entrez 1 Hz. Sous la coupure des hautes fréquences, choisissez Fixe à et entrez 35 Hz.
  3. Créer des zones de focus selon le plan expérimental.

5. Analyse des données

  1. Générez et exportez des données RH. Dans la barre de menu, sélectionnez Analyse > hémodynamique > Extraction par intervalle ECG. Dans le panneau Analyser , choisissez Focus Areas Only, et dans Affichage des résultats comme panneau, sélectionnez Excel Tableur uniquement. Cliquez sur OK pour confirmer.
    REMARQUE : La détection des pics R a été réalisée à l’aide de l’algorithme de détection QRS intégré dans un logiciel d’analyse de données (AcqKnowledge 5).
  2. Générez des données HRV et exportez les résultats à la fois dans le domaine temporel et en fréquence.
    1. Analyse ouverte, sélectionnez HRV et RSA > HRV Multi-époque - Statistique. Dans le champ canal ECG, sélectionnez le canal ECG prétraité. Dans la section Extraire les statistiques de HRV pour, sélectionnez les zones de focus. Dans les résultats de sortie, sélectionnez Tableur. Enfin, cliquez sur OK pour générer et exporter les résultats du domaine temporel de la VFC.
    2. Analyse ouverte à nouveau, sélectionnez HRV et RSA > HRV multi-époque et RSA - Spectral. Dans le champ canal ECG , sélectionnez le canal ECG prétraité. Dans la section Extraire HRV et RSA pour, sélectionnez les zones de focus. Dans le type de sortie, sélectionnez Excel Seul pour le tableur (Excel Tableau). Enfin, cliquez sur OK pour générer et exporter les résultats du domaine de la fréquence HRV.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

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

Dans les mesures physiologiques, nous nous sommes concentrés sur les indices de fréquence cardiaque et de VFC dans les domaines temps et fréquentiel. Pour le domaine temporel, nous avons sélectionné la Racine Carrée Moyenne des Différences Successives (RMSSD), considérée comme une mesurerobuste 22,23,24. Pour le domaine fréquentiel, bien que le rapport basse fréquence/haute fréquence (LF/HF) soit souvent interprété comme refléta...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

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

Dans cette étude, la qualité de l’acquisition du signal ECG était cruciale pour les analyses ultérieures. Lors de la procédure expérimentale, un placement correct des électrodes et une connexion correcte avec les câbles étaient des prérequis essentiels pour un enregistrement précis du signal. Toutes les électrodes étaient placées aux positions désignées et assuraient un bon contact de la peau pour minimiser l’impédance. De plus, afin de réduire l’influence des facteurs externes sur les s...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

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

Les auteurs n’ont rien à divulguer.

Remerciements

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

Cette étude a été soutenue par le Programme d’innovation en recherche et pratique postuniversitaire de la province du Jiangsu (KYCX25_4311), la Fondation nationale des sciences naturelles de Chine (72374088, 72471105, 72472094, 72001096), le projet clé 2024 de planification de la recherche scientifique en enseignement supérieur de l’Association chinoise de l’enseignement supérieur (24XX0205, Mécanismes des stratégies de collaboration homme-IA pour améliorer les résultats d’apprentissage), le projet clé 2024 de planification des sciences de l’éducation dans la province du Jiangsu (B-b/2024/01/162, Construction de modèles et recherche empirique sur l’apprentissage multimodal du point de vue des neurosciences éducatives) et le Fonds des sciences humaines et sociales du ministère de l’Éducation de Chine (24YJCZH445).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Lingettes alcoolisées--Celle-ci sert à nettoyer et désinfecter la peau.
Acqknowledge 5.0BIOPACIl s’agit d’un logiciel pour l’acquisition et l’analyse des données de signaux.
Ordinateur de bureauDellOptiPlexCe bureau sert à exécuter le logiciel d’acquisition et d’analyse ECG.
Dispositif d’acquisition de données ECGBIOPACMP160Cet appareil est utilisé pour enregistrer les données ECG.
Électrodes ECGShenfengSérie SC’est un accessoire utilisé pour collecter les signaux ECG.
Ensemble de câbles d’électrodesBIOPACBN-EL45-MÈNE3Celle-ci est utilisée pour la journalisation des données en même temps que l’émetteur.
Câble EthernetBIOPAC-Celle-ci sert à connecter le système MP160 au logiciel d’acquisition et d’analyse des données.
Logiciels expérimentauxOUTILS LOGICIELS DE PSYCHOLOGIEE-prime3.0 Version 3.0.3.31C’est le logiciel utilisé pour créer le programme expérimental.
Ordinateur portableDellE5470Cet ordinateur portable sert à exécuter le programme expérimental et à présenter les stimuli.
Câble ruban M/FBIOPACCBL110CCela sert à transmettre des signaux spécifiques.
Bande médical--Cela sert à fixer de longs fils.
Câble d’alimentationBIOPAC-Cela sert à alimenter l’appareil.
RécepteurBIOPACBN-RSPEC-RC’est un récepteur ECG.
Sangles velcro extensiblesBIOPACBN-STRAP-137  ;Cela sert à aider à fixer l’émetteur ECG.
ÉmetteurBIOPACBN-RSPEC-TC’est un émetteur ECG sans fil.

Références

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

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

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

Articles connexes