מאמר שיטה

הערכת העומס הקוגניטיבי באמצעות מדד אלקטרוקרדיוגרפי: משימה שיתופית בין אדם לבינה מלאכותית

DOI:

10.3791/69621

⸱

5 בדצמבר 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

במאמר זה

סיכום

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

פרוטוקול זה מתאר את השימוש במדדים פיזיולוגיים למדידת שונות בעומס הקוגניטיבי ברמות קושי שונות במשימות שיתופיות בין אדם לבינה מלאכותית. הממצאים מצביעים על כך שאנשים מתאימים את תהליכי קבלת ההחלטות שלהם בהתאם לקושי המשימה, ובכך משקפים רמות שונות של עומס קוגניטיבי.

תקציר

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

בסביבות עבודה, העומס הקוגניטיבי של הפרט קשור קשר הדוק הן לביצועים והן לבטיחות. ככל ששיתוף הפעולה בין בני אדם לבינה מלאכותית (AI) הופך למגמה הולכת וגוברת, היכולת ללכוד דינמיקות עומס קוגניטיביות בזמן אמת ובאופן אובייקטיבי במהלך תהליכים שיתופיים הפכה לקריטית יותר ויותר. מסורתית, העומס הקוגניטיבי הוערך באמצעות שאלונים; עם זאת, שיטות רטרוספקטיביות כאלה מוגבלות ביכולתן ללכוד במדויק את התנודות הרגעיות בעומס הקוגניטיבי לאורך כל ביצוע המשימה. לעומת זאת, אותות פיזיולוגיים מאפשרים ניטור רציף של מצב האדם בזמן אמת, ובכך מספקים מדד אובייקטיבי יותר לעומס קוגניטיבי. קושי במשימה עשוי להשפיע על הציפיות של המשתתפים, אשר מעצבות את התנהגותם ובסופו של דבר משפיעות על העומס הקוגניטיבי. מחקר זה מיישם משימת שיתוף פעולה כללית בין אדם לבינה מלאכותית, הכוללת רמות קושי מרובות. הדיוק הממוצע של מערכת הבינה המלאכותית נחשף למשתתפים לפני תחילת המשימה. בכל ניסוי, המשתתפים קיבלו אפשרות להשלים את המשימה בעצמם או להאציל אותה לבינה המלאכותית. מטרת הפרוטוקול היא להשתמש בנתוני אקג (ECG) כמדדים פיזיולוגיים כדי לבחון כיצד העומס הקוגניטיבי של אנשים משתנה כאשר יש להם סמכות להקצות משימות ולשתף פעולה עם בינה מלאכותית ברמות קושי שונות. מחקר זה בוחן לעומק את דינמיקות המצב הפנימי שנחשפו על ידי נתונים פיזיולוגיים במהלך שיתוף פעולה בין אדם לבינה מלאכותית. הממצאים מספקים בסיס מדעי לשיפור מודלים של שיתוף פעולה, שיפור היעילות וניצול החוזקות המשלימות של בני אדם ובינה מלאכותית להשגת שילוב טוב יותר של משאבים במשימות מורכבות.

מבוא

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

עומס קוגניטיבי מתייחס לכמות הפעילות המנטלית הכוללת המוטלת על מערכת הקוגניטיבית של הפרט במהלך תקופה מסוימת של ביצוע משימה1. עומס קוגניטיבי מוגבר עלול לפגוע בביצועים אנושיים והוא גורם מרכזי לתאונות עבודה2. מצבי עומס קוגניטיבי גבוה משפיעים על פעילות הלב על ידי הפעלת מערכת העצבים הסימפתטית ועיכוב מערכת העצבים הפאראסימפתטית, ובכך מעלה את קצב הלב (HR) ומפחית את שונות הדופק (HRV)3. אמונות ציפייה מתייחסות למידה שבה אנשים מאמינים שהם יכולים להשלים בהצלחה משימה או פעילות מסוימת4. קושי במשימה משפיע על אמונות הציפייה של הפרטים, אשר בתורן מווסתות את המעורבות ההתנהגותית והקצאת המשאבים הקוגניטיביים שלהם, ובסופו של דבר מתבטאים ברמות שונות של עומס קוגניטיבי.

אלקטרוקרדיוגרפיה (ECG) מספקת תיעוד ברזולוציה טמפורלית גבוהה של פעילות החשמל של הלב. מדדי HR ו-HRV שמקורם באותות ECG לוכדים היבטים שונים של קצב הלב ומשמשים כמדדים פסיכופיזיולוגיים ללחץ הפיזי והנפשי של האדם5. הדופק משקף את התדירות הכוללת של התכווצויות לב וניתן להשתמש בו להערכת המצב הבסיסי של מערכת הלב וכלי הדם. HRV מייצג את השונות הזמנית בין פעימות לב עוקבות ומשמש כאינדיקטור לוויסות מערכת העצבים האוטונומית (ANS), המשקף את האיזון הדינמי בין פעילות סימפתטית לפעילות פאראסימפתטית 6,7,8. מערכת העצבים הסימפתטית מופעלת תחת לחץ, איום או פעילות בעצימות גבוהה, מה שמוביל לעיתים לעלייה בדופק ולירידה ב-HRV. לעומת זאת, מערכת העצבים הפאראסימפתטית מופעלת במהלך מצבי הרפיה, שינה או ביקוש אנרגטי נמוך, מה שמוביל בדרך כלל לירידה בדופק ולהגברת HRV.

שיטות פיזיולוגיות עכשוויות למדידת עומס קוגניטיבי כוללות פעילות ECG, פעילות אלקטרואנצפלוגרפית (EEG), נשימה, לחץ דם ומדדי עיניים9. בהשוואה לשאלונים רטרוספקטיביים מסורתיים, מדידות פיזיולוגיות מספקות דרך טובה יותר ללכוד את מצבי הזמן האמיתי של המשתתפים, ובכך נמנעים הטיית זיכרון והשפעות העיכוב הזמני הטבועות בגישות הדיווח העצמי. מכשירי א.ק.ג ניידים מאפשרים הערכה רציפה ולא מפריעה של מצב המשתתפים בזמן שהם עוסקים במשימות מתמשכות10. בהשוואה לטכניקות מדידה פיזיולוגיות אחרות, א.ק.ג נייד מייצג שיטה זולה ולא פולשנית, המאפשרת למשתתפים לבצע משימות בצורה טבעית וגמישה יותר בסביבתם11. הדופק הממוצע נוטה לעלות ככל שרמת הקושי במשימה קוגניטיבית עולהב-12, והוכח כי HRV מגיב מאוד לדרישות מנטליות ופיזיות13. בהתחשב בכך שהמשימה הנוכחית צפויה להטיל מאמץ מנטלי משמעותי ורמת עומס פיזי מתונה, ובהתחשב בצרכים המעשיים של תרחישי הקצאת משימות בשיתוף פעולה בין אדם לבינה מלאכותית, HR ו-HRV הם מדדים מתאימים למדידת עומס קוגניטיבי.

HR ו-HRV יושמו באופן נרחב לחקר עומס קוגניטיבי בתחומים שונים, כולל תעופה14, נהיגה15, וקבלת החלטות כלכלית16, ומספקות כלים רבי עוצמה להערכה רציפה ואובייקטיבית של מצבי אדם. עם ההשתלבות הגוברת של בינה מלאכותית במקום העבודה, הבנת השינויים בעומס הקוגניטיבי במהלך שיתוף פעולה בין אדם לבינה מלאכותית הפכה לחשובה יותר ויותר. מחקר אחד שחקר קבלת החלטות בסיוע בינה מלאכותית מצא שבתנאים של עומס קוגניטיבי גבוה, בני אדם הפגינו תלות לא רציונלית בהמלצות שנוצרו על ידי בינה מלאכותית17. בהקשרים שיתופיים, תפקיד הבינה המלאכותית עשוי להתרחב מעבר למתן קלט ייעוצי, ומאפשר לבני אדם ולבינה מלאכותית להשלים משימות במשותף. המחקר הנוכחי מתמקד במצב שיתוף פעולה חדשני שבו לבני אדם יש סמכות הקצאת משימות והם יכולים לבחור, עבור כל משימה, האם להשלים אותה בעצמם או להאציל אותה לבינה המלאכותית. עם זאת, בהקשר הספציפי הזה שבו לבני אדם יש סמכות הקצאת משימות, עדיין לא ברור כיצד קושי המשימה משפיע על התנהגות קבלת ההחלטות ולכן משקף רמות שונות של עומס קוגניטיבי. לכן, מחקר זה שואף להשתמש במכשירי ECG ניידים למדידת דופק ו-HRV בדיוק רב, ובכך לכמת אובייקטיבי את השינויים הדינמיים בעומס הקוגניטיבי תחת פרדיגמה שיתופית זו.

המשימה השיתופית בין אדם לבינה מלאכותית שנבחרה לניסוי זה היא משימה כללית שהותאמה מהפרדיגמה שהציעו פוגנר ואחרים. היתרון בשימוש במשימה הכללית כזו הוא שהיא אינה דורשת מהמשתתפים לעבור הכשרה מיוחדת וניתן להעביר אותה בקלות למשימות ספציפיות יותר לתחום. במחקר המתואר כאן, המשימה הניסויית כוללת סיווג תמונה, שבו המשתתפים מתבקשים להקצות תמונה יעד לאחת מקבוצות קטגוריות התמונה. סיווג נחשב נכון אם קבוצת הקטגוריה שנבחרה תואמת את הקטגוריה האמיתית של תמונת היעד. תמונות היעד נלקחו ממסד הנתונים של ImageNet, שבו הקטגוריות כבר אומתו. לכל אפשרות קבוצת קטגוריה, סופקו למשתתפים עשר תמונות לדוגמה כדי להפחית את הסבירות שהם לא מודעים לקטגוריות מסוימות19. השתמשנו ב-GoogLeNet Inception v3 כמודלAI 20, שהוכשר על 1,000 קטגוריות תמונה פוטנציאליות והשיג דיוק סיווג ממוצע של 0.76.

ערכנו ניסוי ראשוני לקביעת רמת הקושי של תמונות היעד. בניסוי הראשוני הזה, נדרשו המשתתפים לסווג את כל התמונות בעצמם. גודל המדגם של 217 משתתפים במחקר הנוכחי נקבע בהתייחס למצב האנושי בלבד שדווח על ידי פוגנר ואחרים. במשימה שיתופית, בדרך כלל רצוי להקצות כל משימה לצד המתאים ביותר לבצע אותה. כדי ליישם את רמת הקושי של המשימה, השווינו את הדיוק של כל תמונה לדיוק הממוצע של הבינה המלאכותית. תמונות עם דיוק אנושי נמוך מהדיוק הממוצע של הבינה המלאכותית הוגדרו כאלו המתאימות יותר להשלמת בינה מלאכותית – כלומר, תמונות שקשה יחסית לבני אדם. בניסוי הפורמלי בחרנו בסך הכל 32 תמונות, כולל 16 תמונות קלות ו-16 תמונות קשות.

בוצע ניתוח הספק מראש באמצעות G*Power 3.1 למבחן דירוג חתום של וילקוקסון21. הנחנו גודל אפקט בינוני, רמת α דו-זנבית של 0.05, והספק רצוי של 0.90. הניתוח הצביע על כך שנדרשו מינימום של 47 משתתפים. גייסנו 60 סטודנטים מהקמפוס שלא השתתפו קודם לכן במשימות ניסיוניות דומות. קריטריוני ההכללה היו כדלקמן: כל המשתתפים היו ימניים, לא נטלו תרופות לאחרונה, נמנעו מקפאין ואלכוהול במשך 24 שעות לפני הניסוי, לא עסקו בפעילות גופנית אינטנסיבית ביום שלפני הניסוי, שמרו על שינה מספקת בלילה שלפני המפגש, ודיווחו על מחלות לב או דם או נשימה. הגיל הממוצע של המשתתפים היה 22.77 ± 1.25 שנים. ההגדרה הניסויית מוצגת באיור 1.

לפני תחילת הניסוי, המשתתפים קיבלו הודעה כי יבצעו משימת סיווג תמונה יחד עם בינה מלאכותית. נאמר להם על הדיוק הממוצע של הבינה המלאכותית והונחו שלכל תמונת יעד הם יכולים לסווג אותה בעצמם או להאציל את הסיווג בידי הבינה המלאכותית. אם המשתתפים בחרו להשלים את המשימה בעצמם, הם הגיבו בלחיצה על אחד מחמשת המקשים (A, B, C, D או E) במקלדת כדי לבחור תשובה מתוך חמש אפשרויות התמונה. לחיצה על המפתח המיועד (P) סימנה שהמשימה הועברה לבינה המלאכותית, אף על פי שהמשתתפים לא יכלו לראות את התשובה שבחרה. נכתב סמן הן בתחילת והן בהזזת כל גירוי לניתוח הבא. לפני תחילת הניסוי הרשמי, המשתתפים השלימו 4 ניסויי תרגול, ואחריהם תקופת מנוחה של 120 שניות. לאחר מכן הם המשיכו לניסוי הפורמלי בן 32 הניסויים. סופק מרווח זמן של 10 שניות בין כל ניסוי. ההליך הניסויי מוצג באיור 2.

איור 1
איור 1: הכנה ניסיונית. האיור מציג את הציוד ששימש בניסוי ואת מיקום אלקטרודות מדידת ה-ECG. (א) סכמטי של מיקום אלקטרודות ה-ECG; (ב) הכנה ניסיונית. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

איור 2
איור 2: הליך ניסיוני. סשן התרגול כלל 4 ניסויים, והניסוי הרשמי כלל 32 ניסויים. התוכנית הניסיונית פותחה באמצעות E-Prime (ראו טבלת חומרים). קיצור: א.ק.ג = אלקטרוקרדיוגרמה. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

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

מחקר זה נערך בהתאם לעקרונות הצהרת הלסינקי ואושר על ידי מועצת הביקורת המוסדית של אוניברסיטת המדע והטכנולוגיה של ג'יאנגסו. התקבלה הסכמה מדעת מכל המשתתפים, שהסכימו לשימוש ולפרסום הנתונים שלהם. לא כלולים נהלים רגישים לטמפרטורה או מסוכנים בפרוטוקול זה.

1. הכנה

  1. הצג את ההליך הניסויי למשתתפים, וקבל הסכמה מדעת בכתב לאחר שהם מקבלים מידע מלא על המחקר.
  2. הכינו את מערכת איסוף נתוני ה-ECG ואת כל החומרים הנדרשים, כולל המשדר, המקלט, רצועות וולקרו גמישות, סט חוט אלקטרודות, כבל חשמל, כבל סרט M/F, כבל אתרנט, מגבוני אלכוהול וסרט רפואי (ראו טבלת חומרים).
    1. הכינו מספיק אלקטרודות ECG חד-פעמיות עם ג'ל מראש.
    2. חבר את מערכת איסוף הנתונים למודול מקלט הנתונים של ה-ECG. אחר כך חבר את המערכת לספק כוח יציב.
    3. השתמש בכבל הסרט M/F כדי ליצור חיבור בין מערכת איסוף הנתונים למחשב המשמש להצגת גירויים.
    4. השתמש בכבל אתרנט כדי לחבר את מחשב איסוף הנתונים למערכת החומרה של רכישת הנתונים.

2. הגדרת כלי נגינה

  1. נקה את עור המשתתף באמצעות מגבוני אלכוהול במקומות הבאים: מתחת לצלע השמאלית, מתחת לעצם הבריח הימנית, ועל הבטן הימנית. הצמיד טלאי אלקטרודה חד-פעמי לכל אתר.
  2. חבר את חוטי ההובלה.
    1. חבר את מחבר חוט ההובלה היטב למשדר ה-ECG.
    2. חבר את הקליפ המתכתי של חוט העופרת האדום (חוט חיובי) לאלקטרודת ה-ECG הממוקמת מתחת לצלע השמאלית; חבר את קליפס המתכת של חוט העופרת הלבן (חוט שלילי) לאלקטרודת ה-ECG הממוקמת מתחת לעצם הבריח הימני; ולחבר את הקליפ המתכתי של חוט העופרת השחור (עופרת הארקה) לאלקטרודת ה-ECG הממוקמת בבטן הימנית.
      הערה: ודא שכל קליפס יושב במלואו ואינו מסתובב או משתחרר לאחר ההתקנה. אם חוט עופרת ארוך מהנדרש, חתוך אותו וקבע אותו לעור עם סרט רפואי כדי למזער ארטיפקטים הנגרמים מתנועת חוט.
  3. אבטח את משדר ה-ECG לגוף המשתתף באמצעות רצועות אלסטינריות עם וו ולולאה. כוונו את מתיחות הרצועה כדי לשמור על יציבות המשדר תוך שמירה על נוחות המשתתפים.
    הערה: הימנעו מהנחת רצועות ישירות מעל טלאי האלקטרודות של ה-ECG כדי למנוע עיוות אות או הזזת אלקטרודה.

3. רכישת נתונים

  1. הפעל את מתג משדר ה-ECG ואת עוצמת מערכת איסוף הנתונים של ה-ECG, ויצר חיבור אלחוטי בין משדר ה-ECG למקלט ה-ECG של מערכת איסוף הנתונים.
    הערה: חיבור נכון מסומן על ידי אורות ירוקים הן על משדר ה-ECG והן במקלט ה-ECG.
  2. הפעל את תוכנת רכישת נתוני ה-ECG (ראה טבלת חומרים), צור קובץ גרף חדש, בחר את מודול מקלט ה-ECG מרשימת המכשירים, ובחר את ערוץ ההקלטה המתאים.
    הערה: כוונן את לוח בחירת הערוץ במקלט ה-ECG כדי לוודא שערוץ החומרה תואם לערוץ התוכנה שנבחר.
  3. לחץ על Start בממשק תוכנת רכישת הנתונים כדי להתחיל באיסוף נתוני ECG. ודא שהגל של ה-ECG נראה יציב על המסך.
  4. הנחו את המשתתף להתחיל במשימת הניסוי.
    הערה: תזכירו למשתתפים להישען בנוחות על הכיסא ולשמור על יציבה לאורך כל המשימות.
  5. לאחר סיום המשימה, לחץ על עצור בתוכנת איסוף הנתונים כדי לסיים את סשן ההקלטה.
  6. נתק את קליפסי חוט העופרת מהמדבקות האלקטרודות. שחרר את רצועות ה-hook-and-loop הגמישות והוציא את משדר ה-ECG מגוף המשתתף.
  7. הדריך וסייע למשתתף להסיר בעדינות את מדבקות האלקטרודות החד-פעמיות ביד.

4. עיבוד נתונים

  1. פתח את קובץ הנתונים של ה-ECG המוקלט בתוכנת ניתוח הנתונים (ראו טבלת חומרים).
  2. בחר בערוץ ה-ECG והשתמש בסינון דיגיטלי.
    1. בשורת התפריט העליונה, עברו ל-Transform > מסננים דיגיטליים > עצירת מסרק.
    2. בתיבת הדו-שיח, בחר קבוע ב- תחת תדר בסיס. הכנס 50 הרץ ולחץ על אישור כדי להחיל את המסנן.
      הערה: התדר המוזן צריך להתאים לתדר קו החשמל של המדינה שבה נאספים הנתונים.
    3. לחץ על טרנספורמציה בתפריט העליון. בחר מסננים דיגיטליים > תלונה > מעבר תדר. תחת ניתוק תדר, בחר קבוע ב- והזן 1 הרץ. בניתוק תדר גבוה, בחר קבוע ב- והזן 35 הרץ.
  3. צור אזורי מיקוד בהתאם לעיצוב הניסוי.

5. ניתוח נתונים

  1. ליצור ולייצא נתוני משאבי אנוש. מהתפריט, בחר ניתוח > המודינמיקה > ECG Interval Extraction. בפאנל הניתוח , בחר Focus Areas Only, ובפאנל Display results בחר Excel Spreadsheet Only. לחץ על אישור לאישור.
    הערה: זיהוי R-peak בוצע באמצעות אלגוריתם זיהוי QRS המובנה בתוכנת ניתוח נתונים (AcqKnowledge 5).
  2. יצר נתוני HRV וייצא גם תוצאות בתחום הזמן וגם תחום התדירות.
    1. ניתוח פתוח, בחר HRV ו-RSA > HRV רב-תקופתי - סטטיסטי. בשדה ערוץ ה-ECG, בחר את ערוץ ה-ECG המעובד מראש. תחת 'הוצאת סטטיסטיקות HRV', בחרו אזורי מיקוד. ב-Output results, בחר ב-Spreadsheet. לבסוף, לחץ על אישור כדי ליצור ולייצא את תוצאות תחום הזמן של HRV.
    2. שוב ניתוח פתוח, בחר HRV ו-RSA > HRV רב-אפוקי ו-RSA - ספקטרלי. בשדה ערוץ ה-ECG , בחר את ערוץ ה-ECG המעובד מראש. מתחת ל-Extract HRV ו-RSA ל-, בחר אזורי מיקוד. בסוג פלט, בחר ב-Excel Spreadsheet בלבד. לבסוף, לחץ על אישור כדי ליצור ולייצא את תוצאות תחום תדר ה-HRV.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

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

במדידות הפיזיולוגיות התמקדנו במדדי HR ו-HRV הן בתחומי הזמן והן בתחומי התדירות. בתחום הזמן, בחרנו ב-Root Average Square of Successive Differences (RMSSD), הנחשב למדד עמיד 22,23,24. בתחום התדר, אף על פי שיחס התדר הנמוך/תדר גבוה (LF/HF) מפורש לעיתים קרובות כמשקף את האיזון בין פעילות סימפתטית לפעילות פאראסימפתטית, פרשנות זו נותרת שנויה במחלוקת25. לכן, בחרנו ב-LF ו-HF כמדדי תחום התדר שלנו. בדיקות נורמליות הראו...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

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

במחקר זה, איכות קליטת אותות ה-ECG הייתה קריטית לניתוחים הבאים. במהלך ההליך הניסוי, מיקום נכון של האלקטרודות וחיבור נכון עם הכבלים היו תנאים מוקדמים חיוניים להקלטת אות מדויקת. כל האלקטרודות הוצבו במיקומים המיועדים והבטיחו מגע עור טוב למזעור התנגדות. בנוסף, כדי להפחית את השפעת גורמים חיצוניים על אותות פיזיולוגיים, המשתתפים קיבלו הוראה להימנע מקפאין לפני הניסוי ולהימנע משימוש בתרופות הקשורות לקרדיווסקולר בימים שלפני הניסוי. מחקרים קודמים הראו כי צריכת קפאין יכולה להשפיע על HRV על ידי הגברת ...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

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

למחברים אין מה לחשוף.

תודות

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

מחקר זה נתמך על ידי תוכנית החדשנות למחקר ופרקטיקה לתארים מתקדמים של מחוז ג'יאנגסו (KYCX25_4311), הקרן הלאומית למדעי הטבע של סין (72374088, 72471105, 72472094, 72001096), פרויקט מרכזי לתכנון מחקר מדעי להשכלה גבוהה לשנת 2024 של האגודה הסינית להשכלה גבוהה (24XX0205, מנגנוני אסטרטגיות שיתוף פעולה בין אדם לבינה מלאכותית לשיפור תוצאות הלמידה), פרויקט מרכזי לתכנון מדעי החינוך במחוז ג'יאנגסו לשנת 2024 (B-b/2024/01/162, בניית מודלים ומחקר אמפירי על למידה רב-מודלית מנקודת מבט של מדעי המוח החינוכיים) וקרן מדעי הרוח והחברה של משרד החינוך של סין (24YJCZH445).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
מגבוני אלכוהול--זה משמש לניקוי וחיטוי העור.
Acqrecognition 5.0ביופאקזו תוכנה לרכישת נתוני אותות וניתוח נתונים.
מחשב שולחנידלOptiPlexשולחן עבודה זה משמש להרצת התוכנה לרכישת וניתוח ECG.
מכשיר רכישת נתוני ECGביופאקMP160מכשיר זה משמש להקלטת נתוני א.ק.ג.
אלקטרודות א.ק.גשנפנגסדרת Sזהו אביזר המשמש לאיסוף אותות ECG.
סט עופרת אלקטרודותביופאקBN-EL45-LEAD3זה משמש לרישום נתונים יחד עם המשדר.
כבל אתרנטביופאק-מערכת זו משמשת לחיבור מערכת MP160 לתוכנת רכישת וניתוח נתונים.
תוכנה ניסיוניתכלי תוכנה לפסיכולוגיהבניית E-prime3.0 3.0.3.31זו התוכנה ששימשה לבניית התוכנית הניסיונית.
מחשב ניידדלE5470מחשב נייד זה משמש להרצת התוכנית הניסיונית ולהצגת הגירויים.
כבל סרט M/FביופאקCBL110Cזה משמש לשידור אותות ספציפיים.
סרט רפואי--זה משמש לאבטחת חוטים ארוכים.
כבל חשמלביופאק-זה משמש להפעלת המכשיר.
תופסביופאקBN-RSPEC-Rזה מקלט ECG.
רצועות וולקרו גמישותביופאקBN-STRAP-137 זה משמש לתיקון משדר ה-ECG.
משדרביופאקBN-RSPEC-Tזהו משדר ECG אלחוטי.

מקורות

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

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

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

מאמרים קשורים