Methodenartikel

Schat de cognitieve belasting met behulp van elektrocardiografische meting: een samenwerkingstaak tussen mens en AI

DOI:

10.3791/69621

⸱

5 december 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 dit artikel

Samenvatting

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

Dit protocol beschrijft het gebruik van fysiologische indicatoren om variaties in cognitieve belasting te meten over verschillende moeilijkheidsgraden van taken in samenwerkingstaken tussen mens en AI. De bevindingen suggereren dat mensen hun besluitvormingsprocessen aanpassen aan de moeilijkheidsgraad van de taak, waardoor verschillende niveaus van cognitieve belasting worden weerspiegeld.

Samenvatting

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

Op de werkvloer is de cognitieve belasting van individuen nauw verbonden met zowel prestaties als veiligheid. Nu samenwerking tussen mensen en kunstmatige intelligentie (AI) een groeiende trend wordt, is het vermogen om cognitieve belastingdynamiek realtime en objectief vast te leggen tijdens samenwerkingsprocessen steeds belangrijker geworden. Traditioneel wordt cognitieve belasting beoordeeld via vragenlijsten; Dergelijke retrospectieve methoden zijn echter beperkt in hun vermogen om de moment-tot-moment fluctuaties in cognitieve belasting tijdens de taakuitvoering nauwkeurig vast te leggen. Daarentegen maken fysiologische signalen continue monitoring van de realtime toestand van een individu mogelijk, waardoor een objectievere maat voor cognitieve belasting wordt gegeven. Taakmoeilijkheid kan de verwachtingen van deelnemers beïnvloeden, wat vervolgens hun gedrag vormt en uiteindelijk de cognitieve belasting beïnvloedt. Deze studie implementeert een generaliseerbare samenwerking tussen mens en AI die meerdere moeilijkheidsgraden omvat. De gemiddelde nauwkeurigheid van het AI-systeem werd aan de deelnemers bekendgemaakt vóór de start van de taak. In elke proef kregen deelnemers de keuze om de taak zelf uit te voeren of deze aan de AI te delegeren. Het doel van dit protocol is om elektrocardiografische (ECG) gegevens te gebruiken als fysiologische indicatoren om te onderzoeken hoe de cognitieve belasting van individuen verandert wanneer zij de bevoegdheid hebben om taken toe te wijzen en samen te werken met AI op verschillende moeilijkheidsniveaus. Deze studie onderzoekt verder de interne toestandsdynamiek die door fysiologische gegevens aan het licht komt tijdens de samenwerking tussen mens en AI. De bevindingen bieden een wetenschappelijke basis voor het verbeteren van samenwerkingsmodellen, het verhogen van efficiëntie en het benutten van de complementaire krachten van mensen en AI om een betere integratie van middelen in complexe taken te bereiken.

Inleiding

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

Cognitieve belasting verwijst naar de totale hoeveelheid mentale activiteit die gedurende een bepaalde periode van taakuitvoering op het cognitieve systeem van een individu wordt opgelegd1. Verhoogde cognitieve belasting kan de menselijke prestaties aantasten en is een belangrijke factor bij ongevallen op de werkvloer2. Hoge cognitieve belastingstoestanden beïnvloeden de hartactiviteit door het sympathische zenuwstelsel te activeren en het parasympathische zenuwstelsel te remmen, waardoor de hartslag (HR) toeneemt en de hartslagvariabiliteit (HRV) afneemt3. Verwachtingsovertuigingen verwijzen naar de mate waarin individuen denken dat ze een specifieke taak of activiteit succesvol kunnen voltooien4. Taakmoeilijkheid beïnvloedt de verwachtingsovertuigingen van individuen, die op hun beurt hun gedragsbetrokkenheid en toewijzing van cognitieve middelen reguleren, wat zich uiteindelijk manifesteert als verschillende niveaus van cognitieve belasting.

Elektrocardiografie (ECG) levert een hoog temporele resolutie verslag van de elektrische activiteit van het hart. HR- en HRV-indices afgeleid van ECG-signalen vatten verschillende aspecten van het hartritme en dienen als psychofysiologische indicatoren van de fysieke en mentale stressvan een individu. De hartslag weerspiegelt de algemene frequentie van hartweeën en kan worden gebruikt om de basistoestand van het cardiovasculaire systeem te beoordelen. HRV vertegenwoordigt de temporele variatie tussen opeenvolgende hartslagen en dient als indicator voor de regulatie van het autonome zenuwstelsel (ANS), wat de dynamische balans tussen sympathische en parasympathische activiteitweerspiegelt 6,7,8. Het sympathische zenuwstelsel wordt geactiveerd onder stress, dreiging of intensieve activiteit, wat vaak leidt tot een verhoogde hartslag en lagere HRV. Omgekeerd wordt het parasympathische zenuwstelsel geactiveerd tijdens ontspanning, slaap of toestanden met lage energiebehoefte, wat meestal resulteert in een lagere hartslag en een verhoogde HRV.

Huidige fysiologische methoden voor het meten van cognitieve belasting omvatten ECG-activiteit, elektro-encefalografische (EEG) activiteit, ademhaling, bloeddruk en oculaire indices9. In vergelijking met traditionele retrospectieve vragenlijsten bieden fysiologische metingen een betere manier om de realtime toestanden van deelnemers vast te leggen, waardoor herinneringsbias en de temporele vertragingseffecten die inherent zijn aan zelfrapportagebenaderingen worden vermeden. Draagbare ECG-apparaten maken een continue en onopvallende beoordeling van de toestand van deelnemers mogelijk terwijl zij bezig zijn met lopende taken10. In vergelijking met andere fysiologische meettechnieken vertegenwoordigt draagbaar ECG een goedkope, niet-invasieve methode die deelnemers in staat stelt taken op een natuurlijkere en flexibelere manier uit te voeren binnen hun omgeving11. De gemiddelde hartslag neemt meestal toe naarmate de moeilijkheid van cognitieve takenstijgt met 12, en HRV is aangetoond zeer responsief te zijn op zowel mentale als fysieke eisen13. Aangezien van de huidige taak wordt verwacht dat deze taak aanzienlijke mentale inspanning en een bescheiden niveau van fysieke belasting zal vereisen, en gezien de praktische behoeften van taakdelegatiescenario's in mens-AI-samenwerking, zijn HR en HRV geschikte indices om cognitieve belasting te meten.

HR en HRV zijn veelvuldig toegepast op de studie van cognitieve belasting in meerdere domeinen, waaronder luchtvaart14, rijden15 en economische besluitvorming16, en bieden krachtige instrumenten voor de continue en objectieve beoordeling van menselijke toestanden. Met de groeiende integratie van AI op de werkvloer is het steeds belangrijker geworden om veranderingen in cognitieve belasting tijdens samenwerking tussen mens en AI te begrijpen. Een studie die AI-ondersteunde besluitvorming onderzocht, vond dat mensen onder omstandigheden van hoge cognitieve belasting een irrationele afhankelijkheid vertoonden van door AI gegenereerde suggesties17. In samenwerkingsomgevingen kan de rol van AI verder reiken dan alleen adviserende input, waardoor mensen en AI gezamenlijk taken kunnen voltooien. De huidige studie richt zich op een nieuwe samenwerkingsmethode waarbij mensen taaktoewijzingsbevoegdheid hebben en voor elke taak kunnen kiezen of ze deze zelf voltooien of delegeren aan de AI. In deze specifieke context, waarin mensen taaktoewijzingsbevoegdheid hebben, blijft het echter onduidelijk hoe taakmoeilijkheid het besluitvormingsgedrag beïnvloedt en daardoor verschillende niveaus van cognitieve belasting weerspiegelt. Daarom is deze studie bedoeld om draagbare ECG-apparaten te gebruiken om HR en HRV met precisie te meten, zodat de dynamische veranderingen in cognitieve belasting onder dit samenwerkingsparadigma objectief worden gekwantificeerd.

De gekozen samenwerkingstaak tussen mens en AI voor dit experiment is een algemene taak die is aangepast van het paradigma voorgesteld door Fügener et al.18. Het voordeel van zo'n generaliseerbare taak is dat deelnemers geen gespecialiseerde training hoeven te volgen en gemakkelijk kunnen worden overgeplaatst naar meer domeinspecifieke taken. In de hier beschreven studie omvat de experimentele taak beeldclassificatie, waarbij deelnemers worden gevraagd een doelafbeelding toe te wijzen aan een van de verschillende beeldcategorieëngroepen. Een classificatie wordt als correct beschouwd als de geselecteerde categoriegroep overeenkomt met de ware categorie van het doelbeeld. De doelafbeeldingen zijn afkomstig uit de ImageNet-database, waar categorieën al zijn gevalideerd. Voor elke categoriegroepoptie werden tien voorbeeldafbeeldingen aan deelnemers verstrekt om de kans te verkleinen dat zij zich niet bewust zijn van bepaalde categorieën19. We gebruikten GoogLeNet Inception v3 als het AI-model20, dat was getraind op 1.000 potentiële beeldcategorieën en een gemiddelde classificatienauwkeurigheid van 0,76 bereikte.

We voerden een voorlopig experiment uit om het moeilijkheidsgraad van de doelbeelden te bepalen. In dit voorlopige experiment moesten de deelnemers alle beelden zelf classificeren. De steekproefgrootte van 217 deelnemers in de huidige studie werd bepaald met verwijzing naar de mens-only aandoening gerapporteerd door Fügener et al.18. Bij een samenwerkingstaak is het over het algemeen wenselijk om elke taak toe te wijzen aan de partij die het beste geschikt is om deze uit te voeren. Om de taakmoeilijkheid te operationaliseren, vergeleken we de nauwkeurigheid van elke afbeelding met de gemiddelde nauwkeurigheid van de AI. Beelden met een menselijke nauwkeurigheid die lager is dan de gemiddelde nauwkeurigheid van de AI, werden gedefinieerd als beelden die geschikter zijn voor AI-voltooiing – dat wil zeggen, beelden die relatief moeilijk zijn voor mensen. In het formele experiment selecteerden we in totaal 32 afbeeldingen, waaronder 16 eenvoudige en 16 moeilijke afbeeldingen.

Een a priori power-analyse werd uitgevoerd met G*Power 3.1 voor een Wilcoxon signed-rank test21. We gingen uit van een gemiddelde effectgrootte, een tweezijdig α niveau van 0,05 en een gewenste macht van 0,90. De analyse gaf aan dat minimaal 47 deelnemers nodig waren. We rekruteerden 60 studenten van de campus die eerder niet aan soortgelijke experimentele taken hadden deelgenomen. De inclusiecriteria waren als volgt: alle deelnemers waren rechtshandig, hadden recent geen medicatie gebruikt, hadden 24 uur voorafgaand aan het experiment geen cafeïne en alcohol gebruikt, hadden de dag ervoor het experiment niet intensief geoefend, hadden de nacht voor de sessie voldoende geslapen en meldden geen hart- of lucht- of hart- of luchtwegaandoeningen. De gemiddelde leeftijd van de deelnemers was 22,77 ± 1,25 jaar. De experimentele opstelling is te zien in Figuur 1.

Voordat het experiment begon, kregen deelnemers te horen dat ze samen met een AI een beeldclassificatietaak zouden uitvoeren. Ze kregen de gemiddelde nauwkeurigheid van de AI te horen en gaven de instructie dat ze voor elk doelbeeld deze zelf konden classificeren of de classificatie aan de AI konden delegeren. Als deelnemers ervoor kozen de taak zelf te voltooien, reageerden ze door op een van de vijf toetsen (A, B, C, D of E) op het toetsenbord te drukken om een antwoord te kiezen uit de vijf afbeeldingsopties. Door op de aangewezen toets (P) te drukken, gaf het aan dat de taak aan de AI was gedelegeerd, hoewel deelnemers het door de AI gekozen antwoord niet konden zien. Er werd een marker geschreven bij zowel het begin als het vertrek van elke stimulus voor latere analyse. Voordat het formele experiment begon, voltooiden de deelnemers 4 oefenproeven, gevolgd door een rustperiode van 120 seconden. Daarna gingen ze verder met het formele experiment van 32 proeven. Er werd een interval van 10 seconden tussen de proeven ingezet. De experimentele procedure is geïllustreerd in Figuur 2.

Figuur 1
Figuur 1: Experimentele opstelling. De figuur toont de gebruikte apparatuur in het experiment en de plaatsing van ECG-meetelektroden. (A) Schema van de plaatsing van ECG-elektroden; (B) Experimentele opstelling. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 2
Figuur 2: Experimentele procedure. De oefensessie bestond uit 4 proeven, en het formele experiment bestond uit 32 proeven. Het experimentele programma werd ontwikkeld met behulp van E-Prime (zie Materiaaltabel). Afkorting: ECG = Elektrocardiogram. Klik hier om een grotere versie van deze figuur te bekijken.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

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

Deze studie werd uitgevoerd in overeenstemming met de principes van de Verklaring van Helsinki en werd goedgekeurd door de Institutionele Beoordelingscommissie van de Jiangsu Universiteit voor Wetenschap en Technologie. Geïnformeerde toestemming werd verkregen van alle deelnemers, die instemden met het gebruik en de publicatie van hun gegevens. Er zijn geen temperatuurgevoelige of gevaarlijke procedures opgenomen in dit protocol.

1. Voorbereiding

  1. Introduceer de experimentele procedure aan de deelnemers en verkrijg schriftelijke geïnformeerde toestemming nadat zij volledig op de hoogte zijn van de studie.
  2. Bereid het ECG-gegevensverzamelingssysteem en alle benodigde materialen voor, waaronder de zender, ontvanger, rekbare klittenbandbanden, elektrodekabel, stroomkabel, M/F lintkabel, ethernetkabel, alcoholdoekjes en medisch tape (zie Materiaaltabel).
    1. Bereid een voldoende aantal voorgegelde wegwerp-ECG-elektroden voor.
    2. Verbind het dataverzamelingssysteem met de ECG-dataontvangermodule. Sluit het systeem vervolgens aan op een stabiele voeding.
    3. Gebruik de M/F lintkabel om een verbinding te leggen tussen het dataverzamelingssysteem en de computer die wordt gebruikt voor stimuluspresentatie.
    4. Gebruik een Ethernetkabel om de data-acquisitiecomputer aan te sluiten op het data-acquisitiehardwaresysteem.

2. Instrumentenopstelling

  1. Maak de huid van de deelnemer schoon met alcoholdoekjes op de volgende plekken: onder de linkerrib, onder het rechter sleutelbeen en op de rechterbuik. Bevestig op elke locatie een wegwerp-ECG-elektrodepatch.
  2. Verbind de leiddraden.
    1. Bevestig de leaddraadconnector stevig aan de ECG-zender.
    2. Verbind de metalen clip van de rode draad (positieve draad) met de ECG-elektrode die onder de linkerrib is geplaatst; verbind de metalen clip van de witte draad (negatieve lead) met de ECG-elektrode die onder het rechter sleutelbeen is geplaatst; en verbind de metalen clip van de zwarte draad (aarddraad) met de ECG-elektrode die op de rechterbuik is geplaatst.
      OPMERKING: Zorg ervoor dat elke clip volledig zit en niet draait of losraakt na het bevestigen. Als een loddraad langer is dan nodig, segmenteer en bevestig deze dan met medisch tape aan de huid om artefacten veroorzaakt door draadbeweging te minimaliseren.
  3. Bevestig de ECG-zender aan het lichaam van de deelnemer met rekbare haak-en-lus bevestigingsriemen. Stel de riemspanning aan om de zender stabiel te houden en tegelijkertijd het comfort van de deelnemers te waarborgen.
    OPMERKING: Vermijd het plaatsen van banden direct over de ECG-elektrodepatches om signaalvervorming of elektrodeverplaatsing te voorkomen.

3. Dataverwerving

  1. Zet de ECG-zender schakelaar en het vermogen van het ECG-dataverzamelsysteem aan, en stel een draadloze verbinding tot stand tussen de ECG-zender en de ECG-ontvanger van het data-acquisitiesysteem.
    OPMERKING: Een correcte verbinding wordt aangegeven door groene lampjes op zowel de ECG-zender als de ECG-ontvanger.
  2. Start de ECG-gegevensverzamelingssoftware (zie Materiaaltabel), maak een nieuw grafiekbestand aan, selecteer de ECG-ontvangermodule uit de apparatenlijst en kies het juiste ECG-opnamekanaal.
    OPMERKING: Pas het kanaalselectiepaneel op de ECG-ontvanger aan om ervoor te zorgen dat het hardwarekanaal overeenkomt met het geselecteerde softwarekanaal.
  3. Klik op Start in de data-acquisitiesoftwareinterface om te beginnen met ECG-gegevensverzameling. Controleer of de ECG-golfvorm stabiel op het scherm lijkt.
  4. Geef de deelnemer de opdracht om te beginnen met de experimentele taak.
    OPMERKING: Herinner deelnemers eraan hun rug comfortabel tegen de stoel te laten rusten en een stabiele houding te behouden tijdens de taken.
  5. Nadat de taak is voltooid, klik je op Stoppen in de dataverzamelingssoftware om de opnamesessie te beëindigen.
  6. Haal de leaddraadclips los van de elektrodepatches. Maak de rekbare klikbanden van de haak en lus los en verwijder de ECG-zender van het lichaam van de deelnemer.
  7. Geef de deelnemer instructies en help de deelnemer voorzichtig de wegwerp-elektrodepleisters met de hand te verwijderen.

4. Gegevensverwerking

  1. Open het opgenomen ECG-gegevensbestand in de data-analysesoftware (zie Materiaallijst).
  2. Selecteer het ECG-kanaal en pas digitale filtering toe.
    1. Navigeer in de bovenste menubalk naar Transform > Digital Filters > Comb Band Stop.
    2. Selecteer in het dialoogvenster Vast op onder Basisfrequentie. Voer 50 Hz in en klik op OK om het filter toe te passen.
      OPMERKING: De ingevoerde frequentie moet overeenkomen met de frequentie van de elektriciteitslijn van het land waar de gegevens worden verzameld.
    3. Klik op Transformeren in het bovenste menu. Selecteer digitale filters > FIR > Band Pass. Selecteer onder Frequentieafsnijding Vast op en voer 1 Hz in. Onder High Frequency cutoff kies je Vast op en voer je 35 Hz in.
  3. Creëer focusgebieden volgens het experimentele ontwerp.

5. Data-analyse

  1. Genereer en exporteer HR-gegevens. Selecteer in de menubalk Analyse > Hemodynamica > ECG Interval Extractie. Kies in het paneel Analyseren Alleen Focusgebieden, en kies in het paneel Resultaten weergeven als Excel-spreadsheet Alleen. Klik op OK om te bevestigen.
    OPMERKING: R-piekdetectie werd uitgevoerd met het ingebouwde QRS-detectiealgoritme in data-analysesoftware (AcqKnowledge 5).
  2. Genereer HRV-gegevens en exporteer zowel tijddomein- als frequentiedomeinresultaten.
    1. Open Analyse, selecteer HRV en RSA > Multi-epoch HRV - Statistisch. Selecteer in het veld ECG-kanaal het voorbewerkte ECG-kanaal. Selecteer onder HRV-statistieken extraheren Focusgebieden. Selecteer in Output resultaten naar: Spreadsheet. Klik tenslotte op OK om de HRV-tijd-domeinresultaten te genereren en te exporteren.
    2. Open de analyse opnieuw, selecteer HRV en RSA > Multi-epoch HRV en RSA - Spectral. Selecteer in het veld ECG-kanaal het voorbewerkte ECG-kanaal. Selecteer onder HRV en RSA extractie Focusgebieden. Selecteer in het type Output alleen Excel-spreadsheet. Klik tenslotte op OK om de HRV-frequentiedomeinresultaten te genereren en te exporteren.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

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

In de fysiologische metingen richtten we ons op HR- en HRV-indices in zowel het tijds- als het frequentiedomein. Voor het tijdsdomein kozen we Root Mean Square of Successive Differences (RMSSD), wat wordt beschouwd als een robuuste maat 22,23,24. Voor het frequentiedomein, hoewel de Lage Frequentie/Hoge Frequentieverhouding (LF/HF) vaak wordt geïnterpreteerd als een weerspiegeling van de balans tussen sympathische en parasympath...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

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

In deze studie was de kwaliteit van ECG-signaalopname cruciaal voor latere analyses. Tijdens de experimentele procedure waren correcte plaatsing van elektroden en correcte aansluiting met de kabels essentiële voorwaarden voor nauwkeurige signaalregistratie. Alle elektroden werden op de aangewezen posities geplaatst en zorgden voor goed huidcontact om de impedantie te minimaliseren. Daarnaast kregen deelnemers om de invloed van externe factoren op fysiologische signalen te verminderen, de...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

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

De auteurs hebben niets te onthullen.

Dankbetuigingen

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

Deze studie werd ondersteund door het Postgraduate Research & Practice Innovation Program van de provincie Jiangsu (KYCX25_4311), de National Natural Science Foundation of China (72374088, 72471105, 72472094, 72001096), het 2024 Key Project of Higher Education Science Research Planning van de China Association of Higher Education (24XX0205, Mechanismen van Mens-AI Samenwerkingsstrategieën ter Verbetering van Leerresultaten), 2024 Key Project of Education Science Planning in Jiangsu Province (B-b/2024/01/162), Modelconstructie en empirisch onderzoek naar multimodaal leren vanuit het perspectief van de onderwijsneurowetenschappen) en het Geestes- en Sociale Wetenschappen Fonds van het Chinese Ministerie van Onderwijs (24YJCZH445).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
Alcohol wipes--Dit wordt gebruikt om de huid schoon te maken en te desinfecteren.
Acqknowledge 5.0BIOPACDit is software voor signaalgegevensverwerving en gegevensanalyse.
Desktop computerDellOptiPlexDeze desktop wordt gebruikt om de software voor ECG-verwerving en -analyse uit te voeren.
ECG data acquisition deviceBIOPACMP160Dit apparaat wordt gebruikt om ECG-gegevens op te nemen.
ECG electrodesShenfengS seriesDit is een accessoire dat wordt gebruikt om ECG-signalen te verzamelen.
Electrode lead setBIOPACBN-EL45-LEAD3Dit wordt gebruikt voor gegevensregistratie samen met de zender.
Ethernet cableBIOPAC-Dit wordt gebruikt om het MP160-systeem en de gegevensverwervings- en analysesoftware met elkaar te verbinden.
Experimental softwarePSYCHOLOGY SOFTWARE TOOLSE-prime3.0 Build 3.0.3.31Dit is de software die wordt gebruikt om het experimentele programma te maken.
LaptopDellE5470Deze laptop wordt gebruikt om het experimentele programma uit te voeren en de stimuli te presenteren.
M/F Ribbon CableBIOPACCBL110CDit wordt gebruikt om specifieke signalen over te dragen.
Medical tape--Dit wordt gebruikt om lange draden te bevestigen.
Power cableBIOPAC-Dit wordt gebruikt om het apparaat van stroom te voorzien.
ReceiverBIOPACBN-RSPEC-RDit is een ECG-ontvanger.
Stretchy Velcro strapsBIOPACBN-STRAP-137 Dit wordt gebruikt om de ECG-zender te bevestigen.
TransmitterBIOPACBN-RSPEC-TDit is een draadloze ECG-zender.

Referenties

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

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

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

Gerelateerde artikelen