Artykuł metodologiczny

Oszacuj obciążenie poznawcze za pomocą pomiaru elektrokardiograficznego: zadanie współpracy człowieka i AI

DOI:

10.3791/69621

⸱

5 grudnia 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

W tym artykule

Podsumowanie

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

Protokół ten opisuje wykorzystanie wskaźników fizjologicznych do pomiaru zmienności obciążenia poznawczego na różnych poziomach trudności zadania w zadaniach współpracujących człowiek-AI. Wyniki sugerują, że ludzie dostosowują swoje procesy decyzyjne do trudności zadania, odzwierciedlając tym samym różne poziomy obciążenia poznawczego.

Streszczenie

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

W środowisku pracy obciążenie poznawcze jest ściśle powiązane zarówno z wydajnością, jak i bezpieczeństwem. W miarę jak współpraca między ludźmi a sztuczną inteligencją (AI) staje się coraz bardziej popularnym trendem, możliwość rejestrowania dynamiki obciążenia poznawczego w czasie rzeczywistym i obiektywnie podczas procesów współpracy staje się coraz ważniejsza. Tradycyjnie obciążenie poznawcze oceniano za pomocą kwestionariuszy; Jednak takie metody retrospektywne są ograniczone pod względem zdolności do dokładnego odróżnienia obciążenia poznawczego w trakcie wykonywania zadań. Natomiast sygnały fizjologiczne pozwalają na ciągłe monitorowanie stanu rzeczywistego danej osoby, zapewniając tym samym bardziej obiektywny wskaźnik obciążenia poznawczego. Trudność zadania może wpływać na oczekiwania uczestników, co następnie kształtuje ich zachowania i ostatecznie wpływa na obciążenie poznawcze. Badanie to wdraża uniwersalne zadanie współpracy człowiek-AI, które obejmuje wiele poziomów trudności. Średnia dokładność systemu AI była ujawniana uczestnikom przed rozpoczęciem zadania. W każdej próbie uczestnicy mieli wybór: samodzielnie wykonać zadanie lub zdelegować je AI. Celem tego protokołu jest wykorzystanie danych elektrokardiograficznych (EKG) jako wskaźników fizjologicznych do badania, jak zmienia się obciążenie poznawcze u osób, gdy mają uprawnienia do przydzielania zadań i współpracy z AI na różnych poziomach trudności. Badanie to dalej bada dynamikę stanu wewnętrznego ujawnioną na podstawie danych fizjologicznych podczas współpracy człowieka ze SI. Wyniki stanowią naukowe podstawy do ulepszania modeli współpracy, zwiększenia efektywności oraz wykorzystania komplementarnych mocnych stron ludzi i AI do lepszej integracji zasobów w złożonych zadaniach.

Wprowadzenie

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

Obciążenie poznawcze odnosi się do całkowitej ilości aktywności umysłowej nakładanej na system poznawczy danej osoby w określonym okresie wykonywania zadania1. Podwyższone obciążenie poznawcze może obniżać wydajność człowieka i jest głównym czynnikiem przyczyniającym się do wypadków w miejscu pracy2. Wysokie obciążenie poznawcze wpływa na aktywność serca, aktywując układ współczulny i hamując układ przywspółczulny, co zwiększa tętno (HR) i zmniejsza zmienność tętna (HRV)3. Przekonania dotyczące oczekiwania odnoszą się do stopnia, w jakim osoby wierzą, że są w stanie skutecznie wykonać określone zadanie lub aktywność4. Trudność zadania wpływa na przekonania dotyczące oczekiwania poszczególnych osób, które z kolei regulują zaangażowanie behawioralne i alokację zasobów poznawczych, ostatecznie objawiając się różnymi poziomami obciążenia poznawczego.

Elektrokardiografia (EKG) zapewnia zapis aktywności elektrycznej serca o wysokiej rozdzielczości czasowej. Wskaźniki tętna i HRV pochodzące z sygnałów EKG rejestrują różne aspekty rytmu serca i służą jako psychofizjologiczne wskaźniki fizycznego i psychicznego stresu danej osoby5. Tętno odzwierciedla ogólną częstotliwość skurczów serca i może być wykorzystywane do oceny podstawowego stanu układu sercowo-naczyniowego. HRV reprezentuje zmienność czasową pomiędzy kolejnymi uderzeniami serca i służy jako wskaźnik regulacji autonomicznego układu nerwowego (ANS), odzwierciedlając dynamiczną równowagę między aktywnością współczulną a przywspółczulną 6,7,8. Układ współczulny jest aktywowany pod wpływem stresu, zagrożenia lub intensywnej aktywności, co często prowadzi do wzrostu tętna i obniżenia HRV. Natomiast układ przywspółczulny jest aktywowany podczas relaksacji, snu lub stanów o niskim zapotrzebowaniu na energię, co zazwyczaj skutkuje obniżeniem tętna i wzrostem HRV.

Obecne metody fizjologiczne do pomiaru obciążenia poznawczego obejmują aktywność EKG, aktywność elektroencefalograficzną (EEG), oddech, ciśnienie krwi oraz wskaźnikioczne 9. W porównaniu z tradycyjnymi kwestionariuszami retrospektywnymi, pomiary fizjologiczne zapewniają lepszy sposób na uchwycenie stanów rzeczywistych uczestników, unikając tym samym błędu przypominania sobie i efektów opóźnień czasowych charakterystycznych dla podejść autoraportowych. Przenośne urządzenia EKG umożliwiają ciągłą i dyskretną ocenę stanu uczestników podczas wykonywania bieżących zadań10. W porównaniu z innymi technikami pomiarowymi fizjologicznymi, przenośne EKG stanowi tańszą, nieinwazyjną metodę, która pozwala uczestnikom wykonywać zadania w bardziej naturalny i elastyczny sposób w ich otoczeniu11. Średnie tętno zwykle wzrasta, gdy trudność zadań poznawczych wzrastao 12, a HRV wykazano jako bardzo reagujący zarówno na wymagania psychiczne, jak i fizyczne13. Biorąc pod uwagę, że obecne zadanie będzie wymagało znacznego wysiłku umysłowego i umiarkowanego obciążenia fizycznego, a także biorąc pod uwagę praktyczne potrzeby scenariuszy delegowania zadań we współpracy człowiek-AI, HR i HRV są odpowiednimi wskaźnikami do pomiaru obciążenia poznawczego.

HR i HRV zostały szeroko zastosowane do badania obciążenia poznawczego w wielu dziedzinach, w tym lotnictwie14, prowadzeniupojazdów 15 oraz podejmowaniu decyzji ekonomicznych16, dostarczając potężnych narzędzi do ciągłej i obiektywnej oceny stanów ludzkich. Wraz z rosnącą integracją AI w miejscu pracy, zrozumienie zmian w obciążeniu poznawczym podczas współpracy człowiek-AI staje się coraz ważniejsze. Jedno z badań dotyczących podejmowania decyzji wspomaganych przez AI wykazało, że w warunkach wysokiego obciążenia poznawczego ludzie wykazują irracjonalne poleganie na sugestiach generowanych przez AI17. W środowiskach współpracy rola AI może wykraczać poza dostarczanie wskazówek, umożliwiając ludziom i AI wspólne wykonywanie zadań. Niniejsze badanie koncentruje się na nowatorskim trybie współpracy, w którym ludzie mają uprawnienia do alokacji zadań i mogą decydować, czy wykonać je samodzielnie, czy delegować je AI. Jednak w tym konkretnym kontekście, gdzie ludzie mają uprawnienia do alokacji zadań, pozostaje niejasne, jak trudność zadania wpływa na zachowania decyzyjne i co za tym idzie, odzwierciedla różne poziomy obciążenia poznawczego. Dlatego celem tego badania jest wykorzystanie przenośnych urządzeń EKG do precyzyjnego pomiaru tętna i HRV, a tym samym obiektywnie określać dynamiczne zmiany obciążenia poznawczego w ramach tego paradygmatu współpracy.

Zadanie współpracy człowieka i AI wybrane do tego eksperymentu jest ogólnym zadaniem dostosowanym do paradygmatu zaproponowanego przez Fügenera i in.18. Zaletą stosowania takiego uogólnionego zadania jest to, że nie wymaga ono specjalistycznego szkolenia i można je łatwo przenieść do bardziej specyficznych zadań domenowych. W opisanym tutaj badaniu zadanie eksperymentalne polega na klasyfikacji obrazów, w której uczestnicy mają przypisać docelowy obraz do jednej z kilku grup kategorii obrazów. Klasyfikacja jest uznawana za poprawną, jeśli wybrana grupa kategorii odpowiada rzeczywistej kategorii docelowego obrazu. Docelowe obrazy zostały pobrane z bazy danych ImageNet, gdzie kategorie zostały już zweryfikowane. Dla każdej opcji grupy kategorii udostępniono uczestnikom dziesięć przykładowych obrazów, aby zmniejszyć prawdopodobieństwo, że nie będą świadomi niektórych kategorii19. Wykorzystaliśmy GoogLeNet Inception v3 jako modelAI 20, który został wytrenowany na 1 000 potencjalnych kategorii obrazów i osiągnął średnią dokładność klasyfikacji 0,76.

Przeprowadziliśmy wstępny eksperyment, aby określić poziom trudności docelowych obrazów. W tym wstępnym eksperymencie uczestnicy musieli samodzielnie sklasyfikować wszystkie obrazy. Wielkość próby 217 uczestników w niniejszym badaniu została ustalona na podstawie schorzenia wyłącznie na człowieka opisanego przez Fügenera i in.18. W zadaniu zespołowym zazwyczaj pożądane jest przydzielenie każdego zadania osobie najlepiej nadającej się do jego wykonania. Aby zorganizować trudność zadania, porównaliśmy dokładność każdego obrazu ze średnią dokładnością AI. Obrazy o dokładności ludzkiej niższej niż średnia SI były definiowane jako te bardziej odpowiednie do uzupełnienia przez AI — czyli obrazy stosunkowo trudne dla ludzi. W formalnym eksperymencie wybraliśmy łącznie 32 obrazy, w tym 16 łatwych i 16 trudnych.

Analiza mocy a priori została przeprowadzona przy użyciu G*Power 3.1 dla testu Wilcoxona z rangą znakową21. Założyliśmy średni rozmiar efektu, poziom α dwustronnego 0,05 oraz pożądaną potęgę 0,90. Analiza wskazała, że wymagane jest minimum 47 uczestników. Zrekrutowaliśmy 60 studentów z kampusu, którzy wcześniej nie uczestniczyli w podobnych zadaniach eksperymentalnych. Kryteria włączenia były następujące: wszyscy uczestnicy byli praworęczni, nie przyjmowali ostatnio leków, powstrzymywali się od kofeiny i alkoholu przez 24 godziny przed eksperymentem, nie wykonywali intensywnej aktywności fizycznej dzień przed eksperymentem, utrzymywali odpowiedni sen w nocy przed sesją i nie zgłaszali chorób sercowo-naczyniowych ani układów oddechowych. Średni wiek uczestników wynosił 22,77 ± 1,25 roku. Układ eksperymentalny przedstawiono na Rysunku 1.

Przed rozpoczęciem eksperymentu uczestnicy zostali poinformowani, że będą wykonywać zadanie klasyfikacji obrazów wspólnie z AI. Powiedziano im średnią dokładność AI i poinstruowano, że dla każdego zdjęcia celu mogą samodzielnie je sklasyfikować lub delegować klasyfikację AI. Jeśli uczestnicy zdecydowali się wykonać zadanie samodzielnie, odpowiadali, naciskając jeden z pięciu (A, B, C, D lub E) na klawiaturze, aby wybrać odpowiedź spośród pięciu opcji obrazowych. Naciśnięcie wyznaczonego (P) oznaczało, że zadanie zostało przekazane AI, choć uczestnicy nie mogli zobaczyć wybranej przez AI odpowiedzi. Marker był zapisywany zarówno na początku, jak i w przesunięciu każdego bodźca do dalszej analizy. Przed rozpoczęciem formalnego eksperymentu uczestnicy wykonali 4 próby próbne, po których następował okres odpoczynku trwający 120 sekund. Następnie przeszli do formalnego eksperymentu obejmującego 32 próby. Między każdym badaniem przewidziano 10-sekundowy odstęp między badaniami. Procedura eksperymentalna została zilustrowana na Rysunku 2.

Rysunek 1
Rysunek 1: Eksperymentalne przygotowanie. Na rysunku przedstawiono sprzęt użyty w eksperymencie oraz rozmieszczenie elektrod pomiarowych EKG. (A) schemat rozmieszczenia elektrod EKG; (B) Eksperymentalny układ. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Rysunek 2
Rysunek 2: Procedura eksperymentalna. Sesja próbna składała się z 4 prób, a formalny eksperyment obejmował 32 badania. Program eksperymentalny został opracowany przy użyciu E-Prime (patrz Tabela materiałów). Skrót: EKG = Elektrokardiogram. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

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

Badanie to zostało przeprowadzone zgodnie z zasadami Deklaracji Helsińskiej i zatwierdzone przez Instytucjonalną Radę Przeglądową Uniwersytetu Nauki i Technologii w Jiangsu. Wszyscy uczestnicy uzyskali świadomą zgodę, która zgodziła się na wykorzystanie i publikację swoich danych. W protokole nie uwzględniono żadnych procedur wrażliwych na temperaturę ani niebezpiecznych.

1. Przygotowanie

  1. Wprowadź uczestnikom procedurę eksperymentalną i uzyskaj pisemną, świadomą zgodę po pełnym poinformowaniu ich o badaniu.
  2. Przygotuj system akwizycji danych EKG oraz wszystkie wymagane materiały, w tym nadajnik, odbiornik, elastyczne paski na rzepy, zestaw elektrod, kabel zasilający, kabel wstęgowy M/F Cable, kabel ethernetowy, chusteczki alkoholowe oraz taśmę medyczną (patrz Tabela materiałów).
    1. Przygotuj odpowiednią liczbę jednorazowych elektrod EKG z pre-żelem.
    2. Podłącz system akwizycji danych do modułu odbiornika danych EKG. Następnie podłącz system do stabilnego zasilania.
    3. Użyj kabla wstążkowego M/F, aby nawiązać połączenie między systemem akwizycji danych a komputerem używanym do prezentacji bodźców.
    4. Użyj kabla Ethernet, aby połączyć komputer do akwizycji danych z systemem sprzętowym do akwizycji danych.

2. Konfiguracja instrumentów

  1. Oczyść skórę uczestnika chusteczkami alkoholowymi w następujących miejscach: poniżej lewego żebra, pod prawym obojczykiem oraz na prawym brzuchu. Przymocuj jednorazową elektrodę EKG w każdym miejscu.
  2. Podłącz przewody przewodowe.
    1. Przymocuj złącze przewodu ołowianego mocno do nadajnika EKG.
    2. Podłącz metalowy klips czerwonego przewodu przewodowego (dodatniego przewodu) do elektrody EKG umieszczonej pod lewym żebrem; podłącz metalowy klips białego przewodu przewodowego (ujemny przewód) do elektrody EKG umieszczonej poniżej prawego obojczyka; oraz podłącz metalowy klips czarnego przewodu przewodowego (przewód uziemiający) do elektrody EKG umieszczonej na prawej stronie brzucha.
      UWAGA: Upewnij się, że każdy klips jest całkowicie osadzony i nie obraca się ani nie luzuje po mocowaniu. Jeśli przewód przewodowy jest dłuższy niż potrzeba, odsegmentuj go i przymocuj do skóry taśmą medyczną, aby zminimalizować artefakty spowodowane ruchem przewodu.
  3. Przymocuj nadajnik EKG do ciała uczestnika za pomocą elastycznych pasków zaciskających się na haczyk i pętlę. Reguluj napięcie paska, aby utrzymać stabilność nadajnika i zapewnić komfort uczestnikowi.
    UWAGA: Unikaj umieszczania pasków bezpośrednio na plastrach elektrod EKG, aby zapobiec zniekształceniom sygnału lub przesunięciu elektrod.

3. Pozyskiwanie danych

  1. Włącz przełącznik nadajnika EKG oraz zasilanie systemu akwizycji danych EKG i nawiąz bezprzewodowe połączenie między nadajnikiem EKG a odbiornikiem EKG systemu akwizycji danych.
    UWAGA: Poprawne połączenie jest sygnalizowane zielonymi światłami zarówno na nadajniku EKG, jak i odbiorniku EKG.
  2. Uruchom oprogramowanie do akwizycji danych EKG (patrz Tabela materiałów), utworzenie nowego pliku graficznego, wybranie modułu odbiornika EKG z listy urządzeń i wybór odpowiedniego kanału rejestracji EKG.
    UWAGA: Dostosuj panel wyboru kanału na odbiorniku EKG, aby upewnić się, że kanał sprzętowy odpowiada wybranemu kanałowi programowemu.
  3. Kliknij Start w interfejsie oprogramowania do akwizycji danych, aby rozpocząć zbieranie danych EKG. Sprawdź, czy przebieg EKG na ekranie jest stabilny.
  4. Poinstruuj uczestnika rozpoczęcia zadania eksperymentalnego.
    UWAGA: Przypomnij uczestnikom, aby wygodnie opierali plecy o krzesło i utrzymywali stabilną postawę przez cały czas wykonywania zadań.
  5. Po zakończeniu zadania kliknij Stop w oprogramowaniu do akwizycji danych, aby zakończyć sesję nagrywania.
  6. Odłącz klipsy z przewodu ołowianego od plastr elektrod. Poluzuj elastyczne paski zapinające i usuń nadajnik EKG z ciała uczestnika.
  7. Instruuj i pomagaj uczestnikowi delikatnie ręcznie usuwać jednorazowe plastry elektrod.

4. Przetwarzanie danych

  1. Otwórz zarejestrowany plik danych EKG w oprogramowaniu do analizy danych (patrz Tabela materiałów).
  2. Wybierz kanał EKG i zastosuj filtrowanie cyfrowe.
    1. W górnym menu przejdź do Transform > Digital Filters > Comb Band Stop.
    2. W oknie dialogowym wybierz Stałe przy sekcji Bazowa częstotliwość. Wpisz 50 Hz i kliknij OK , aby zastosować filtr.
      UWAGA: Wprowadzona częstotliwość powinna odpowiadać częstotliwości linii energetycznych kraju, w którym zbierane są dane.
    3. Kliknij Przetransformuj w górnym menu. Wybierz filtry cyfrowe > FIR > pasma. W sekcji Frequency cutoff wybierz Fixed at i wprowadź 1 Hz. W sekcji Wysokie częstotliwości wybierz Stały przy i wpisz 35 Hz.
  3. Stwórz obszary skupienia zgodnie z projektem eksperymentalnym.

5. Analiza danych

  1. Generuj i eksportuj dane HR. Z paska menu wybierz Analizę > Hemodynamikę > ekstrakcji EKG. W panelu Analizuj wybierz Tylko obszary fokusowe, a w panelu Pokaż wyniki jako obraz wybierz Tylko arkusz Excel. Kliknij OK , aby potwierdzić.
    UWAGA: Detekcja szczytów R-peak została przeprowadzona za pomocą wbudowanego algorytmu wykrywania QRS w oprogramowaniu do analizy danych (AcqKnowledge 5).
  2. Generuj dane HRV i eksportuj wyniki zarówno w dziedzinie czasu, jak i częstotliwości.
    1. Analiza otwarta, wybierz HRV i RSA > HRV wieloepokowym - Statystyczne. W polu kanał EKG wybierz kanał EKG przetworzony. W sekcji Extract HRV statistics for wybierz Obszary Fokusu. W Output results to wybierz Arkusz kalkulacyjny. Na koniec kliknij OK, aby wygenerować i wyeksportować wyniki HRV w dziedzinie czasu.
    2. Ponownie Open Analysis, wybierz HRV i RSA > HRV wieloepokowym i RSA - Spektralne. W polu kanał EKG wybierz kanał EKG przetworzony. W sekcji Extract HRV i RSA dla wybierz Obszary Fokusu. W Output type wybierz Tylko arkusz Excel Spreadsheet. Na koniec kliknij OK , aby wygenerować i wyeksportować wyniki HRV w dziedzinie częstotliwości.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

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

W pomiarach fizjologicznych skupiliśmy się na indeksach tętna i HRV zarówno w dziedzinie czasowej, jak i częstotliwościowej. Dla dziedziny czasu wybraliśmy Root Mean Square of Sequence Differences (RMSSD), która jest uważana za solidną miarę 22,23,24. W dziedzinie częstotliwości, chociaż stosunek niskich częstotliwości do wysokich częstotliwości (LF/HF) jest często interpretowany jako odzwierciedlający równowagę między aktywnośc...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

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

W tym badaniu jakość pozyskiwania sygnału EKG była kluczowa dla kolejnych analiz. Podczas procesu eksperymentalnego prawidłowe umieszczenie elektrod i prawidłowe połączenie z przewodami były niezbędne do dokładnego rejestrowania sygnału. Wszystkie elektrody zostały umieszczone w wyznaczonych miejscach i zapewniły dobry kontakt ze skórą, minimalizując impedancję. Ponadto, aby zmniejszyć wpływ czynników zewnętrznych na sygnały fizjologiczne, uczestnicy zostali poinstruowani, aby przed eksperymentem powstrzymali się od kofe...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

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

Autorzy nie mają nic do ujawnienia.

Podziękowania

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

Badanie to zostało wsparte przez Program Innowacji Badań i Praktyk Podyplomowych prowincji Jiangsu (KYCX25_4311), Narodową Fundację Nauk Przyrodniczych Chin (72374088, 72471105, 72472094, 72001096), 2024 Kluczowy Projekt Planowania Badań Naukowych w szkolnictwie wyższym Chińskiego Stowarzyszenia Szkolnictwa Wyższego (24XX0205, Mechanizmy strategii współpracy człowiek-AI w poprawie wyników uczenia się), 2024 Kluczowy Projekt Planowania Nauk Edukacyjnych w prowincji Jiangsu (B-b/2024/01/162, Budowa modeli i empiryczne badania nad uczeniem się multimodalnym z perspektywy neurobiologii edukacyjnej) oraz Funduszem Nauk Humanistycznych i Społecznych Ministerstwa Edukacji Chin (24YJCZH445).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Chusteczki alkoholowe--Stosuje się go do oczyszczania i dezynfekcji skóry.
Acqknowledge 5.0BIOPACJest to oprogramowanie do akwizycji sygnału i analizy danych.
Komputer stacjonarnyDellOptiPlexTen pulpit służy do uruchamiania oprogramowania do akwizycji i analizy EKG.
Urządzenie do akwizycji danych EKGBIOPACMP160To urządzenie służy do rejestrowania danych EKG.
Elektrody EKGShenfengSeria SJest to akcesorium używane do zbierania sygnałów EKG.
Zestaw elektrod leadBIOPACBN-EL45-LEAD3Jest on wykorzystywany do rejestrowania danych wraz z nadajnikiem.
Kabel EthernetBIOPAC-Służy on do połączenia systemu MP160 z oprogramowaniem do akwizycji i analizy danych.
Oprogramowanie eksperymentalneNARZĘDZIA DO PSYCHOLOGIIE-prime3.0 Build 3.0.3.31To oprogramowanie użyte do stworzenia programu eksperymentalnego.
LaptopDellE5470Ten laptop służy do uruchamiania programu eksperymentalnego i prezentowania bodźców.
Kabel wstążkowy M/FBIOPACCBL110CSłuży on do przesyłania określonych sygnałów.
Taśma medyczna--Służy ona do zabezpieczania długich przewodów.
Kabel zasilającyBIOPAC-Służy on do zasilania urządzenia.
OdbiornikBIOPACBN-RSPEC-RTo jest odbiornik EKG.
Elastyczne paski na rzepyBIOPACBN-STRAP-137 Służy to do naprawy nadajnika EKG.
NadajnikBIOPACBN-RSPEC-TTo jest bezprzewodowy nadajnik EKG.

Bibliografia

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

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

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

Powiązane artykuły