Name: Oszacuj obciążenie poznawcze za pomocą pomiaru elektrokardiograficznego: zadanie współpracy człowieka i AI (Wideo) | JoVE Journal
Uploaded: 2025-12-05T14:45:00.000+00:00
Duration: 7 min 8 s
Description: Poznaj metodę pomiaru obciążenia poznawczego w zadaniach współpracy człowieka z AI za pomocą elektrokardiografii. Protokół obejmuje rejestrację zmienności rytmu serca w różnych poziomach trudności zadań.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

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).

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
<ol>
	<li>Wprowadź uczestnikom procedurę eksperymentalną i uzyskaj pisemną, świadomą zgodę po pełnym poinformowaniu ich o badaniu.</li>
	<li>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).<ol>
		<li>Przygotuj odpowiednią liczbę jednorazowych elektrod EKG z pre-żelem.</li>
		<li>Podłącz system akwizycji danych do modułu odbiornika danych EKG. Następnie podłącz system do stabilnego zasilania.</li>
		<li>Użyj kabla wstążkowego M/F, aby nawiązać połączenie między systemem akwizycji danych a komputerem używanym do prezentacji bodźców.</li>
		<li>Użyj kabla Ethernet, aby połączyć komputer do akwizycji danych z systemem sprzętowym do akwizycji danych.</li>
	</ol>
	</li>
</ol>
2. Konfiguracja instrumentów
<ol>
	<li>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.</li>
	<li>Podłącz przewody przewodowe.<ol>
		<li>Przymocuj złącze przewodu ołowianego mocno do nadajnika EKG.</li>
		<li>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.</li>
	</ol>
	</li>
	<li>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.</li>
</ol>
3. Pozyskiwanie danych
<ol>
	<li>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.</li>
	<li>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.</li>
	<li>Kliknij Start w interfejsie oprogramowania do akwizycji danych, aby rozpocząć zbieranie danych EKG. Sprawdź, czy przebieg EKG na ekranie jest stabilny.</li>
	<li>Poinstruuj uczestnika rozpoczęcia zadania eksperymentalnego. UWAGA: Przypomnij uczestnikom, aby wygodnie opierali plecy o krzesło i utrzymywali stabilną postawę przez cały czas wykonywania zadań.</li>
	<li>Po zakończeniu zadania kliknij Stop w oprogramowaniu do akwizycji danych, aby zakończyć sesję nagrywania.</li>
	<li>Odłącz klipsy z przewodu ołowianego od plastr elektrod. Poluzuj elastyczne paski zapinające i usuń nadajnik EKG z ciała uczestnika.</li>
	<li>Instruuj i pomagaj uczestnikowi delikatnie ręcznie usuwać jednorazowe plastry elektrod.</li>
</ol>
4. Przetwarzanie danych
<ol>
	<li>Otwórz zarejestrowany plik danych EKG w oprogramowaniu do analizy danych (patrz Tabela materiałów).</li>
	<li>Wybierz kanał EKG i zastosuj filtrowanie cyfrowe.<ol>
		<li>W górnym menu przejdź do Transform > Digital Filters > Comb Band Stop.</li>
		<li>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.</li>
		<li>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.</li>
	</ol>
	</li>
	<li>Stwórz obszary skupienia zgodnie z projektem eksperymentalnym.</li>
</ol>
5. Analiza danych
<ol>
	<li>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).</li>
	<li>Generuj dane HRV i eksportuj wyniki zarówno w dziedzinie czasu, jak i częstotliwości.<ol>
		<li>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.</li>
		<li>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.</li>
	</ol>
	</li>
</ol>

<ol><li>Sweller, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cognitive+load+during+problem+solving%3A+Effects+on+learning%5BTitle%5D)+AND+%22Cogn+Sci%22%5BJournal%5D)">Cognitive load during problem solving: Effects on learning.</a> Cogn Sci. 12 (2), 257-285 (1988).</li>
<li>Matthews, G., Reinerman-Jones, L. E., Barber, D. J., Abich, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+psychometrics+of+mental+workload%3A+Multiple+measures+are+sensitive+but+divergent%5BTitle%5D)+AND+%22Hum+Factors%22%5BJournal%5D)">The psychometrics of mental workload: Multiple measures are sensitive but divergent.</a> Hum Factors. 57 (1), 125-143 (2015).</li>
<li>Delliaux, S., Delaforge, A., Deharo, J. C., Chaumet, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Mental+workload+alters+heart+rate+variability%2C+lowering+non-linear+dynamics%5BTitle%5D)+AND+%22Front+Physiol%22%5BJournal%5D)">Mental workload alters heart rate variability, lowering non-linear dynamics.</a> Front Physiol. 10, (2019).</li>
<li>Eccles, J. S., Wigfield, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Motivational+beliefs%2C+values%2C+and+goals%5BTitle%5D)+AND+%22Annu+Rev+Psychol%22%5BJournal%5D)">Motivational beliefs, values, and goals.</a> Annu Rev Psychol. 53, 109-132 (2002).</li>
<li>Carissoli, C., Negri, L., Bassi, M., Storm, F. A., Delle Fave, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Mental+workload+and+human-robot+interaction+in+collaborative+tasks%3A+A+scoping+review%5BTitle%5D)+AND+%22Int+J+Hum-Comput+Interact%22%5BJournal%5D)">Mental workload and human-robot interaction in collaborative tasks: A scoping review.</a> Int J Hum-Comput Interact. 40 (20), 6458-6477 (2024).</li>
<li>Rajendra Acharya, U., Paul Joseph, K., Kannathal, N., Lim, C. M., Suri, J. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Heart+rate+variability%3A+A+review%5BTitle%5D)+AND+%22Med+Biol+Eng+Comput%22%5BJournal%5D)">Heart rate variability: A review.</a> Med Biol Eng Comput. 44 (12), 1031-1051 (2006).</li>
<li>Shaffer, F., Ginsberg, J. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+overview+of+heart+rate+variability+metrics+and+norms%5BTitle%5D)+AND+%22Front+Public+Health%22%5BJournal%5D)">An overview of heart rate variability metrics and norms.</a> Front Public Health. 5, 258(2017).</li>
<li>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).</li>
<li>Charles, R. L., Nixon, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Measuring+mental+workload+using+physiological+measures%3AA+systematic+review%5BTitle%5D)+AND+%22Appl+Ergon%22%5BJournal%5D)">Measuring mental workload using physiological measures:A systematic review.</a> Appl Ergon. 74, 221-232 (2019).</li>
<li>Jorna, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Spectral-analysis+of+heart-rate+and+psychological+state%3AA+review+of+its+validity+as+a+workload+index%5BTitle%5D)+AND+%22Biol+Psychol%22%5BJournal%5D)">Spectral-analysis of heart-rate and psychological state:A review of its validity as a workload index.</a> Biol Psychol. 34 (2-3), 237-257 (1992).</li>
<li>Cinaz, B., Arnrich, B., La Marca, R., Tröster, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Monitoring+of+mental+workload+levels+during+an+everyday+life+office-work+scenario%5BTitle%5D)+AND+%22Pers+Ubiquit+Comput%22%5BJournal%5D)">Monitoring of mental workload levels during an everyday life office-work scenario.</a> Pers Ubiquit Comput. 17 (2), 229-239 (2013).</li>
<li>Alshanskaia, E. I., Zhozhikashvili, N. A., Polikanova, I. S., Martynova, O. V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Heart+rate+response+to+cognitive+load+as+a+marker+of+depression+and+increased+anxiety%5BTitle%5D)+AND+%22Front+Psychiatry%22%5BJournal%5D)">Heart rate response to cognitive load as a marker of depression and increased anxiety.</a> Front Psychiatry. 15, 1355846(2024).</li>
<li>Eesee, A. K., Varga, V., Eigner, G., Ruppert, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Impact+of+work+instruction+difficulty+on+cognitive+load+and+operational+efficiency%5BTitle%5D)+AND+%22Sci+Rep%22%5BJournal%5D)">Impact of work instruction difficulty on cognitive load and operational efficiency.</a> Sci Rep. 15 (1), 11028(2025).</li>
<li>Wang, L., Gao, S., Tan, W., Zhang, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Pilots%27+mental+workload+variation+when+taking+a+risk+in+a+flight+scenario%3A+A+study+based+on+flight+simulator+experiments%5BTitle%5D)+AND+%22Int+J+Occup+Saf+Ergon%22%5BJournal%5D)">Pilots' mental workload variation when taking a risk in a flight scenario: A study based on flight simulator experiments.</a> Int J Occup Saf Ergon. 29 (1), 366-375 (2023).</li>
<li>Radhakrishnan, V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Physiological+indicators+of+driver+workload+during+car-following+scenarios+and+takeovers+in+highly+automated+driving%5BTitle%5D)+AND+%22Transp+Res+Part+F+Traffic+Psychol+Behav%22%5BJournal%5D)">Physiological indicators of driver workload during car-following scenarios and takeovers in highly automated driving.</a> Transp Res Part F Traffic Psychol Behav. 87, 149-163 (2022).</li>
<li>Korosec-Serfaty, M., Riedl, R., Senecal, S., Leger, P. -M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Attentional+and+behavioral+disengagement+as+coping+responses+to+technostress+and+financial+stress%3A+An+experiment+based+on+psychophysiological%2C+perceptual%2C+and+behavioral+data%5BTitle%5D)+AND+%22Front+Neurosci%22%5BJournal%5D)">Attentional and behavioral disengagement as coping responses to technostress and financial stress: An experiment based on psychophysiological, perceptual, and behavioral data.</a> Front Neurosci. 16, 883431(2022).</li>
<li>Zhang, Z. T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Measuring+the+effect+of+mental+workload+and+explanations+on+appropriate+AI+reliance+using+EEG%5BTitle%5D)+AND+%22Behav+Inf+Technol%22%5BJournal%5D)">Measuring the effect of mental workload and explanations on appropriate AI reliance using EEG.</a> Behav Inf Technol. , (2024).</li>
<li>Fügener, A., Grahl, J., Gupta, A., Ketter, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cognitive+challenges+in+human-artificial+intelligence+collaboration%3A+Investigating+the+path+toward+productive+delegation%5BTitle%5D)+AND+%22Inf+Syst+Res%22%5BJournal%5D)">Cognitive challenges in human-artificial intelligence collaboration: Investigating the path toward productive delegation.</a> Inf Syst Res. 33 (2), 678-696 (2022).</li>
<li>Russakovsky, O., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Imagenet+large+scale+visual+recognition+challenge%5BTitle%5D)+AND+%22Int+J+Comput+Vis%22%5BJournal%5D)">Imagenet large scale visual recognition challenge.</a> Int J Comput Vis. 115 (3), 211-252 (2015).</li>
<li>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).</li>
<li>Faul, F., Erdfelder, E., Buchner, A., Lang, A. -G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Statistical+power+analyses+using+G%2APower+3.1%3ATests+for+correlation+and+regression+analyses%5BTitle%5D)+AND+%22Behav+Res+Methods%22%5BJournal%5D)">Statistical power analyses using G*Power 3.1:Tests for correlation and regression analyses.</a> Behav Res Methods. 41 (4), 1149-1160 (2009).</li>
<li>Melo, H. M., Hoeller, A. A., Walz, R., Takase, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Resting+cardiac+vagal+tone+is+associated+with+long-term+frustration+level+of+mental+workload%3A+Ultra-short+term+recording+reliability%5BTitle%5D)+AND+%22Appl+Psychophysiol+Biofeedback%22%5BJournal%5D)">Resting cardiac vagal tone is associated with long-term frustration level of mental workload: Ultra-short term recording reliability.</a> Appl Psychophysiol Biofeedback. 45 (1), 1-9 (2020).</li>
<li>Munoz, M. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Validity+of+%28ultra-%29short+recordings+for+heart+rate+variability+measurements%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">Validity of (ultra-)short recordings for heart rate variability measurements.</a> PLoS One. 10 (9), e0138921(2015).</li>
<li>Laborde, S., Mosley, E., Thayer, J. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Heart+rate+variability+and+cardiac+vagal+tone+in+psychophysiological+research+-+recommendations+for+experiment+planning%2C+data+analysis%2C+and+data+reporting%5BTitle%5D)+AND+%22Front+Psychol%22%5BJournal%5D)">Heart rate variability and cardiac vagal tone in psychophysiological research - recommendations for experiment planning, data analysis, and data reporting.</a> Front Psychol. 8, 213(2017).</li>
<li>Billman, G. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+LF%2FHF+ratio+does+not+accurately+measure+cardiac+sympatho-vagal+balance%5BTitle%5D)+AND+%22Front+Physiol%22%5BJournal%5D)">The LF/HF ratio does not accurately measure cardiac sympatho-vagal balance.</a> Front Physiol. 4, 26(2013).</li>
<li>Lai, H. -M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Understanding+what+determines+university+students%27+behavioral+engagement+in+a+group-based+flipped+learning+context%5BTitle%5D)+AND+%22Comput+Educ%22%5BJournal%5D)">Understanding what determines university students' behavioral engagement in a group-based flipped learning context.</a> Comput Educ. 173, 104290(2021).</li>
<li>Grassmann, M., Vlemincx, E., Von Leupoldt, A., Van Den Bergh, O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Individual+differences+in+cardiorespiratory+measures+of+mental+workload%3A+An+investigation+of+negative+affectivity+and+cognitive+avoidant+coping+in+pilot+candidates%5BTitle%5D)+AND+%22Appl+Ergon%22%5BJournal%5D)">Individual differences in cardiorespiratory measures of mental workload: An investigation of negative affectivity and cognitive avoidant coping in pilot candidates.</a> Appl Ergon. 59, 274-282 (2017).</li>
<li>Han, L., Du, Z. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Unraveling+the+complex+interplay+between+curved+tunnels+and+drivers%27+physiological+responses%3A+An+HRV+perspective%5BTitle%5D)+AND+%22Transp+Res+Part+F+Traffic+Psychol+Behav%22%5BJournal%5D)">Unraveling the complex interplay between curved tunnels and drivers' physiological responses: An HRV perspective.</a> Transp Res Part F Traffic Psychol Behav. 108, 39-53 (2025).</li>
<li>Goldstein, D. S., Bentho, O., Park, M. -Y., Sharabi, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((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%5BTitle%5D)+AND+%22Exp+Physiol%22%5BJournal%5D)">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.</a> Exp Physiol. 96 (12), 1255-1261 (2011).</li>
<li>Zimmermann-Viehoff, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Short-term+effects+of+espresso+coffee+on+heart+rate+variability+and+blood+pressure+in+habitual+and+non-habitual+coffee+consumers%3A+A+randomized+crossover+study%5BTitle%5D)+AND+%22Nutr+Neurosci%22%5BJournal%5D)">Short-term effects of espresso coffee on heart rate variability and blood pressure in habitual and non-habitual coffee consumers: A randomized crossover study.</a> Nutr Neurosci. 19 (4), 169-175 (2016).</li>
<li>Saxena, M. P. K., Ganuthula, V. R. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Relationship+between+feedback+frequency+and+task+performance%3A+Evidence+on+the+mediating+role+of+heart+rate%5BTitle%5D)+AND+%22Front+Psychol%22%5BJournal%5D)">Relationship between feedback frequency and task performance: Evidence on the mediating role of heart rate.</a> Front Psychol. 16, 1438865(2025).</li>
<li>Longo, L., Wickens, C. D., Hancock, G., Hancock, P. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Corrigendum%3A+Human+mental+workload%3A+A+survey+and+a+novel+inclusive+definition%5BTitle%5D)+AND+%22Front+Psychol%22%5BJournal%5D)">Corrigendum: Human mental workload: A survey and a novel inclusive definition.</a> Front Psychol. 13, 883321(2022).</li>
<li>Arutyunova, K. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Heart+rate+dynamics+for+cognitive+load+estimation+in+a+driving+simulation+task%5BTitle%5D)+AND+%22Sci+Rep%22%5BJournal%5D)">Heart rate dynamics for cognitive load estimation in a driving simulation task.</a> Sci Rep. 14 (1), 31656(2024).</li>
<li>Wittels, H. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Examining+the+influence+of+cognitive+load+and+environmental+conditions+on+autonomic+nervous+system+response+in+military+aircrew%3A+A+hypoxia-normoxia+study%5BTitle%5D)+AND+%22Biology+%28Basel%29%22%5BJournal%5D)">Examining the influence of cognitive load and environmental conditions on autonomic nervous system response in military aircrew: A hypoxia-normoxia study.</a> Biology (Basel). 13 (5), 343(2024).</li>
<li>Pütz, S., Mertens, A., Chuang, L. L., Nitsch, V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Physiological+predictors+of+operator+performance%3A+The+role+of+mental+effort+and+its+link+to+task+performance%5BTitle%5D)+AND+%22Hum+Factors%22%5BJournal%5D)">Physiological predictors of operator performance: The role of mental effort and its link to task performance.</a> Hum Factors. 67 (6), 595-615 (2025).</li>
<li>Cheng, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Acute+combined+effects+of+concurrent+physical+activities+on+autonomic+nervous+activation+during+cognitive+tasks%5BTitle%5D)+AND+%22Front+Physiol%22%5BJournal%5D)">Acute combined effects of concurrent physical activities on autonomic nervous activation during cognitive tasks.</a> Front Physiol. 15, 1340061(2024).</li>
<li>Bansal, A., Joshi, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Portable+out-of-hospital+electrocardiography%3A+A+review+of+current+technologies%5BTitle%5D)+AND+%22J+Arrhythmia%22%5BJournal%5D)">Portable out-of-hospital electrocardiography: A review of current technologies.</a> J Arrhythmia. 34 (2), 129-138 (2018).</li>
<li>Sridhar, A. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((State+of+the+art+of+mobile+health+technologies+use+in+clinical+arrhythmia+care%5BTitle%5D)+AND+%22Commun+Med+%28Lond%29%22%5BJournal%5D)">State of the art of mobile health technologies use in clinical arrhythmia care.</a> Commun Med (Lond). 4 (1), 218(2024).</li>
<li>Gupta, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((CaEVR%3A+Biosignals-driven+context-aware+empathy+in+virtual+reality%5BTitle%5D)+AND+%22IEEE+Trans+Vis+Comput+Graph%22%5BJournal%5D)">CaEVR: Biosignals-driven context-aware empathy in virtual reality.</a> IEEE Trans Vis Comput Graph. 30 (5), 2671-2681 (2024).</li>
<li>Binsch, O., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+effect+of+virtual+reality+simulation+on+police+officers%27+performance+and+recovery+from+a+real-life+surveillance+task%5BTitle%5D)+AND+%22Multimed+Tools+Appl%22%5BJournal%5D)">The effect of virtual reality simulation on police officers' performance and recovery from a real-life surveillance task.</a> Multimed Tools Appl. 82 (11), 17471-17492 (2023).</li>
<li>Brunzini, A., Grandi, F., Peruzzini, M., Pellicciari, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+integrated+methodology+for+the+assessment+of+stress+and+mental+workload+applied+on+virtual+training%5BTitle%5D)+AND+%22Int+J+Comput+Integr+Manuf%22%5BJournal%5D)">An integrated methodology for the assessment of stress and mental workload applied on virtual training.</a> Int J Comput Integr Manuf. 37 (9), 1088-1106 (2024).</li>
<li>Cardone, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Classification+of+drivers%27+mental+workload+levels%3A+Comparison+of+machine+learning+methods+based+on+ECG+and+infrared+thermal+signals%5BTitle%5D)+AND+%22Sensors+%28Basel%29%22%5BJournal%5D)">Classification of drivers' mental workload levels: Comparison of machine learning methods based on ECG and infrared thermal signals.</a> Sensors (Basel). 22 (19), 7300(2022).</li>
</ol>

Autorzy nie mają nic do ujawnienia.

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...

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.
<img alt="Rysunek 1" class="xfigimg" src="/files/ftp_upload/69621/69621fig1v2.jpg" data-altupdatedat="1783400419000" data-alt="Figure 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. <a href="https://www.jove.com/files/ftp_upload/69621/69621fig1v2large.jpg" target="_blank">Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.</a>
<img alt="Rysunek 2" class="xfigimg" src="/files/ftp_upload/69621/69621fig2.jpg" data-altupdatedat="1783400419000" data-alt="Figure 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. <a href="https://www.jove.com/files/ftp_upload/69621/69621fig2large.jpg" target="_blank">Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.</a>

<table><tbody><tr><td>Chusteczki alkoholowe</td><td>-</td><td>-</td><td>Stosuje się go do oczyszczania i dezynfekcji skóry.</td></tr><tr><td>Acqknowledge 5.0</td><td>BIOPAC</td><td></td><td>Jest to oprogramowanie do akwizycji sygnału i analizy danych.</td></tr><tr><td>Komputer stacjonarny</td><td>Dell</td><td>OptiPlex</td><td>Ten pulpit służy do uruchamiania oprogramowania do akwizycji i analizy EKG.</td></tr><tr><td>Urządzenie do akwizycji danych EKG</td><td>BIOPAC</td><td>MP160</td><td>To urządzenie służy do rejestrowania danych EKG.</td></tr><tr><td>Elektrody EKG</td><td>Shenfeng</td><td>Seria S</td><td>Jest to akcesorium używane do zbierania sygnałów EKG.</td></tr><tr><td>Zestaw elektrod lead</td><td>BIOPAC</td><td>BN-EL45-LEAD3</td><td>Jest on wykorzystywany do rejestrowania danych wraz z nadajnikiem.</td></tr><tr><td>Kabel Ethernet</td><td>BIOPAC</td><td>-</td><td>Służy on do połączenia systemu MP160 z oprogramowaniem do akwizycji i analizy danych.</td></tr><tr><td>Oprogramowanie eksperymentalne</td><td>NARZĘDZIA DO PSYCHOLOGII</td><td>E-prime3.0 Build 3.0.3.31</td><td>To oprogramowanie użyte do stworzenia programu eksperymentalnego.</td></tr><tr><td>Laptop</td><td>Dell</td><td>E5470</td><td>Ten laptop służy do uruchamiania programu eksperymentalnego i prezentowania bodźców.</td></tr><tr><td>Kabel wstążkowy M/F</td><td>BIOPAC</td><td>CBL110C</td><td>Służy on do przesyłania określonych sygnałów.</td></tr><tr><td>Taśma medyczna</td><td>-</td><td>-</td><td>Służy ona do zabezpieczania długich przewodów.</td></tr><tr><td>Kabel zasilający</td><td>BIOPAC</td><td>-</td><td>Służy on do zasilania urządzenia.</td></tr><tr><td>Odbiornik</td><td>BIOPAC</td><td>BN-RSPEC-R</td><td>To jest odbiornik EKG.</td></tr><tr><td>Elastyczne paski na rzepy</td><td>BIOPAC</td><td>BN-STRAP-137&nbsp;</td><td>Służy to do naprawy nadajnika EKG.</td></tr><tr><td>Nadajnik</td><td>BIOPAC</td><td>BN-RSPEC-T</td><td>To jest bezprzewodowy nadajnik EKG.</td></tr></tbody></table>

oszacuj obciążenie poznawcze za pomocą pomiaru elektrokardiograficznego: zadanie współpracy człowieka i ai

Estimate the Cognitive Load Using Electrocardiographic Measure: A Human-AI Collaborative Task

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.

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...

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.

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

In workplace settings, individuals' cognitive load is closely tied to both performance and safety. As collaboration between humans and artificial ...

Badamy, jak zmienia się obciążenie poznawcze ludzi podczas pracy z AI w kontekście delegowania. Na początek przedstaw uczestnikowi procedurę eksperymentalną i upewnij się, że jest w pełni poinformowany o badaniu. Przygotuj system zbierania danych z elektrokardiogramu i zbierz wszystkie niezbędne materiały, w tym pre-żelowe, jednorazowe elektrody do elektrokardiogramu.Podłącz system akwizycji danych do modułu odbiornika danych elektrokardiogramu. Za pomocą kabla męskiego na żeński nawiąż połączenie między systemem akwizycji danych a komputerem używanym do prezentacji bodźców. Za pomocą kabla ethernetowego nawiązujemy połączenie między systemem akwizycji danych a komputerem używanym do zapisu danych.Podłącz system do stabilnego zasilania. Teraz wyczyść skórę uczestnika chusteczkami alkoholowymi w trzech miejscach. Pod lewym żebrem, pod prawym obojczykiem i na prawym odwłoku.Przyklej jednorazowy plaster elektrody elektrokardiogramu do każdego oczyszczonego miejsca. Następnie mocno przymocuj złącze przewodu ołowiowego do nadajnika elektrokardiogramu i podłącz metalowy klips przewodu przewodowego do odpowiedniej elektrody. Przymocuj nadajnik elektrokardiogramu do ciała uczestnika za pomocą elastycznych pasków z haczykami i pętlami, regulując napięcie paska, aby nadajnik pozostał na miejscu i był wygodny dla uczestnika.Włącz przełącznik nadajnika elektrokardiogramu i włącz system akwizycji danych elektrokardiogramowych. Sprawdź status połączenia bezprzewodowego między nadajnikiem a modułem odbiorczym systemu akwizycji danych. Teraz uruchom oprogramowanie do akwizycji danych z elektrokardiogramu.Stwórz nowy plik grafu. Wybierz moduł odbiornika elektrokardiogramu z listy urządzeń. Wybierz odpowiedni kanał rejestracji elektrokardiogramu i kliknij "ok" w nowo wyświetlonym oknie stanu połączenia nadajnika.Kliknij start w interfejsie oprogramowania do akwizycji danych, aby rozpocząć zbieranie danych z elektrokardiogramu. Sprawdź, czy przebieg elektrokardiogramu jest stabilny na ekranie. Teraz polec uczestnikowi rozpocząć zadanie eksperymentalne.Po zakończeniu zadania kliknij stop w oprogramowaniu do akwizycji danych, aby zakończyć sesję nagrywania. Odłącz klamry przewodu od plastr elektrod. Poluzuj elastyczne paski zapinające i usuń nadajnik elektrokardiogramu z ciała uczestnika.Instruuj i pomagaj uczestnikowi delikatnie ręcznie usuwać jednorazowe plastry elektrod. Następnie otwórz plik z nagranymi datami elektrokardiogramu w oprogramowaniu do analizy danych. Wybierz kanał elektrokardiogramu i zastosuj filtrowanie cyfrowe.W pasku menu przejdź do transformacji, następnie do filtrów cyfrowych i zatrzymania grzebienia. Następnie w oknie dialogowym wybierz fixed at under base frequency. Wpisz 50 herców i kliknij OK, aby zastosować filtr.Następnie kliknij przemień w pasku menu. Wybierz filtry cyfrowe, potem FIR, a następnie przejście pasmowe. W oknie dialogowym, w ustawieniach niskoczęstotliwościowego cutoff, wybierz stały na i wpisz jeden herc.W przypadku cutoffu wysokich częstotliwości wybierz stały przy i wpisz 35 Hz. Teraz stwórz obszary fokusowe na podstawie projektu eksperymentu, generuj i eksportuj dane o tętnie, wybierając analizę, a następnie hemodynamikę i ekstrakcję interwału EKG z paska menu. W opcji analizy wybierz tylko obszary ostrości, a w wynikach wyświetlania wybierz tylko arkusz Excel.Kliknij OK, aby potwierdzić i zakończyć eksport. Aby wygenerować dane o zmienności tętna, należy otworzyć analizę i wybrać HRV oraz RSA, a następnie wieloepicką statystykę HRV. W polu kanału EKG wybierz kanał przedprocesowanego elektrokardiogramu i w sekcji ekstrakt statystyk HRV wybierz obszary ostrości.Przejdź do wyjścia wyników do, wybierz arkusz kalkulacyjny i kliknij OK, aby wygenerować i wyeksportować wyniki w dziedzinie czasu. Na koniec ponownie otwórz analizę i wybierz HRV i RSA, a następnie wieloepiskie HRV i RSA spektralne. W polu kanału EKG wybierz kanał elektrokardiogramu przygotowany przed zabiegiem.W sekcji wyodrębniaj HRV i RSA dla wyborów obszarów skupienia się. W trybie typu wyjścia wybierz tylko arkusz Excel i kliknij OK, aby wyeksportować wyniki z domeny częstotliwości. Średnie tętno było znacząco niższe w trudnej sytuacji obrazowej w porównaniu do łatwej sytuacji.Zmienność częstotliwość częstotliwość serca była znacząco wyższa podczas trudnego obrazu w porównaniu do warunków łatwych w obrazie. Średnia kwadratowa pierwiastka kolejnych różnic podążała podobnym trendem i była istotnie wyższa podczas trudnych warunków obrazu. Uczestnicy delegowali znacznie częściej w trudnych warunkach obrazu niż w łatwym w warunkach obrazu.Zauważyliśmy, że ludzie dostosowują swoje obciążenie poznawcze delegując zadania podczas pracy z AI.In przyszłością, przyjrzymy się, jak różne podejścia do współuczenia się wpływają na wyniki nauki człowieka i AI.

estimate-cognitive-load-using-electrocardiographic-measure-human-ai

Research

JoVE Journal

Behavior

Zachowanie

Ten artykuł ma na celu opisanie technik związanych z gromadzeniem i synchronizacją wielu wymiarów (behawioralnego, afektywnego i poznawczego) zaangażowania uczniów podczas zadania.

Ocena wielu wymiarów zaangażowania w celu scharakteryzowania uczenia się: perspektywa neurofizjologiczna

Ten manuskrypt opisuje podejście do pomiaru aktywności neuronalnej ludzi podczas rozwiązywania przestrzennie skoncentrowanych problemów inżynieryjnych. Metodologia elektroencefalogramu pomaga interpretować pomiary fal mózgowych beta pod kątem wydajności neuronalnej, aby ostatecznie umożliwić porównanie wykonania zadań zarówno między typami problemów, jak i między uczestnikami.

Wykorzystanie pomiarów elektroencefalografii do porównania sprawności neuronalnej specyficznej dla danego zadania: zadania z zakresu inteligencji przestrzennej

Ta praca przedstawia nowy protokół oceny zespołu nadpobudliwości psychoruchowej z deficytem uwagi (ADHD), zapewniając bardziej obiektywną procedurę diagnostyczną dla tego zaburzenia rozwojowego opartą na użyciu innowacyjnych narzędzi. Analizuje również związek między środkami aktywizującymi a miarami funkcji wykonawczych.

Korzystanie z aktywacji mózgu (nir-HEG/Q-EEG) i środków wykonawczych (CPT) w protokole oceny ADHD

Obecny protokół opisuje, jak wykonywać równoczesne zapisy EEG i fNIRS oraz jak sprawdzić związek między danymi EEG i fNIRS.

Prowadzenie jednoczesnych zapisów elektroencefalografii i funkcjonalnej spektroskopii bliskiej podczerwieni z zadaniem Flankera

Badanie zaproponowało eksperymentalny paradygmat stosujący wysokorozdzielczą przezczaszkową stymulację prądem stałym (HD-tDCS) w celu poprawy metapoznania człowieka w zadaniach delegacji człowieka do AI. Wyniki wykazały skuteczność HD-tDCS w poprawie wrażliwości metapoznawczej.

Wysokorozdzielcza przezczaszkowa stymulacja prądem stałym w prawym grzbietowo-bocznym korze czołowej w celu zwiększenia wrażliwości metapoznawczej

Pokazujemy, jak obiektywna miara może być zastosowana w powszechnie stosowanym paradygmacie iluzji gumowej ręki. Miara ta jest uzyskiwana przez modyfikację dobrze ugruntowanego zadania kongruencji intermodalnej. Zadanie to pozwala na zbadanie procesów multisensorycznych, które są krytyczne dla modulacji reprezentacji ciała, jak w iluzji gumowej ręki.

Zadanie kongruencji intermodalnej jako sposób na uzyskanie obiektywnej miary behawioralnej w paradygmacie iluzji gumowej ręki

Ten protokół opisuje zadanie czasu reakcji szeregowej do wyboru 5 opcji, które jest zadaniem opartym na instrumentacji, używanym do badania uwagi i kontroli impulsów u gryzoni. Wyzwania dnia testowego, które są modyfikacjami standardowego zadania, zwiększają elastyczność zadania i mogą być łączone z innymi manipulacjami, aby pełniej scharakteryzować zachowanie.

Zadanie 5-Choice Serial Reaction Time Task: zadanie skupienia uwagi i kontroli impulsów dla gryzoni

Wzmocnienie odruchu zaskoczenia jest mierzone za pomocą elektromiografii mięśnia okrężnego oka podczas niskiego (niepewnego) i wysokiego (pewnego) prawdopodobieństwa porażenia prądem w zadaniu prawdopodobieństwa zagrożenia. Zapewnia to obiektywną miarę różnych negatywnych stanów emocjonalnych (strach/niepokój) dla badań nad psychopatologią, używaniem/nadużywaniem substancji i szeroko pojętą nauką afektywną.

Wykorzystanie zadania Prawdopodobieństwa Zagrożenia do oceny lęku i strachu podczas niepewnego i pewnego zagrożenia

Celem tego protokołu jest przeprowadzenie testu behawioralnego, takiego jak zadanie zmiany nastawienia uwagi (AST), aby ocenić elastyczność poznawczą za pośrednictwem kory przedczołowej u myszy.

Zadanie zmiany zestawu uwagi: miara elastyczności poznawczej u myszy

Emocjonalny efekt Stroopa (ESE) jest wynikiem dłuższych opóźnień w nadawaniu kolorów słowom emocjonalnym niż w przypadku słów neutralnych. Niniejszy raport odnosi się do potencjalnych źródeł zakłóceń i obejmuje eksperyment modalny, który zapewnia środki do ich kontroli.

Emocjonalne zadanie Stroopa: ocena sprawności poznawczej pod wpływem treści emocjonalnych

Poznaj metodę pomiaru obciążenia poznawczego w zadaniach współpracy człowieka z AI za pomocą elektrokardiografii. Protokół obejmuje rejestrację zmienności rytmu serca w różnych poziomach trudności zadań.

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

Przeglądaj więcej filmów