Artigo de método

Estimar a Carga Cognitiva Usando Medida Eletrocardiográfica: Uma Tarefa Colaborativa Humano-IA

DOI:

10.3791/69621

⸱

5 de dezembro de 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

Neste artigo

Resumo

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

Esse protocolo descreve o uso de indicadores fisiológicos para medir variações na carga cognitiva entre diferentes níveis de dificuldade em tarefas colaborativas entre humanos e IA. Os resultados sugerem que as pessoas adaptam seus processos de tomada de decisão de acordo com a dificuldade da tarefa, refletindo assim diferentes níveis de carga cognitiva.

Resumo

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

No ambiente de trabalho, a carga cognitiva dos indivíduos está intimamente ligada tanto ao desempenho quanto à segurança. À medida que a colaboração entre humanos e inteligência artificial (IA) se torna uma tendência crescente, a capacidade de capturar dinâmicas de carga cognitiva de forma objetiva e em tempo real durante processos colaborativos tornou-se cada vez mais crítica. Tradicionalmente, a carga cognitiva era avaliada por meio de questionários; no entanto, tais métodos retrospectivos são limitados em sua capacidade de capturar com precisão as flutuações momento a momento na carga cognitiva ao longo da execução da tarefa. Em contraste, os sinais fisiológicos permitem o monitoramento contínuo do estado em tempo real de um indivíduo, fornecendo assim uma medida mais objetiva da carga cognitiva. A dificuldade na tarefa pode influenciar as expectativas dos participantes, que posteriormente moldam seus comportamentos e, em última análise, afetam a carga cognitiva. Este estudo implementa uma tarefa colaborativa generalizável entre humano e IA que incorpora múltiplos níveis de dificuldade. A precisão média do sistema de IA foi divulgada aos participantes antes do início da tarefa. Em cada ensaio, os participantes tinham a opção de completar a tarefa por conta própria ou delegá-la à IA. O objetivo desse protocolo é usar dados eletrocardiográficos (ECG) como indicadores fisiológicos para examinar como a carga cognitiva dos indivíduos muda quando eles têm autoridade para distribuir tarefas e colaborar com IA sob diferentes níveis de dificuldade. Este estudo explora ainda mais a dinâmica do estado interno revelada por dados fisiológicos durante a colaboração entre humanos e IA. Os resultados fornecem uma base científica para melhorar os modelos de colaboração, aumentar a eficiência e aproveitar as forças complementares de humanos e IA para alcançar melhor integração de recursos em tarefas complexas.

Introdução

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

Carga cognitiva refere-se à quantidade total de atividade mental imposta ao sistema cognitivo de um indivíduo dentro de um determinado período de execução datarefa 1. A carga cognitiva elevada pode prejudicar o desempenho humano e é um dos principais fatores que contribuem para acidentes de trabalho2. Estados de alta carga cognitiva afetam a atividade cardíaca ao ativar o sistema nervoso simpático e inibir o sistema nervoso parassimpático, aumentando assim a frequência cardíaca (FC) e diminuindo a variabilidade da frequência cardíaca (VFC)3. Crenças de expectativa referem-se ao grau em que os indivíduos acreditam que podem completar com sucesso uma tarefa ou atividade específica4. A dificuldade na tarefa influencia as crenças de expectativa dos indivíduos, que por sua vez regulam seu engajamento comportamental e a alocação de recursos cognitivos, manifestando-se, em última análise, como diferentes níveis de carga cognitiva.

A eletrocardiografia (ECG) fornece um registro de alta resolução temporal da atividade elétrica do coração. Índices de HR e HRV derivados dos sinais de ECG capturam diferentes aspectos do ritmo cardíaco e servem como indicadores psicofisiológicos do estresse físico e mental doindivíduo 5. A FC reflete a frequência geral das contrações cardíacas e pode ser usada para avaliar o estado básico do sistema cardiovascular. A VFC representa a variação temporal entre batimentos cardíacos sucessivos e serve como indicador da regulação do sistema nervoso autônomo (SNA), refletindo o equilíbrio dinâmico entre a atividade simpática eparassimpática 6,7,8. O sistema nervoso simpático é ativado sob estresse, ameaça ou atividade de alta intensidade, frequentemente levando ao aumento da frequência cardíaca cardíaca e à diminuição da VFC. Por outro lado, o sistema nervoso parassimpático é ativado durante estados de relaxamento, sono ou baixa demanda energética, normalmente resultando em diminuição da frequência cardíaca e aumento da VFC.

Os métodos fisiológicos atuais para medir a carga cognitiva incluem atividade no ECG, atividade eletroencefalográfica (EEG), respiração, pressão arterial e índicesoculares 9. Comparados aos questionários retrospectivos tradicionais, as medições fisiológicas oferecem um meio melhor de capturar os estados em tempo real dos participantes, evitando assim o viés de recordação e os efeitos de atraso temporal inerentes às abordagens de autorrelato. Dispositivos portáteis de ECG permitem uma avaliação contínua e discreta do estado dos participantes enquanto estão ocupados em tarefascontínuas 10. Comparado a outras técnicas de medição fisiológica, o ECG portátil representa um método de baixo custo e não invasivo, permitindo que os participantes realizem tarefas de maneira mais natural e flexível dentro do ambiente11. A frequência cardíaca média tende a aumentar à medida que a dificuldade cognitiva das tarefas sobe12, e a VFC demonstrou ser altamente responsiva tanto a demandas mentais quantofísicas 13. Considerando que a tarefa atual deve exigir um esforço mental substancial e um nível modesto de carga física, e dadas as necessidades práticas de cenários de delegação de tarefas na colaboração humano-IA, RH e HRV são índices apropriados para medir a carga cognitiva.

O RH e a HRV têm sido amplamente aplicados ao estudo da carga cognitiva em múltiplos domínios, incluindo aviação14, direção15 e tomada de decisão econômica16, fornecendo ferramentas poderosas para a avaliação contínua e objetiva dos estados humanos. Com a crescente integração da IA no ambiente de trabalho, compreender as mudanças na carga cognitiva durante a colaboração entre humanos e IA tornou-se cada vez mais importante. Um estudo que investigou a tomada de decisão assistida por IA descobriu que, sob condições de alta carga cognitiva, os humanos apresentavam uma dependência irracional de sugestões geradas pela IA17. Em ambientes colaborativos, o papel da IA pode ir além de fornecer conselhos, permitindo que humanos e IA completem tarefas conjuntamente. O presente estudo foca em um novo modo de colaboração no qual os humanos têm autoridade de alocação de tarefas e podem escolher, para cada tarefa, se a completam sozinhos ou a delegam à IA. No entanto, neste contexto específico, onde os humanos têm autoridade para alocar tarefas, permanece incerto como a dificuldade da tarefa influencia o comportamento de tomada de decisão e, consequentemente, reflete diferentes níveis de carga cognitiva. Portanto, este estudo visa empregar dispositivos portáteis de ECG para medir a frequência cardíaca e a VFC com precisão, quantificando objetivamente as mudanças dinâmicas na carga cognitiva sob esse paradigma colaborativo.

A tarefa colaborativa humano-IA selecionada para este experimento é uma tarefa geral adaptada do paradigma proposto por Fügener et al.18. A vantagem de usar uma tarefa tão generalizável é que ela não exige que os participantes passem por treinamento especializado e pode ser facilmente transferida para tarefas mais específicas de cada domínio. No estudo descrito aqui, a tarefa experimental envolve a classificação de imagens, na qual os participantes são convidados a atribuir uma imagem-alvo a um dos vários grupos de categorias de imagens. Uma classificação é considerada correta se o grupo de categorias selecionado corresponder à verdadeira categoria da imagem alvo. As imagens alvo foram extraídas do banco de dados ImageNet, onde as categorias já foram validadas. Para cada opção de grupo de categoria, dez imagens de exemplo foram fornecidas aos participantes para reduzir a probabilidade de que eles não tivessem conhecimento de certascategorias 19. Empregamos o GoogLeNet Inception v3 como modelo de IA20, que foi treinado em 1.000 categorias potenciais de imagem e alcançou uma precisão média de classificação de 0,76.

Realizamos um experimento preliminar para determinar o nível de dificuldade das imagens-alvo. Neste experimento preliminar, os participantes foram obrigados a classificar todas as imagens por conta própria. O tamanho da amostra de 217 participantes no presente estudo foi determinado com referência à condição exclusivamente humana relatada por Fügener et al.18. Em uma tarefa colaborativa, geralmente é desejável atribuir cada tarefa à parte mais adequada para executá-la. Para operacionalizar a dificuldade da tarefa, comparamos a precisão de cada imagem com a precisão média da IA. Imagens com precisão humana inferior à média da IA foram definidas como aquelas mais adequadas para a conclusão da IA — ou seja, imagens relativamente difíceis para humanos. No experimento formal, selecionamos 32 imagens no total, incluindo 16 fáceis e 16 difíceis.

Uma análise de potência a priori foi realizada usando G*Power 3.1 para um teste de rank21 assinado por Wilcoxon. Assumimos um tamanho de efeito médio, um nível de α de duas caudas de 0,05 e uma potência desejada de 0,90. A análise indicou que era necessário um mínimo de 47 participantes. Recrutamos 60 estudantes do campus que não haviam participado anteriormente de tarefas experimentais semelhantes. Os critérios de inclusão foram os seguintes: todos os participantes eram destros, não haviam tomado nenhum medicamento recentemente, haviam abstido cafeína e álcool por 24 horas antes do experimento, não haviam realizado exercícios físicos vigorosos no dia anterior ao experimento, mantido sono adequado na noite anterior à sessão e não relataram doenças cardiovasculares ou respiratórias. A idade média dos participantes foi de 22,77 ± 1,25 anos. A configuração experimental é mostrada na Figura 1.

Antes do início do experimento, os participantes foram informados de que realizariam uma tarefa de classificação de imagens junto com uma IA. Eles foram informados sobre a precisão média da IA e instruídos a que, para cada imagem alvo, poderiam classificar eles mesmos ou delegar a classificação à IA. Se os participantes optassem por completar a tarefa por conta própria, respondiam pressionando uma das cinco teclas (A, B, C, D ou E) do teclado para selecionar uma resposta entre as cinco opções de imagem. Pressionar a tecla designada (P) indicava que a tarefa estava delegada à IA, embora os participantes não pudessem ver a resposta escolhida pela IA. Um marcador era escrito tanto no início quanto no deslocamento de cada estímulo para análise subsequente. Antes do início formal do experimento, os participantes completaram 4 testes práticos, seguidos por um período de descanso de 120 s. Em seguida, prosseguiram para o experimento formal de 32 ensaios. Um intervalo entre ensaios de 10 s foi fornecido entre cada ensaio. O procedimento experimental é ilustrado na Figura 2.

Figura 1
Figura 1: Configuração experimental. A figura mostra o equipamento utilizado no experimento e a colocação dos eletrodos de medição de ECG. (A) Esquema da colocação de eletrodos no ECG; (B) Configuração experimental. Por favor, clique aqui para ver uma versão ampliada desta figura.

Figura 2
Figura 2: Procedimento experimental. A sessão de prática consistiu em 4 testes, e o experimento formal incluiu 32 testes. O programa experimental foi desenvolvido usando E-Prime (veja Tabela de Materiais). Abreviação: ECG = Eletrocardiograma. Por favor, clique aqui para ver uma versão ampliada desta figura.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

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

Este estudo foi conduzido de acordo com os princípios da Declaração de Helsinque e aprovado pelo Conselho de Revisão Institucional da Universidade de Ciência e Tecnologia de Jiangsu. Foi obtido consentimento informado de todos os participantes, que concordaram com o uso e a publicação de seus dados. Nenhum procedimento sensível à temperatura ou perigoso está incluído neste protocolo.

1. Preparação

  1. Apresente o procedimento experimental aos participantes e obtenha consentimento informado por escrito após eles estarem totalmente informados sobre o estudo.
  2. Prepare o sistema de aquisição de dados do ECG e todos os materiais necessários, incluindo o transmissor, receptor, tiras de Velcro elásticas, conjunto de eletrodos, cabo de energia, cabo fita M/F, cabo ethernet, lenços alcoólicos e fita adesiva médica (veja Tabela de Materiais).
    1. Prepare um número adequado de eletrodos descartáveis de ECG pré-gelificados.
    2. Conecte o sistema de aquisição de dados ao módulo receptor de dados ECG. Depois, conecte o sistema em uma fonte de alimentação estável.
    3. Use o cabo fita M/F para estabelecer uma conexão entre o sistema de aquisição de dados e o computador usado para a apresentação do estímulo.
    4. Use um cabo Ethernet para conectar o computador de aquisição de dados ao sistema de hardware de aquisição de dados.

2. Configuração do instrumento

  1. Limpe a pele do participante usando lenços com álcool nos seguintes locais: abaixo da costela esquerda, abaixo da clavícula direita e no abdômen direito. Coloque um adesivo eletrodo descartável de ECG em cada local.
  2. Conecte os fios de condução.
    1. Conecte o conector do fio de derivação firmemente ao transmissor de ECG.
    2. Conecte o clipe metálico do fio vermelho (terminal positivo) ao eletrodo de ECG colocado abaixo da costela esquerda; conectar o clipe metálico do fio branco de chumbo (terminal negativo) ao eletrodo do ECG colocado abaixo da clavícula direita; e conecte o clipe metálico do fio preto (terminal de terra) ao eletrodo de ECG colocado no abdômen direito.
      NOTA: Certifique-se de que cada clipe esteja totalmente encaixado e não gire ou afrouxe após a fixação. Se um fio de chumbo for mais longo do que o necessário, segmente-o e prenda-o à pele com fita médica para minimizar artefatos causados pelo movimento do fio.
  3. Prenda o transmissor de ECG ao corpo do participante usando tiras de fecho elásticas tipo gancho e laço. Ajuste a tensão da cinta para manter o transmissor estável enquanto garante o conforto do participante.
    NOTA: Evite colocar tiras diretamente sobre os patches de eletrodos do ECG para evitar distorção do sinal ou deslocamento de eletrodos.

3. Aquisição de dados

  1. Ligue o interruptor do transmissor ECG e a energia do sistema de aquisição de dados ECG, e estabeleça uma conexão sem fio entre o transmissor ECG e o receptor ECG do sistema de aquisição de dados.
    NOTA: Uma conexão correta é indicada por luzes verdes tanto no transmissor de ECG quanto no receptor de ECG.
  2. Inicie o software de aquisição de dados de ECG (veja Tabela de Materiais), crie um novo arquivo de grafo, selecione o módulo receptor de ECG na lista de dispositivos e escolha o canal de gravação de ECG apropriado.
    NOTA: Ajuste o painel de seleção de canal no receptor ECG para garantir que o canal de hardware corresponda ao canal de software selecionado.
  3. Clique em Start na interface do software de aquisição de dados para iniciar a coleta de dados do ECG. Verifique se a forma de onda do ECG aparece estável na tela.
  4. Instrua o participante a iniciar a tarefa experimental.
    NOTA: Lembre os participantes de apoiarem confortavelmente as costas na cadeira e manterem uma postura estável durante as tarefas.
  5. Após a conclusão da tarefa, clique em Stop no software de aquisição de dados para encerrar a sessão de gravação.
  6. Desconecte os clipes do fio de chumbo dos remendos de eletrodos. Afrouxe as tiras elásticas do fecho em forma de gancho e remoção do transmissor de ECG do corpo do participante.
  7. Instrua e ajude o participante a remover cuidadosamente os adesivos descartáveis de eletrodos manualmente.

4. Processamento de dados

  1. Abra o arquivo de dados de ECG registrado no software de análise de dados (veja Tabela de Materiais).
  2. Selecione o canal ECG e aplique filtragem digital.
    1. Na barra de menu superior, navegue até Transformar > Filtros Digitais > Comb Band Stop.
    2. Na caixa de diálogo, selecione Fixo em Frequência Base. Digite 50 Hz e clique em OK para aplicar o filtro.
      NOTA: A frequência inserida deve corresponder à frequência da linha de energia do país onde os dados são coletados.
    3. Clique em Transformar no menu superior. Selecione filtros digitais > FIR > Passe de Banda. Em Corte de Frequência, selecione Fixo em e insira 1 Hz. Sob o corte de alta frequência, escolha Fixo em e insira 35 Hz.
  3. Crie Áreas de Foco de acordo com o desenho experimental.

5. Análise de dados

  1. Gerar e exportar dados de RH. Na barra de menu, selecione Análise > Hemodinâmica > Extração de Intervalos de ECG. No painel Analisar , escolha Áreas de Foco Somente e, no painel Exibir resultados, selecione Planilha Apenas Excel. Clique em OK para confirmar.
    NOTA: A detecção de picos R foi realizada usando o algoritmo de detecção QRS embutido em software de análise de dados (AcqKnowledge 5).
  2. Gerar dados de HRV e exportar resultados tanto no domínio do tempo quanto no domínio da frequência.
    1. Análise Aberta, selecione HRV e RSA > HRV Multi-época - Estatística. No campo Canal ECG, selecione o canal ECG pré-processado. Em Extrair estatísticas de HRV para, selecione Áreas de Foco. Em resultados de saída, selecione Planilha. Por fim, clique em OK para gerar e exportar os resultados do HRV no domínio do tempo.
    2. Abra a análise novamente, selecione HRV e RSA > HRV Multi-época e RSA - Espectral. No campo Canal ECG , selecione o canal ECG pré-processado. Em Extrair HRV e RSA para, selecione Áreas de Foco. No tipo de Saída, selecione Apenas Planilha do Excel. Por fim, clique em OK para gerar e exportar os resultados do domínio da frequência.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

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

Nas medições fisiológicas, focamos nos índices de FC e VFC tanto no domínio do tempo quanto da frequência. Para o domínio do tempo, selecionamos a Raiz Quadrática Média das Diferenças Sucessivas (RMSSD), que é considerada uma medidarobusta 22,23,24. Para o domínio da frequência, embora a razão Baixa Frequência/Alta Frequência (LF/HF) seja frequentemente interpretada como refletindo o equilíbrio entre atividade simpática e parass...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

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

Neste estudo, a qualidade da aquisição do sinal do ECG foi fundamental para análises subsequentes. Durante o procedimento experimental, a colocação correta dos eletrodos e a conexão correta com os cabos eram pré-requisitos essenciais para o registro preciso do sinal. Todos os eletrodos foram posicionados nas posições designadas e garantiram bom contato com a pele para minimizar a impedância. Além disso, para reduzir a influência de fatores externos nos sinais fisiológicos, os participant...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

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

Os autores não têm nada a revelar.

Agradecimentos

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

Este estudo foi apoiado pelo Programa de Pesquisa e Inovação Prática de Pós-Graduação da Província de Jiangsu (KYCX25_4311), Fundação Nacional de Ciências Naturais da China (72374088, 72471105, 72472094, 72001096), Projeto Chave de Planejamento de Pesquisa em Ciência do Ensino Superior da Associação Chinesa de Ensino Superior 2024 (24XX0205, Mecanismos de Estratégias de Colaboração Humano-IA para Aprimorar Resultados de Aprendizagem), Projeto-Chave de Planejamento da Ciência da Educação na Província de Jiangsu (B-b/2024/01/162, Construção de Modelos e Pesquisa Empírica sobre Aprendizagem Multimodal sob a Perspectiva da Neurociência Educacional) e o Fundo de Humanidades e Ciências Sociais do Ministério da Educação da China (24YJCZH445).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
Lenços alcoólicos--Isso é usado para limpar e desinfetar a pele.
Acqknowledge 5.0BIOPACEste é um software para aquisição e análise de dados de sinais.
Computador desktopDellOptiPlexEssa área de trabalho é usada para rodar o software de aquisição e análise de ECG.
Dispositivo de aquisição de dados ECGBIOPACMP160Este dispositivo é usado para registrar dados de ECG.
Eletrodos de ECGShenfengSérie SEste é um acessório usado para coletar sinais de ECG.
Conjunto de eletrodos de eletrodosBIOPACBN-EL45-LÍDER3Isso é usado para registro de dados junto com o transmissor.
Cabo EthernetBIOPAC-Isso é usado para conectar o sistema MP160 ao software de aquisição e análise de dados.
Software experimentalFERRAMENTAS DE SOFTWARE DE PSICOLOGIAE-prime3.0 Build 3.0.3.31Esse é o software usado para criar o programa experimental.
LaptopDellE5470Este laptop é usado para rodar o programa experimental e apresentar os estímulos.
Cabo Fita M/FBIOPACCBL110CIsso é usado para transmitir sinais específicos.
Fita médica--Isso é usado para fixar fios longos.
Cabo de energiaBIOPAC-Isso é usado para alimentar o dispositivo.
ReceptorBIOPACBN-RSPEC-REste é um receptor de ECG.
Tiras de Velcro elásticasBIOPACBN-STRAP-137 Isso é usado para ajudar a fixar o transmissor de ECG.
TransmissorBIOPACBN-RSPEC-TEste é um transmissor de ECG sem fio.

Referências

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

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

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

Artigos relacionados