Методическая статья

Оценка когнитивной нагрузки с помощью электрокардиографического измерения: совместная задача человека и ИИ

DOI:

10.3791/69621

⸱

5 декабря 2025 г.

 ,  ,  ,  ,  ,  ,  , 
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

В этой статье

Краткое содержание

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

Этот протокол описывает использование физиологических индикаторов для измерения вариаций когнитивной нагрузки на разных уровнях сложности задач в совместных задачах человека и ИИ. Результаты показывают, что люди адаптируют процессы принятия решений в зависимости от сложности задачи, тем самым отражая разные уровни когнитивной нагрузки.

Аннотация

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

На рабочем месте когнитивная нагрузка человека тесно связана как с эффективностью, так и с безопасностью. По мере того как сотрудничество между людьми и искусственным интеллектом (ИИ) становится всё более актуальным, способность фиксировать динамику когнитивной нагрузки в реальном времени и объективно во время совместных процессов становится всё более важной. Традиционно когнитивная нагрузка оценивалась с помощью анкет; Однако такие ретроспективные методы ограничены в своей возможности точно фиксировать моментальные колебания когнитивной нагрузки на протяжении всей задачи. В отличие от этого, физиологические сигналы позволяют непрерывно отслеживать состояние человека в реальном времени, тем самым обеспечивая более объективную оценку когнитивной нагрузки. Сложность задачи может влиять на ожидания участников, что впоследствии формирует их поведение и в конечном итоге влияет на когнитивную нагрузку. В данном исследовании реализуется обобщаемая совместная задача человека и ИИ, включающая несколько уровней сложности. Средняя точность системы ИИ была раскрыта участникам до начала задания. В каждом испытании участникам предлагался выбор: выполнить задание самостоятельно или делегировать её ИИ. Цель этого протокола — использовать данные электрокардиографии (ЭКГ) в качестве физиологических индикаторов для изучения того, как меняется когнитивная нагрузка у человека, когда у них есть полномочия распределять задачи и сотрудничать с ИИ на разных уровнях сложности. Это исследование дополнительно исследует внутреннюю динамику состояния, выявленную физиологическими данными в ходе сотрудничества человека и ИИ. Результаты дают научную основу для улучшения моделей сотрудничества, повышения эффективности и использования взаимодополняющих сильных сторон человека и ИИ для достижения лучшей интеграции ресурсов в сложных задачах.

Введение

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

Когнитивная нагрузка — это общее количество умственной активности, возлагаемой на когнитивную систему индивида в течение определённого периода выполнения задачи1. Повышенная когнитивная нагрузка может влиять на работу человека и является одним из основных факторов производственных несчастныхслучаев 2. Состояния высокой когнитивной нагрузки влияют на сердечную активность, активируя симпатическую нервную систему и подавляя парасимпатическую нервную систему, тем самым увеличивая частоту сердечных сокращений (HR) и снижая вариабельность сердечного ритма (HRV). Убеждения в ожидании относятся к степени, в которой люди верят, что могут успешно выполнить конкретную задачуили деятельность 4. Сложность выполнения задач влияет на убеждения человека о ожиданиях, которые, в свою очередь, регулируют их поведенческую вовлечённость и распределение когнитивных ресурсов, в конечном итоге проявляясь в виде разных уровней когнитивной нагрузки.

Электрокардиография (ЭКГ) обеспечивает запись электрической активности сердца с высоким временным разрешением. Индексы пульса и ВСР, полученные из сигналов ЭКГ, отражают различные аспекты сердечного ритма и служат психофизиологическими индикаторами физического и психического стресса человека5. ЧС отражает общую частоту сердечных сокращений и может использоваться для оценки базового состояния сердечно-сосудистой системы. HRV представляет временную вариацию между последовательными сердцебиениями и служит индикатором регуляции вегетативной нервной системы (АНС), отражая динамический баланс между симпатической и парасимпатическойактивностью 6,7,8. Симпатическая нервная система активируется под стрессом, угрозой или высокой интенсивностью, что часто приводит к увеличению пульса и снижению HRV. Напротив, парасимпатическая нервная система активируется во время расслабления, сна или состояний низкой потребности в энергии, что обычно приводит к снижению пульса и увеличению ВСР.

Современные физиологические методы измерения когнитивной нагрузки включают активность ЭКГ, электроэнцефалографическую (ЭЭГ), дыхание, артериальное давление и глазныеиндексы 9. По сравнению с традиционными ретроспективными анкетами, физиологические измерения обеспечивают лучший способ фиксировать состояния участников в реальном времени, тем самым избегая смещения воспоминания и эффектов временной задержки, присущих подходам к самоотчёту. Портативные ЭКГ-устройства позволяют непрерывно и незаметно оценивать состояние участников во время выполнения текущих задач10. По сравнению с другими физиологическими методами измерения, портативная ЭКГ представляет собой недорогой, неинвазивный метод, позволяющий участникам выполнять задачи более естественно и гибко в своейсреде 11. Средний пульс, как правило, растёт по мере повышения сложности когнитивных задачна 12, и ВСР показала высокую реакцию как на умственные, так и к физическимтребованиям 13. Учитывая, что текущая задача, как ожидается, требует значительных умственных усилий и умеренного уровня физической нагрузки, а также учитывая практические потребности сценариев делегирования задач в сотрудничестве человека и ИИ, HR и HRV являются подходящими показателями для измерения когнитивной нагрузки.

HR и HRV широко применяются для изучения когнитивной нагрузки в различных областях, включаяавиацию 14, вождение15 и экономическое принятиерешений 16, предоставляя мощные инструменты для непрерывной и объективной оценки человеческих состояний. С ростом интеграции ИИ на рабочем месте понимание изменений в когнитивной нагрузке при сотрудничестве человека и ИИ становится всё более важным. Одно исследование, изучающее принятие решений с помощью ИИ, показало, что при условиях высокой когнитивной нагрузки люди проявили иррациональную зависимость от предложений, созданныхИИ 17. В совместной работе роль ИИ может выходить за рамки предоставления консультативных советов, позволяя людям и ИИ совместно выполнять задачи. Настоящее исследование сосредоточено на новом режиме сотрудничества, при котором люди обладают полномочиями распределять задачи и могут выбирать, выполнять ли задачи самостоятельно или делегировать её ИИ. Однако в данном конкретном контексте, где у человека есть полномочия распределять задачи, остаётся неясным, как сложность задачи влияет на поведение при принятии решений и, следовательно, отражает разные уровни когнитивной нагрузки. Поэтому данное исследование направлено на использование портативных ЭКГ-устройств для точного измерения пульса и ВРС, объективно количественно оценивая динамические изменения когнитивной нагрузки в рамках этой совместной парадигмы.

Совместная задача человека и ИИ, выбранная для этого эксперимента, является общей задачей, адаптированной из парадигмы, предложенной Фюгенером и др. 18. Преимущество использования такой обобщённой задачи в том, что она не требует от участников специализированного обучения и может быть легко переведена к более специфическим задачам. В исследовании, описанном здесь, экспериментальная задача включает классификацию изображений, в которой участникам предлагается назначить целевое изображение одной из нескольких групп категорий изображений. Классификация считается корректной, если выбранная группа категорий соответствует истинной категории целевого изображения. Целевые изображения были взяты из базы данных ImageNet, где категории уже были проверены. Для каждой категории группы участникам предоставлялось десять примеров изображений, чтобы снизить вероятность того, что они могут не знать о определённыхкатегориях 19. Мы использовали GoogLeNet Inception v3 в качестве AI-модели20, которая была обучена на 1000 потенциальных категориях изображений и достигла средней точности классификации 0,76.

Мы провели предварительный эксперимент, чтобы определить уровень сложности целевых изображений. В этом предварительном эксперименте участникам предстояло самостоятельно классифицировать все изображения. Размер выборки из 217 участников в данном исследовании был определен с учётом состояния только человека, описанного Фюгенером и др. 18. В совместной работе обычно желательно поручить каждую задачу той стороне, которая лучше всего подходит для её выполнения. Для операционализации сложности задачи мы сравнили точность каждого изображения со средней точностью ИИ. Изображения с человеческой точностью ниже средней точности ИИ определялись как более подходящие для завершения ИИ — то есть изображения, которые относительно сложны для человека. В формальном эксперименте мы выбрали всего 32 изображения, включая 16 лёгких и 16 сложных изображений.

Априорный анализ мощности был проведён с использованием G*Power 3.1 для теста Wilcoxon с знаковымрангом 21. Мы предполагали средний размер эффекта, двуххвостый α 0,05 и желаемую мощность 0,90. Анализ показал, что требуется минимум 47 участников. Мы набрали 60 студентов с кампуса, которые ранее не участвовали в подобных экспериментальных заданиях. Критерии включения были следующими: все участники были правшей, недавно не принимали никаких лекарств, воздерживались от кофеина и алкоголя в течение 24 часов до эксперимента, не занимались интенсивными физическими упражнениями за день до эксперимента, сохраняли достаточный сон накануне сессии и не сообщали о сердечно-сосудистых или респираторных заболеваниях. Средний возраст участников составлял 22,77 ± 1,25 года. Экспериментальная установка показана на рисунке 1.

Перед началом эксперимента участникам сообщили, что они будут выполнять задание по классификации изображений вместе с ИИ. Им сообщили о средней точности ИИ и сказали, что для каждого целевого изображения они могут либо классифицировать его самостоятельно, либо делегировать классификацию ИИ. Если участники решали выполнить задание самостоятельно, они отвечали, нажимая одну из пяти клавиш (A, B, C, D или E) на клавиатуре, чтобы выбрать ответ из пяти вариантов изображения. Нажатие назначенной клавиши (P) означало, что задание делегировано ИИ, хотя участники не могли увидеть выбранный ИИ ответ. Маркер записывался как в начале, так и на смещении каждого стимула для последующего анализа. Перед началом формального эксперимента участники прошли 4 тренировочных испытания, за которыми следовал период отдыха 120 секунд. Затем они перешли к формальному эксперименту из 32 испытаний. Между каждым испытанием был предусмотрен межсудебный интервал в 10 секунд. Экспериментальная процедура показана на рисунке 2.

Рисунок 1
Рисунок 1: Экспериментальная установка. На рисунке показано оборудование, использованное в эксперименте, и расположение электродов измерения ЭКГ. (A) схема размещения электродов ЭКГ; (B) Экспериментальная установка. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 2
Рисунок 2: Экспериментальная процедура. Тренировочная сессия состояла из 4 испытаний, а формальный эксперимент включал 32 испытания. Экспериментальная программа была разработана с использованием E-Prime (см. таблицу материалов). Сокращение: ЭКГ = электрокардиограмма. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

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

Это исследование было проведено в соответствии с принципами Хельсинкской декларации и одобрено Институциональным обзорным советом Университета науки и технологий Цзянсу. Было получено информированное согласие от всех участников, которые согласились на использование и публикацию своих данных. В этот протокол не предусмотрены температурочувствительные или опасные процедуры.

1. Подготовка

  1. Познакомьте участников с экспериментальной процедурой и получите письменное информированное согласие после того, как они полностью ознакомлены с исследованием.
  2. Подготовьте систему сбора данных ЭКГ и все необходимые материалы, включая передатчик, приёмник, эластичные ремни Velcro, сетку электродов, кабель питания, ленточный кабель M/F, Ethernet-кабель, спиртовые салфетки и медицинскую ленту (см. Таблицу материалов).
    1. Подготовьте достаточное количество одноразовых ЭКГ-электродов с предварительной гелем.
    2. Подключите систему сбора данных к модулю приёмника данных ЭКГ. Затем подключите систему к стабильному источнику питания.
    3. Используйте M/F Ribbon Cable для установления соединения между системой сбора данных и компьютером, используемым для презентации стимулов.
    4. Используйте Ethernet-кабель для подключения компьютера сбора данных к аппаратной системе сбора данных.

2. Настройка приборов

  1. Очищайте кожу участника спиртовыми салфетками в следующих местах: ниже левого ребра, под правой ключицей и на правом животе. Прикрепите одноразовый электродный пластырь для ЭКГ на каждом месте.
  2. Подключите провода.
    1. Надёжно подключите разъём провода к передатчику ЭКГ.
    2. Подключите металлический клипс красного провода (положительный провод) к электроду ЭКГ, расположенному ниже левого ребра; подключить металлический клипс белого провода (отрицательный провод) к электроду ЭКГ, расположенному под правой ключицей; и подключить металлический клипс черного провода (заземляющий провод) к электроду ЭКГ, установленному на правом брюшке.
      ПРИМЕЧАНИЕ: Убедитесь, что каждый клипс полностью закреплён и не вращается или ослабляет после крепления. Если провод длиннее необходимого, сегментируйте и закрепляйте его медицинской лентой, чтобы минимизировать артефакты, вызванные движением провода.
  3. Закрепите передатчик ЭКГ на теле участника с помощью эластичных ремешков с крючком и петлей. Отрегулируйте натяжение ремня, чтобы передатчик оставался стабильным и при этом обеспечивая комфорт участника.
    ПРИМЕЧАНИЕ: Избегайте размещения ремешков непосредственно над электродными пластырями ЭКГ, чтобы предотвратить искажение сигнала или смещение электрода.

3. Сбор данных

  1. Включите переключатель передатчика ЭКГ и питание системы сбора данных ЭКГ и установите беспроводное соединение между передатчиком ЭКГ и приёмником системы сбора данных.
    ПРИМЕЧАНИЕ: Правильное соединение обозначается зелёными индикаторами как на передатчике ЭКГ, так и на приёмнике ЭКГ.
  2. Запустите программное обеспечение для сбора данных ЭКГ (см. таблицу материалов), создайте новый графический файл, выберите модуль приёмника ЭКГ из списка устройств и соответствующий канал записи ЭКГ.
    ПРИМЕЧАНИЕ: Отрегулируйте панель выбора канала на приёмнике ЭКГ, чтобы аппаратный канал совпадал с выбранным программным каналом.
  3. Нажмите Start в программном интерфейсе сбора данных, чтобы начать сбор данных ЭКГ. Проверьте, что форма волны ЭКГ выглядит стабильно на экране.
  4. Поручите участнику приступить к экспериментальной задаче.
    ПРИМЕЧАНИЕ: Напомните участникам удобно опираться спиной на стул и сохранять устойчивую осанку на протяжении всего задания.
  5. После выполнения задачи нажмите «Стоп » в программном обеспечении для сбора данных, чтобы завершить сессию записи.
  6. Отсоедините зажимы провода от электродных завязок. Ослабьте эластичные ремни крепления с крючком и петлей и уберите ЭКГ-передатчик с тела участника.
  7. Обучайте и помогайте участнику аккуратно вручную снимать одноразовые электродные пластыри.

4. Обработка данных

  1. Откройте записанный файл данных ЭКГ в программном обеспечении для анализа данных (см. таблицу материалов).
  2. Выберите канал ЭКГ и примените цифровую фильтрацию.
    1. В верхней строке меню перейдите к Transform > Digital Filters > Comb Band Stop.
    2. В диалоговом окне выберите «Фиксировано» в разделе «Базовая частота». Введите 50 Гц и нажмите OK , чтобы применить фильтр.
      ПРИМЕЧАНИЕ: Введённая частота должна соответствовать частоте линии электропередачи страны, где собираются данные.
    3. Нажмите «Преобразовать» в верхнем меню. Выберите цифровые фильтры > FIR > Band Pass. В разделе «Отсечение частоты» выберите «Фиксировано» и введите 1 Гц. В разделе High Frequency выберите Fixed at и введите 35 Гц.
  3. Создавайте области фокуса в соответствии с экспериментальным дизайном.

5. Анализ данных

  1. Генерируйте и экспортируйте HR-данные. В строке меню выберите Анализ > гемодинамики > экстракция интервалов ЭКГ. В панели «Анализ » выберите «Только области фокуса», а в «Отображение результатов» — « Только для таблицы Excel». Нажмите ОК , чтобы подтвердить.
    ПРИМЕЧАНИЕ: Обнаружение R-пика осуществлялось с использованием встроенного алгоритма обнаружения QRS в программном обеспечении для анализа данных (AcqKnowledge 5).
  2. Генерируйте данные HRV и экспортируйте результаты как во временной, так и в частотной областях.
    1. Открытый анализ, выберите HRV и RSA > Multi-epoch HRV - Statistical. В поле канала ЭКГ выберите предварительно обработанный канал ЭКГ. В разделе «Извлечение статистики HRV» выберите Основные области. В разделе «Результаты вывода» выберите «Таблица». Наконец, нажмите OK, чтобы сгенерировать и экспортировать результаты HRV во временной области.
    2. Откройте анализ снова, выберите HRV и RSA > Multi-epoch HRV и RSA - Spectral. В поле канала ЭКГ выберите предварительно обработанный канал ЭКГ. В разделе «Извлечение HRV» и «RSA» выберите Основные области. В типе вывода выберите только таблицу Excel. Наконец, нажмите OK , чтобы сгенерировать и экспортировать результаты частотной области HRV.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

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

В физиологических измерениях мы сосредотачивались на индексах пульса и HRV как в временной, так и на частотной областях. Для временной области мы выбрали среднеквадратичный квадрат последовательных различий (RMSSD), который считается надёжноймерой 22,23,24. В частотной области, хотя отношение низкочастотных/высоких частот (LF/HF) часто интерпретируется как отражение баланса между симпатической и парасимпатической активностью, эт...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

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

В этом исследовании качество получения сигнала ЭКГ было критически важным для последующих анализов. Во время экспериментальной процедуры правильное расположение электродов и правильное соединение с проводами были необходимыми условиями для точной записи сигнала. Все электроды были размещены в заданных местах, обеспечивая хороший контакт кожи для минимизации импеданса. Кроме того, чтобы уменьшить влияние внешних факторов на физиологические сигналы, участникам было рекомендовано воздержива...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

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

Авторам нечего раскрывать.

Благодарности

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

Это исследование было поддержано Программой инноваций в аспирантуре и практике провинции Цзянсу (KYCX25_4311), Национальным фондом естественных наук Китая (72374088, 72471105, 72472094, 72001096), ключевым проектом 2024 года по планированию научных исследований в области высшего образования Китайской ассоциации высшего образования (24XX0205, Механизмы стратегий сотрудничества человека и ИИ для повышения учебных результатов), ключевым проектом 2024 года по планированию образовательных наук в провинции Цзянсу (B-b/2024/01/162, Создание моделей и эмпирические исследования мультимодального обучения с точки зрения образовательной нейронауки) и Фонд гуманитарных и социальных наук Министерства образования Китая (24YJCZH445).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Спиртовые салфетки--Он используется для очистки и дезинфекции кожи.
Acqrecognize 5.0BIOPACЭто программное обеспечение для сбора и анализа данных сигналов.
Настольный компьютерDellOptiPlexЭтот рабочий стол используется для запуска программного обеспечения для получения и анализа ЭКГ.
Устройство для сбора данных ЭКГBIOPACMP160Это устройство используется для записи данных ЭКГ.
ЭКГ-электродыШэньфэнСерия SЭто аксессуар, используемый для сбора сигналов ЭКГ.
Электродный набор выводовBIOPACBN-EL45-LEAD3Он используется для логирования данных вместе с передатчиком.
Ethernet-кабельBIOPAC-Он используется для соединения системы MP160 и программного обеспечения для сбора и анализа данных.
Экспериментальное программное обеспечениеПРОГРАММНЫЕ ИНСТРУМЕНТЫ ДЛЯ ПСИХОЛОГИИE-prime3.0 Build 3.0.3.31Это программное обеспечение, используемое для создания экспериментальной программы.
НоутбукDellE5470Этот ноутбук используется для запуска экспериментальной программы и представления стимулов.
Ленточный кабель M/FBIOPACCBL110CОн используется для передачи определённых сигналов.
Медицинская лента--Это используется для закрепления длинных проводов.
Силовой кабельBIOPAC-Он используется для питания устройства.
ПриемникBIOPACBN-RSPEC-RЭто приёмник для ЭКГ.
Эластичные ремни VelcroBIOPACBN-STRAP-137 Это используется для помощи в ремонте ЭКГ-передатчика.
ПередатчикBIOPACBN-RSPEC-TЭто беспроводной передатчик ЭКГ.

Ссылки

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

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

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

Похожие статьи