Yöntem makalesi

Bilişsel Yükü Elektrokardiyografik Ölçüm Kullanarak Tahmin Edin: İnsan-Yapay Zeka İşbirliği Görevi

DOI:

10.3791/69621

⸱

5 Aralık 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

Bu makalede

Özet

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

Bu protokol, insan-yapay zeka işbirliğine dayalı görevlerde farklı görev zorluk seviyelerinde bilişsel yük değişimlerini ölçmek için fizyolojik göstergelerin kullanımını açıklar. Bulgular, insanların karar alma süreçlerini görev zorluğuna göre uyarladığını ve böylece farklı bilişsel yük seviyelerini yansıttığını gösteriyor.

Özet

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

İş ortamında, bireylerin bilişsel yükü hem performans hem de güvenlikle yakından bağlantılıdır. İnsanlar ile yapay zeka (YZE) arasındaki iş birliği giderek artan bir trend haline geldikçe, işbirlikçi süreçler sırasında bilişsel yük dinamiklerini gerçek zamanlı ve objektif bir şekilde yakalama yeteneği giderek kritik hale geldi. Geleneksel olarak, bilişsel yük anketler aracılığıyla değerlendirilmiştir; Ancak, bu tür geriye dönük yöntemler, görev yürütme sürecinde bilişsel yükteki anlık dalgalanmaları doğru şekilde yakalama kapasitesi açısından sınırlıdır. Buna karşılık, fizyolojik sinyaller bireyin gerçek zamanlı durumunun sürekli izlenmesine olanak tanır ve böylece bilişsel yükün daha objektif bir ölçümü sağlar. Görev zorluğu, katılımcıların beklentilerini etkileyebilir, bu da davranışlarını şekillendirir ve nihayetinde bilişsel yükü etkiler. Bu çalışma, birden fazla zorluk seviyesini içeren genelleştirilebilir bir insan-yapay zeka iş birliği görevini uygulamaktadır. Yapay zeka sisteminin ortalama doğruluğu, görev başlamadan önce katılımcılara açıklandı. Her denemede katılımcılara görevi kendileri tamamlama veya yapay zekaya devretme seçeneği sunuldu. Bu protokolün amacı, elektrokardiyografik (EKG) verilerini fizyolojik gösterge olarak kullanarak, bireylerin farklı zorluk seviyelerinde görev tahsis etme ve yapay zeka ile iş birliği yapma yetkisine sahip olduklarında bilişsel yükün nasıl değiştiğini incelemektir. Bu çalışma, insan-yapay zeka iş birliği sırasında fizyolojik verilerin ortaya çıkardığı iç durum dinamiklerini daha da inceliyor. Bulgular, iş birliği modellerinin geliştirilmesi, verimliliğin artırılması ve insan ile yapay zekanın tamamlayıcı güçlü yönlerinden yararlanarak karmaşık görevlerde daha iyi kaynak entegrasyonu sağlamak için bilimsel bir temel sağlıyor.

Giriş

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

Bilişsel yük, bir görev yerine getirildiği belirli bir süre içinde bir bireyin bilişsel sistemine uygulanan toplam zihinsel aktivitemiktarını ifade eder 1. Artan bilişsel yük insan performansını olumsuz etkileyebilir ve iş yeri kazalarına büyük katkısağlar 2. Yüksek bilişsel yük durumları, sempatik sinir sistemini aktive ederek ve parasempatik sinir sistemini engelleyerek kalp aktivitesini etkiler; böylece kalp atış hızını (HR) artırır ve kalp atış hızı değişkenliğini (HRV) azaltır. Beklenti inançları, bireylerin belirli bir görevi veya faaliyeti başarıyla tamamlayabileceklerine inandıkları dereceyiifade eder 4. Görev zorluğu, bireylerin beklenti inançlarını etkiler; bu da davranışsal etkileşimlerini ve bilişsel kaynakların tahsisini düzenler; nihayetinde farklı bilişsel yük seviyeleri olarak ortaya çıkar.

Elektrokardiyografi (EKG), kalbin elektriksel aktivitesinin yüksek temporal çözünürlüklü bir kaydını sağlar. EKG sinyallerinden türetilen HR ve HRV indeksleri, kalp ritminin farklı yönlerini yakalar ve bireyin fiziksel ve zihinsel stresinin psikofizyolojik göstergeleriolarak hizmet eder 5. HR, kalp kasılmalarının genel sıklığını yansıtır ve kardiyovasküler sistemin temel durumunu değerlendirmek için kullanılabilir. HRV, ardışık kalp atışları arasındaki zamansal değişimi temsil eder ve otonom sinir sistemi (ANS) düzenlemesinin bir göstergesi olarak hizmet eder; sempatik ve parasempatik aktivite arasındaki dinamik dengeyi yansıtır 6,7,8. Sempatik sinir sistemi stres, tehdit veya yüksek yoğunluklu aktivite sırasında aktive olur ve genellikle kalp atışı artışına ve HRV'nin düşmesine yol açar. Buna karşılık, parasempatik sinir sistemi gevşeme, uyku veya düşük enerji talebi durumunda aktive olur ve genellikle kalp atış hızının azalmasına ve HRV'nin artmasına yol açar.

Bilişsel yükü ölçmek için mevcut fizyolojik yöntemler arasında EKG aktivitesi, elektroensefalografik (EEG) aktivite, solunum, kan basıncı ve gözindeksleri yer alır 9. Geleneksel geriye dönük anketlere kıyasla, fizyolojik ölçümler katılımcıların gerçek zamanlı durumlarını yakalamak için daha iyi bir yöntem sunar; böylece hatırlama yanlılığı ve kendi raporlama yaklaşımlarında bulunan zamansal gecikme etkilerini önler. Taşınabilir EKG cihazları, katılımcıların devam eden görevlerle meşgul oldukları sürede durumlarının sürekli ve göze çarpılmadan değerlendirilmesinisağlar 10. Diğer fizyolojik ölçüm teknikleriyle karşılaştırıldığında, taşınabilir EKG, katılımcıların görevleri çevrelerinde daha doğal ve esnek bir şekilde yerine getirebilmelerini sağlayan düşük maliyetli, invaziv olmayan biryöntemdir 11. Bilişsel görev zorluğu arttıkça ortalama kalp itibiartma eğilimindedir ve HRV'nin hem zihinsel hem de fiziksel taleplere yüksek tepki verdiğigösterilmiştir 13. Mevcut görevin önemli zihinsel çaba ve ılımsız bir fiziksel yük gerektirmesi beklendiği ve insan-yapay zeka iş birliğindeki görev devre senaryolarının pratik ihtiyaçları göz önüne alındığında, İK ve HRV bilişsel yükü ölçmek için uygun endekslerdir.

İK ve HRV, havacılık14, sürüş15 ve ekonomik kararalma 16 dahil olmak üzere birçok alanda bilişsel yükün incelenmesinde yaygın olarak uygulanmış ve insan durumlarının sürekli ve nesnel değerlendirilmesi için güçlü araçlar sağlamıştır. Yapay zekanın iş yerlerine giderek daha fazla entegrasyonu ile birlikte, insan-yapay zeka iş birliği sırasında bilişsel yükteki değişiklikleri anlamak giderek daha önemli hale geldi. Yapay zeka destekli karar alma süreçlerini inceleyen bir çalışma, yüksek bilişsel yük koşullarında insanların yapay zeka tarafından oluşturulan önerilere mantıksız bir bağımlılık gösterdiğiniortaya koymuştur 17. İşbirlikçi ortamlarda, yapay zekanın rolü danışmanlık girdisi vermekten öteye geçebilir; bu da insanların ve yapay zekanın görevleri birlikte tamamlamasını sağlar. Bu çalışma, insanların görev tahsisi yetkisine sahip olduğu ve her görev için bunu kendilerinin tamamlayıp tamamlamayacağını ya da yapay zekaya devredebileceği yeni bir iş birliği moduna odaklanmaktadır. Ancak, insanların görev tahsisi yetkisine sahip olduğu bu özel bağlamda, görev zorluğunun karar alma davranışını nasıl etkilediği ve dolayısıyla farklı bilişsel yük seviyelerini nasıl yansıttığı net değildir. Bu nedenle, bu çalışma, HR ve HRV'yi hassas bir şekilde ölçmek için taşınabilir EKG cihazları kullanmayı ve böylece bu işbirlikçi paradigma altında bilişsel yükteki dinamik değişiklikleri objektif olarak niceltmeyi amaçlamaktadır.

Bu deney için seçilen insan-yapay zeka işbirliğine dayalı görev, Fügener ve ark.18 tarafından önerilen paradigmadan uyarlanmış genel bir görevdir. Böyle genelleştirilebilir bir görevin avantajı, katılımcıların özel eğitim almasını gerektirmemesi ve daha alana özgü görevlere kolayca aktarılabilmesidir. Burada anlatılan çalışmada, deneysel görev görüntü sınıflandırmasını içerir; katılımcılardan hedef bir görüntüyü birkaç görüntü kategorisi grubundan birine atamaları istenir. Seçilen kategori grubu hedef görselin gerçek kategorisiyle eşleşiyorsa sınıflandırma doğru kabul edilir. Hedef görseller, kategorilerin zaten doğrulandığı ImageNet veritabanından seçildi. Her kategori grubu seçeneği için, katılımcılara belirli kategorilerden habersiz olma olasılıklarını azaltmak amacıyla on örnek görselsunuldu 19. GoogLeNet Inception v3'ü AImodel 20 olarak kullandık; bu model 1.000 potansiyel görüntü kategorisi üzerinde eğitilmişti ve ortalama 0.76 sınıflandırma doğruluğu elde etti.

Hedef görüntülerin zorluk seviyesini belirlemek için ön bir deney yaptık. Bu ön deneyde, katılımcıların tüm görüntüleri kendi başlarına sınıflandırmaları istendi. Mevcut çalışmadaki 217 katılımcının örneklem büyüklüğü, Fügener ve ark.18 tarafından bildirilen sadece insan kaynaklı duruma referans olarak belirlenmiştir. İşbirlikçi bir görevde, her görevin onu yerine getirmeye en uygun tarafa atanması genellikle arzu edilir. Görev zorluğunu operasyonel hale getirmek için, her görüntünün doğruluğunu yapay zekanın ortalama doğruluğuyla karşılaştırdık. İnsan doğruluğuna sahip görüntüler, yapay zekanın ortalama doğruluğundan daha düşük olan görüntüler, yapay zeka tamamlamaya daha uygun olanlar olarak tanımlandı — yani insanlar için nispeten zor olan görüntüler. Resmi deneyde, toplamda 32 görüntü seçtik; bunların 16'sı kolay ve 16'sı zor görüntü dahildir.

Wilcoxon imzalı rütbetesti 21 için önceden G*Power 3.1 kullanılarak güç analizi yapıldı. Orta bir etki boyutu, iki kuyruklu α seviyesi 0.05 ve istenen güç 0.90 varsaydık. Analiz, en az 47 katılımcının gerekli olduğunu gösterdi. Kampüsten benzer deneysel görevlere daha önce katılmamış 60 öğrenciyi kadroya aldık. Dahil etme kriterleri şöyleydi: Tüm katılımcılar sağ elini kullanmış, yakın zamanda ilaç kullanmamış, deneyden önce 24 saat kafein ve alkolden uzak durmuşlar, deneyden bir gün önce yoğun fiziksel egzersiz yapmamışlar, seans öncesi gece yeterli uyku korumuşlar ve kardiyovasküler ya da solunum yolu hastalığı bildirmemişlerdir. Katılımcıların ortalama yaşı 22,77 ± 1,25 idi. Deneysel düzen Şekil 1'de gösterilmiştir.

Deney başlamadan önce, katılımcılara bir yapay zeka ile birlikte bir görüntü sınıflandırma görevi yapacakları bildirildi. Onlara yapay zekanın ortalama doğruluğu söylendi ve her hedef görüntü için ya kendileri sınıflandırabilecekleri ya da sınıflandırmayı yapay zekaya devredebilecekleri talimatı verildi. Katılımcılar görevi kendileri tamamlamayı seçtiyse, beş görüntü seçeneğinden bir cevabı seçmek için klavyedeki beş tuşundan (A, B, C, D veya E) birine basarak yanıt veriyorlardı. Belirlenmiş tuşa (P) basıldığında, görev yapay zekaya devredildiği anlamına gelir, ancak katılımcılar yapay zekanın seçtiği cevabı göremezdi. Her uyarıcının başlangıcında ve kayışında bir işaretleyici yazılarak sonraki analizler yapıldı. Resmi deney başlamadan önce, katılımcılar 4 deneme tamamladı ve ardından 120 saniyelik bir dinlenme dönemi yapıldı. Daha sonra 32 denemelik resmi deneye geçtiler. Her deneme arasında 10 saniyelik bir deneme arası aralık sağlandı. Deneysel prosedür Şekil 2'de gösterilmiştir.

Şekil 1
Şekil 1: Deneysel kurulum. Şekil, deneyde kullanılan ekipmanı ve EKG ölçüm elektrotlarının yerleşimini göstermektedir. (A) EKG elektrot yerleşim şeması; (B) Deneysel kurulum. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 2
Şekil 2: Deneysel prosedür. Uygulama oturumu 4 denemeden oluşuyordu ve resmi deney 32 denemeyi içeriyordu. Deneysel program E-Prime kullanılarak geliştirildi (bkz. Materyal Tablosu). Kısaltma: EKG = Elektrokardiyogram. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

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

Bu çalışma, Helsinki Bildirgesi'nin ilkelerine uygun olarak yürütülmüş ve Jiangsu Bilim ve Teknoloji Üniversitesi Kurumsal İnceleme Kurulu tarafından onaylanmıştır. Tüm katılımcılardan bilgilendirilmiş onay alındı ve katılımcılar verilerinin kullanımı ve yayımlanmasını kabul etti. Bu protokole sıcaklık duyarlı veya tehlikeli herhangi bir prosedür dahil edilmemektedir.

1. Hazırlık

  1. Katılımcılara deneysel prosedürü tanıtın ve çalışmadan tam olarak haberdar olduktan sonra yazılı bilgilendirilmiş onay alın.
  2. EKG veri toplama sistemini ve verici, alıcı, esnek cırtlı kayışlar, elektrot kablo seti, güç kablosu, M/F Kurdele Kablo, ethernet kablosu, alkol mendilleri ve tıbbi bant dahil olmak üzere tüm gerekli malzemeleri hazırlayın (bkz. Malzemeler Tablosu).
    1. Yeterli sayıda önceden jellenmiş tek kullanımlık EKG elektrotları hazırlayın.
    2. Veri toplama sistemini EKG veri alıcı modülüne bağlayın. Sonra sistemi stabil bir güç kaynağına takın.
    3. Veri toplama sistemi ile uyarıcı sunumu için kullanılan bilgisayar arasında bağlantı kurmak için M/F Ribbon Kablosu kullanın.
    4. Veri toplama bilgisayarını veri toplama donanım sistemine bağlamak için Ethernet kablosu kullanın.

2. Enstrüman kurulumu

  1. Katılımcının cildini alkollü mendil kullanarak aşağıdaki bölgelerden temizleyin: sol kaburganın altında, sağ köprücük köprücüğünün altında ve sağ karında. Her noktaya tek kullanımlık bir EKG elektrot yaması takın.
  2. Kablo kabloları bağlayın.
    1. Lead-wire konnektörünü EKG vericisine sıkıca bağlayın.
    2. Kırmızı kablo telinin (pozitif kablo) metal klipsini, sol kaburganın altına yerleştirilen EKG elektrotuna bağlayın; beyaz kanalizasyon telinin metal klipsini (negatif kablo) sağ köprücük köprücüğünün altına yerleştirilen EKG elektrotuna bağla; ve siyah kanalizasyon kablosunun metal klipsini (toprak kablosu) sağ karın bölgesine yerleştirilen EKG elektrotuna bağlar.
      NOT: Her klipsin tamamen oturduğundan ve takıldıktan sonra dönmediğinden veya gevşemediğinden emin olun. Eğer bir kurşun tel gerekenden uzunsa, tel hareketinden kaynaklanan artefaktları en aza indirmek için tıbbi bantla cilde segment ve sabitleyin.
  3. EKG vericisini katılımcının vücuduna esnek kanca-halka bağlantı kayışlarıyla sabitleyin. Vericinin sabit tutması ve katılımcıların konforunu sağlamak için kayış gerginliğini ayarlayın.
    NOT: Sinyal bozulmasını veya elektrot yerinden yerini değiştirmeyi önlemek için kayışları doğrudan EKG elektrot yamalarının üzerine yerleştirmekten kaçının.

3. Veri toplama

  1. EKG vericisi anahtarını ve EKG veri toplama sisteminin gücünü açın, EKG vericisi ile veri toplama sisteminin EKG alıcısı arasında kablosuz bağlantı kurun.
    NOT: Doğru bağlantı, hem EKG vericisinde hem de EKG alıcısında yeşil ışıklarla gösterilir.
  2. EKG veri toplama yazılımını başlatın ( bkz. Materyal Tablosu), yeni bir grafik dosyası oluşturun, cihaz listesinden EKG alıcı modülünü seçin ve uygun EKG kayıt kanalını seçin.
    NOT: EKG alıcısındaki kanal seçim panelini, donanım kanalının seçilen yazılım kanalıyla eşleştiğinden emin olmak için ayarlayın.
  3. EKG veri toplama sürecine başlamak için veri toplama yazılımı arayüzünde Başlat'a tıklayın. EKG dalga formunun ekranda stabil göründüğünü doğrulayın.
  4. Katılımcıya deneysel göreve başlamasını söyle.
    NOT: Katılımcılara sırtlarını sandalyeye rahatça yaslamalarını ve görevler boyunca sabit bir duruş tutmalarını hatırlatın.
  5. Görev tamamlandıktan sonra, kayıt oturumunu sonlandırmak için veri toplama yazılımında Stop tuşuna tıklayın.
  6. Kurşun tel klipslerini elektrot yamalarından ayırın. Esnek kanca-halka bağlantı kayışlarını gevşetin ve EKG vericisini katılımcının vücudundan çıkarın.
  7. Katılımcıya tek kullanımlık elektrot yamalarını elle nazikçe çıkarmasını öğretin ve yardımcı olun.

4. Veri işleme

  1. Kayıtlı EKG veri dosyasını veri analiz yazılımında açın ( bkz. Materyal Tablosu).
  2. EKG kanalını seçin ve dijital filtreleme uygulayın.
    1. Üst menü çubuğunda, Transform > Digital Filters > Comb Band Stop'a gidin.
    2. Diyalog kutusunda, Temel Frekans altında Sabit seçeneğini seçin. 50 Hz girin ve filtreyi uygulamak için Ok'a tıklayın.
      NOT: Girilen frekans, verilerin toplandığı ülkenin elektrik hattı frekansına karşılık gelmelidir.
    3. Üst menüde Dönüştür seçeneğine tıklayın. FIR > Band Pass > Dijital Filtreleri seçin. Frekans kesmesi altında, Sabit at seçeneğini seçin ve 1 Hz girin. Yüksek Frekans kesme noktası altında, Sabit at seçeneğini seçin ve 35 Hz aralığına girin.
  3. Deneysel tasarıma göre Odak Alanları oluşturun.

5. Veri analizi

  1. İK verisi üretin ve dışa aktarın. Menü çubuğundan Hemodinamik Analizi > EKG Aralığı Çıkarımı > seçeneğini seçin. Analiz panelinde Sadece Odak Alanları'nı, Sonuçları Panel olarak Göster bölümünde ise Sadece Excel Elektronik Tablosunu seçin. Onaylamak için Tamam'a tıklayın.
    NOT: R-peak algılama, veri analiz yazılımında yerleşik QRS algılama algoritması kullanılarak gerçekleştirilmiştir (AcqKnowledge 5).
  2. HRV verisi oluşturun ve hem zaman hem frekans alanı sonuçlarını dışa aktarın.
    1. Açık Analiz, HRV ve RSA > Çok Dönemli HRV - İstatistiksel seçin. EKG Kanalı alanında, önceden işlenmiş EKG kanalını seçin. Extract HRV istatistikleri altında, Odak Alanları seçin. Çıktı sonuçları bölümünde Elektronik Tablo'yu seçin. Son olarak, HRV zaman alanı sonuçlarını oluşturmak ve dışa aktarmak için Ok'a tıklayın.
    2. Tekrar Analizi açın, HRV ve RSA > Çok Dönemli HRV ve RSA - Spektral seçin. EKG Kanalı alanında, önceden işlenmiş EKG kanalını seçin. Extract HRV ve RSA altında Odak Alanları seçin. Çıktı tipinde Sadece Excel Elektronik Tablosu seçeneğini seçin. Son olarak, Ok'a tıklayarak HRV frekans alanı sonuçlarını üretip dışa aktarın.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

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

Fizyolojik ölçümlerde, hem zaman hem de frekans alanlarındaki HR ve HRV endekslerine odaklandık. Zaman alanı için, sağlam bir ölçüolarak kabul edilen Kök Ortalama Farkların Kare Kare (RMSSD) seçtik; bu ölçü 22,23,24 olarak kabul edilir. Frekans alanı için, Düşük Frekans/Yüksek Frekans oranı (LF/HF) genellikle sempatik ve parasempatik aktivite arasındaki dengeyi yansıttığı şeklinde yorumlansa da, bu yorum tartışmalı

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

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

Bu çalışmada, EKG sinyal alımının kalitesi sonraki analizler için kritik öneme sahipti. Deneysel süreçte, elektrotların doğru yerleştirilmesi ve kablolarla doğru bağlantı doğru sinyal kaydı için temel ön koşullardı. Tüm elektrotlar belirlenen pozisyonlara yerleştirildi ve empedansı en aza indirmek için iyi cilt teması sağlandı. Ayrıca, dış faktörlerin fizyolojik sinyaller üzerindeki etkisini azaltmak için, katılımcılara deneyden önce kafeinden uzak durmaları ve kardiyovasküler ilaçlardan...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

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

Yazarların açıklayacak hiçbir şeyi yok.

Teşekkürler

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

Bu çalışma, Jiangsu Eyaleti Lisansüstü Araştırma ve Uygulama İnovasyon Programı (KYCX25_4311), Çin Ulusal Doğa Bilimleri Vakfı (72374088, 72471105, 72472094, 72001096), Çin Yükseköğretim Derneği 2024 Yükseköğretim Bilim Araştırma Planlaması Ana Projesi (24XX0205, Öğrenme Sonuçlarını Geliştirmede İnsan-YZ İşbirliği Stratejileri Mekanizmaları), 2024 Jiangsu Eyaleti Eğitim Bilimi Planlama Ana Projesi (B-b/2024/01/162, Model İnşası ve Eğitim Sinirbilimi Perspektifinden Multimodal Öğrenme Üzerine Ampirik Araştırmalar) ile Çin Eğitim Bakanlığı Beşeri Bilimler ve Sosyal Bilimler Fonu (24YJCZH445) ile birlikte yer aldı.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Alkollü mendiller--Bu, cildi temizlemek ve dezenfekte etmek için kullanılır.
AcqKnowledge 5.0BIOPACBu, sinyal veri edinimi ve veri analizi için kullanılan yazılımdır.
Masaüstü bilgisayarDellOptiPlexBu masaüstü, EKG toplama ve analiz yazılımını çalıştırmak için kullanılır.
EKG veri toplama cihazıBIOPACMP160Bu cihaz, EKG verilerini kaydetmek için kullanılır.
EKG elektrotlarıShenfengS serisiBu, EKG sinyallerini toplamak için kullanılan bir aksesuardır.
Elektrot lead setiBIOPACBN-EL45-LEAD3Bu, vericiyle birlikte veri kaydı için kullanılır.
Ethernet kablosuBIOPAC-Bu, MP160 sistemi ile veri toplama ve analiz yazılımını bağlamak için kullanılır.
Deneysel yazılımPSIKOLOJI YAZILIM ARAÇLARIE-prime3.0 Build 3.0.3.31Bu, deneysel programın hazırlanmasında kullanılan yazılımdır.
Dizüstü bilgisayarDellE5470Bu dizüstü bilgisayar, deneysel programı çalıştırmak ve uyaranları sunmak için kullanılır.
Pazar/Kız Günü Şerit KablosuBIOPACCBL110CBu, belirli sinyalleri iletmek için kullanılır.
Tıbbi bant--Bu, uzun kabloları sabitlemek için kullanılır.
Güç kablosuBIOPAC-Bu, cihazı beslemek için kullanılır.
AlıcıBIOPACBN-RSPEC-RBu bir EKG alıcısı.
Esnek Velcro kayışlarBIOPACBN-STRAP-137 Bu, EKG vericisini düzeltmeye yardımcı olmak için kullanılır.
VericiBIOPACBN-RSPEC-TBu kablosuz bir EKG vericisidir.

Kaynaklar

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

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

İlgili makaleler