通过使用前沿的可穿戴监测技术，该研究在 FP1 通道的脑电图数据和次要职业学生的心率变异性数据上进行高精度、高时间分辨率的认知负荷评估，综合分析这两个关键生理指标，研究其在评估次要职业学生认知负荷中的应用价值以及在不同任务中的效用。该研究设计了两个实验证明了所提出方法的有效性：首先，使用 N-Back 任务开发的随机森林分类模型能够对处于不同认知负荷水平下的次要职业学生的生理信号特征进行精确解码，实现了 97% 的分类准确率。随后，在国家计算机等级考试中应用该分类模型进行交叉任务实验，展示了该方法在不同学习环境中的显著适用性和跨任务的可转移性。该研究具有高可移植性，对于优化次要职业教育中的教学资源配置以及认知负荷评估方法和监测具有重要的理论和实践意义。目前，研究结果正在学校进行试行实施。

Jun, 2024

本研究使用多模式感知方法和机器学习来识别一组指标，以估计认知负荷水平。通过进行一组认知测试，利用四种传感器来测量参与者的生理变化以及 Chi-Square 卡方分析法揭示了它们的感知认知负荷水平的差异，研究利用三种分类算法分别使用这些生理数据进行训练和测试，并证明使用 ECG 和 EDA 的结合可以获得良好的辨别能力。

May, 2022

我们提供了一个新颖的多模态 Cognitive Load Assessment 实时数据集 (CLARE)，其中包含来自 24 名参与者的生理和注视数据，并以自我报告的认知负荷评分作为基准标签。数据集包括四种模态，分别是心电图 (ECG)、皮肤电活动 (EDA)、脑电图 (EEG) 和注视跟踪。我们还对两种不同的评估方案，即 10 折交叉验证和留一法交叉验证 (LOSO)，使用机器学习和深度学习模型提供了基准二分类结果。基准结果表明，在 10 折交叉验证中，基于卷积神经网络 (CNN) 的深度学习模型在 ECG、EDA 和注视跟踪上实现了最佳的分类性能；而在 LOSO 中，基于 ECG、EDA 和脑电图 (EEG) 的深度学习模型表现最佳。

Apr, 2024

本文介绍了一个包含 EEG 信号和其他生理数据的新型驾驶认知负荷评估数据集 CL-Drive，并提供了针对不同的机器学习和深度学习模型的基准分类结果。

Apr, 2023

穿戴设备预测模型、认知损害、机器学习模型、预测特征、持续健康监测

Aug, 2023

本研究提出了一种新的自我监督的深度学习方法，通过使用连续脑率指数和空间谱拓扑头图从 EEG 数据中进行神经负荷建模，该方法表现出在通常适用性方面的能力，这证明了卷积层学习有意义的高级表示的能力。

Sep, 2022

该研究提出了一种协作推理方法，旨在通过智能手表与智能手机之间的合作来最大化心率追踪的性能，并在维持低的均方误差 (MAE) 的同时降低能耗。

Jun, 2023

通过将强大的 LLM 代理人纳入指定角色并精心管理其互动，PsychoGAT 能够将任何标准化量表转化为个性化、引人入胜的互动小说游戏，并通过心理测量评估证明其有效性，人工评估确认其在内容一致性、互动性、趣味性、沉浸度和满意度方面的改进。

Feb, 2024

每日监测的紧迫性与重要性日益凸显，本研究提出了一种利用生理信号和环境信息的实时监测系统来追踪和预测每日压力水平的方法，并通过集成智能标签方法来优化压力检测的机器学习模型。实验结果显示，利用脉搏波图和环境信息结合的随机森林分类器，F1 得分可达到 70%，较仅使用脉搏波图的 56% 得分更为显著。

Dec, 2023

该研究分析了心理和感知负载对双重任务场景下的心理生理维度的影响，并提供了基于机器学习的框架来估计心理和感知负载。研究结果表明，精神负荷影响了某些心理生理维度，而感知负荷影响较小。此外，基于这些测量，分类了精神负荷和感知负荷水平，并提供了一个实时的自适应车内界面，以满足用户行为和驾驶条件的个性化需求。

Aug, 2022