基于评分因果网络模型的多通道生理信号认知负荷测量研究

《Neurocomputing》：Measuring cognitive load by a score-based causal network model with multichannel physiological signals

本文提出一种创新的评分因果网络模型，通过多通道生理信号（EEG/ECG等）有效捕捉认知负荷的时空特征与因果依赖关系。该模型在因果马尔可夫属性约束下优化评分函数，将潜在特征解耦为因果表征与任务无关表征，在三个数据集上显著优于现有方法，为高风险领域（如航空、医疗）的实时认知负荷监测提供了新范式。

　　

章节亮点

认知负荷的测量范式

认知负荷理论由Sweller首次提出，认为认知负荷涉及工作记忆中的信息处理需求，称为心理负荷或心智努力，代表任务执行所需的心理活动。认知负荷可通过两种主要方法测量：主观评估和生理测量。

主观测量

主观测量要求参与者通过问卷或量表自我报告其认知负荷体验。

符号与问题表述

给定认知负荷数据集，包含来自多个生理信号通道的样本，每个样本涵盖多个时间点，表示为$x$_i^(t)，其中$i$表示通道索引，$t$表示时间点。每个样本关联一个认知负荷水平标签$y$。为捕捉生理信号的时空信息，我们定义潜在特征变量向量$Z$。

我们的模型

图2展示了我们使用多通道生理信号测量认知负荷水平的因果网络模型整体框架。该评分模型包含三个关键模块，以端到端方式学习最终因果网络：

1. 1.
   表征学习模块：学习一组具有代表性的时空特征。

实验与分析

本章通过实验验证本工作提出的认知负荷测量模型。所用数据集包括一个私有数据集和两个公共数据集。为证明所设计模型的优越性，本章将对比现有优秀模型的性能。

结论

本文提出一种评分因果模型，统一捕捉多生理事件内部因果关系以评估认知负荷。该模型结合因果结构学习模块与多通道时空表征学习模块，在认知负荷测量中展现出比现有方法更高的效率与灵活性。未来工作将探索该模型在概率性识别多认知状态中的应用。