使用生理信号预测脑力工作负荷：平衡性能与可解释性

文献标题

Mental Workload Prediction Using Physiological Signals: Balancing Performance and Interpretability

出版信息

• 主题领域: 使用生理信号和机器学习进行心理负荷预测。
• 关键词: 心理负荷、生理信号、机器学习、可解释性、呼吸信号、心脏信号、眼动信号、逻辑回归、决策树、安全关键系统。

背景与问题

• 问题/挑战: 现有的心理负荷预测机器学习模型通常优先考虑性能，但往往忽视了可解释性和错误分析，而这些对于安全关键系统至关重要。
• 重要性: 准确且可解释的负荷预测可以防止操作员出现过载和欠载状态，从而减少错误并提高关键环境中的安全性。
• 动机与相关工作: 先前的研究探索了用于负荷预测的生理指标，但缺乏对可解释性和系统性错误分析的关注。本研究旨在通过开发在准确性和可解释性之间取得平衡的模型来填补这些空白。

解决方案

• 提出的方法: 开发可解释的机器学习模型（逻辑回归和决策树），利用生理信号预测心理负荷。
• 创新点:
  1. 创建具有竞争性准确性的可解释模型，仅使用最少的特征。
  2. 在模型超参数优化的同时，系统性优化预处理策略。
  3. 进行全面的错误分析，识别与场景、时间和个体相关的预测错误。
• 过程与关键技术:
  • 收集参与者在不同任务需求下的呼吸、心脏和眼动数据。
  • 预处理步骤包括异常值处理、数据缩放、特征选择和平衡处理。
  • 使用5折交叉验证和随机搜索进行超参数优化。
  • 根据性能和可解释性选择逻辑回归用于二分类，决策树用于多分类。
  • 分析跨场景和参与者的预测错误。

结果

• 具体发现:
  • 逻辑回归在二分类任务中获得了90.5%的f1分数（准确率：92.2%）。
  • 决策树在多分类任务中获得了72.0%的f1分数（准确率：72.3%）。
  • 呼吸和瞳孔特征最具预测性，而心脏特征表现出更高的变异性。
• 相较基线的优势:
  • 在二分类任务中，逻辑回归优于随机森林和支持向量机等黑箱模型，以更少的特征实现了更高的准确率。
  • 决策树在多分类任务中与复杂模型表现相当。
• 实验/评估:
  • 数据集包括30名参与者的呼吸和心脏数据，以及17名参与者的眼动数据。
  • 模型在未见过的数据上进行了测试，采用独立的训练集和测试集以确保泛化性。
  • 错误分析揭示了受任务动态、生理反应特性和个体差异影响的系统性误分类模式。
• 局限性与未来工作:
  • 样本量较小可能限制了结果的泛化性，需要更大的数据集。
  • 将任务负荷作为真实值简化了心理负荷的多维特性。
  • 未来研究应探索连续建模、涵盖多样化的负荷状态，并研究个体化模型。

总结

本研究开发了基于生理信号的可解释机器学习模型，用于心理负荷预测，其准确性与黑箱方法相比具有竞争力。逻辑回归和决策树模型以最少的特征实现了高性能，强调了预处理策略的重要性。错误分析揭示了与场景、时间和个体相关的系统性误分类模式，突出了心理负荷预测的复杂性。这些发现对安全关键环境中的自适应系统具有实际意义，并为实时负荷监测铺平了道路。未来研究应专注于扩展数据集、改进真实值定义以及探索个体化建模方法。