IR
۴۶۵۸پ
فارسی
IR
ثبت و تحلیل داده‌های ذهنی، عملکردی و روانی-فیزیولوژیکی برای شناسایی بارکاری شناختی به کمک یادگیری ژرف
[پایان‌نامه]
Recording and analyzing mental, functional and psycho-physiological data to identify cognitive load with deep learning
/شیما محمدی
: مهندسی پزشکی
، ۱۴۰۱
۹۳ص.
:
زبان: فارسی
زبان چکیده: فارسی
چاپی - الکترونیکی
مصور، جدول، نمودار
کارشناسی ارشد
مهندسی پزشکی- بیوالکتریک
۱۴۰۱/۰۶/۰۱
صنعتی سهند
استفاده روزافزون از وسایل الکترونیکی پیشرفته خطر سرریز ذهنی را افزایش می‌دهد .بنابراین تخمین بارکاری برای پیشگیری از این مساله امری ضروری است .با این حال فراهم کردن یک سیستم قابل اعتماد در حضور تفاوت‌های فردی، عوامل واقعی تاثیرگذار بر انسان و در نظر گرفتن نیازهای عملی چالش بزرگی می‌باشد .در این پژوهش، یک پایگاه داده جدید مبتنی بر سه مشخصه اندازه‌گیری بارکاری ذهنی، عملکردی و روانی-فیزیولوژیکی در حین انجام یک تکلیف محاسباتی با تداخل خستگی ذهنی گردآوری شده است .سپس دو روش پیشنهادی مبتنی بر یادگیری ژرف برای استخراج ویژگی‌های ژرف خودکار با استفاده از سیگنال الکتروکاردیوگرام پیشنهاد شده است .در مقایسه با روش‌های پیشین، می‌توان ۴ ویژگی متمایز کننده برای روش‌های پیشنهادی در این مطالعه ارائه داد :۱- مستقل از فرد بودن ۲- مستقل از روش‌های دستی استخراج ویژگی و طبقه‌بندی ۳- مقرون به صرفه بودن به دلیل استفاده از سیگنال الکتروکاردیوگرام تک لید ۴- در نظر گرفتن تداخل خستگی ذهنی به عنوان یک متغیر نامطلوب در موقعیت واقعی .قابلیت تخمین روش‌های پیشنهادی با استفاده از سیگنال‌های الکتروکاردیوگرام ۸۴ فرد سالم که یک تکلیف محاسباتی با دو سطح بارکاری ذاتی را انجام داده‌اند، ارزیابی شده است .علاوه بر این تاثیر ابرپارامترهای مختلف یادگیری ژرف در دو روش پیشنهادی ارائه شده مورد ارزیابی قرار گرفته است .روش پیشنهادی اول به نرخ صحت میانگین بالای ۶۲.۹۳ و روش پیشنهادی دوم به نرخ صحت میانگین ۶۰.۹۲ با وجود عوامل تداخلی و تعداد بالای شرکت کننده رسیده‌اند .مقایسه میان روش‌های پیشنهادی ارائه شده و دیگر روش‌های موجود نشان دهنده عملکرد تعمیم یافته، برتری و مقرون به صرفه بودن روش‌های پیشنهادی می‌باشد.
The growing use of modern electronic devices increases the risk of cognitive overload, so workload estimation (WE) is required for preventive strategies. However, providing a reliable system in the presence of individual differences, real human affecting factors, and considering practical requirements is a big challenge. In this context, a new database containing three types of subjective, performance, and psychophysiological measures during the arithmetic task with mental fatigue interference has been acquired. Then, two methods based on deep learning have been proposed to extract automatic deep features using electrocardiogram measures. In comparison with previous methods, there are four distinct characteristics: independent from subjects, independent from feature extraction and classification approaches, cost-effective due to the use of a single electrocardiogram measure, considering mental fatigue interference as a source of undesirable variability. The capability of the methods has been evaluated on 84 healthy subjects performing ten stages of arithmetic task inducing intrinsic load. Furthermore, the effect of different hyper-parameters of deep learning has been evaluated. The first proposed method has achieved a high average accuracy rate of 93.4 and the second one has achieved 92.60 across a large number of subjects and other interfering factors. The comparative study with other existing methods has demonstrated superiority, generalized performance, and a more cost-effective procedure
ba
Recording and analyzing mental, functional and psycho-physiological data to identify cognitive load with deep learning
تخمین خودکار بارکاری شناختی
شبکه عصبی کانولوشنی
حافظه کوتاه مدت بلند
الکتروکاردیوگرام
تخمین مستقل از فرد
خستگی ذهنی
Automatic Cognitive Workload Estimation, Convolutional Neural Network, Long Short-Term Memory, Electrocardiogram, Subject-independent Estimation, Mental Fatigue
تخمین خودکار بارکاری شناختی، شبکه عصبی کانولوشنی، حافظه کوتاه مدت بلند، الکتروکاردیوگرام، تخمین مستقل از فرد، خستگی ذهنی
محمدی، شیما
قادریان، پیوند، استاد راهنما
ایران
20230617
پزشکی.م ،۱۰۰۷۳ ،۱۴۰۱
ی‌نهذ ی‌اهه‌داد ل‌یلحت و ت‌بث، ی‌ناور و ی‌درکلمع-ف‌رژ ی‌ریگدای کمک ه‌ب ی‌تخانش ی‌راکراب ی‌یاسانش ی‌ارب ی‌کیژولویزیف.pdf
عادی
عادی
5144.pdf
pm10073.pdf
0
ایمانی
متن
0
پ۴۶۵۸
فارسی
نمایه‌سازی قبلی
pe
TF
92029
1
a
Y
