基于 fNIRS 信号的混合深度学习模型认知 effort 估计
人机交互
2025-10-29 v3 机器学习
摘要
本研究基于功能近红外光谱（fNIRS）数据和表现分数，使用混合 DeepNet 模型估计认知 effort。认知 effort 的估计使教育者能够修改教学材料以提高学习效果和学生参与度。在本研究中，我们在基于 Unity 的教育游戏中收集了 16 名受试者的氧合血红素数据。受试者在 30 秒的响应时间限制内回答 16 个问题。我们使用 DeepNet 模型从氧合血红素预测表现分数，并比较了传统机器学习和 DeepNet 模型，以确定哪种方法在预测表现分数方面更准确。结果显示，提出的 CNN-GRU 模型性能更佳，准确率为 73%。在预测后，我们利用预测分数和氧合血红素观察认知 effort，通过计算相对神经效率和参与度来进行测试。我们的结果表明，尽管预测准确率适中，但预测的认知 effort 与实际趋势密切相关。这一发现对设计和改进学习环境以及提供有价值的学习材料见解具有帮助。
引用
@article{arxiv.2504.13883,
title = {Hybrid Deep Learning Model to Estimate Cognitive Effort from fNIRS Signals},
author = {Shayla Sharmin and Roghayeh Leila Barmaki},
journal= {arXiv preprint arXiv:2504.13883},
year = {2025}
}