瞳孔测量与脑动力学用于工作记忆中的认知负荷

认知负荷是指工作记忆中所需的精神 effort，是神经科学、心理学和人机交互中的核心议题。准确评估认知负荷对自适应学习、临床监测和脑机接口至关重要。瞳孔测量和脑电图是认知负荷的既定生物标志物，但其在轻量、可穿戴监控解决方案中的比较实用性和实际集成尚未充分探讨。EEG 提供神经活动的高时间分辨率。虽为无创方法，但在 wearability 和 cost 上受限于资源密集型特征，瞳孔测量为非侵入式、便携且可扩展。现有研究常依赖深度学习模型，解释性有限且计算成本高。本研究整合特征驱动方法与模型驱动方法，推进时间序列分析。基于 OpenNeuro "Digit Span Task" 数据集，本研究探讨了从 EEG 和瞳孔测量中进行认知负荷分类。基于 Catch-22 特征和经典机器学习模型在二分类和多分类任务中优于深度学习。结果表明，瞳孔测量alone 即可与 EEG 肩肩，作为便携实用且可扩展的代理方案。这些结果挑战了 EEG 必需用于负荷检测的假设，表明瞳孔动力学结合可解释模型和基于 SHAP 的特征分析提供了生物学上有意义的见解。本工作支持开发用于神经精神医学、教育和医疗保健的可穿戴、可负担的认知监测系统。