基于窗口的认知负荷检测特征工程

认知负荷是越来越受关注的议题，涉及健康、心理学及防御类应用等多个领域。本研究聚焦于利用COLET数据集对认知负荷进行分类，采用基于窗口的方法进行特征生成，并运用机器学习和深度学习技术进行分类。我们应用基于窗口的时序分区方法以增强现有研究中使用的特征，随后采用机器学习和深度学习模型对不同层次的认知负荷进行分类。结果表明，深度学习模型，特别是表格结构模型，在精确度、F1分数、准确率和分类精度方面均优于传统机器学习方法。本研究凸显了基于窗口的时序特征提取有效性，以及深度学习技术在复杂动态任务中实现实时认知负荷评估的潜力。