您的眼睛控制游戏：基于眼动和生理数据的虚拟现实中实时认知训练自适应

针对持续注意力和工作记忆的认知训练对于依赖稳健心理能力的领域（如教育或康复）至关重要。自适应系统至关重要，能够动态匹配难度以维持参与度并加速学习。当前的自适应系统通常依赖简单性能启发式或预测视觉复杂性和情感，而非认知负荷。本研究提出了首个在虚拟现实认知训练中基于眼动和生理数据实现实时自适应认知负荷控制的实现。我们开发了一个带自注意力机制的双向 LSTM 模型，训练于来自 74 名参与者的眼动和生理（PPG、GSR）数据。我们在 54 名参与者中实时部署了该模型，涵盖单任务（持续注意力）和双任务（持续注意力 + 心算）情境。难度根据参与者的自我评估或模型的实时认知负荷预测进行动态调整。结果显示，参与者倾向于估计任务过于困难，尽管他们在客观上正处于最佳表现水平。在 10 分钟的 session 期间，两种自适应方法在单任务情境下在难度上收敛至等效水平，主观工作负荷或游戏表现无显著差异。然而，在双任务情境下，模型成功地将用户推至更高难度水平，同时未出现性能惩罚或增加的挫败感，凸显了用户在高认知负荷下对自身能力的低估倾向。研究结果表明，机器学习模型可能比自我导向的方法提供更客观的认知能力评估，从而减轻主观性能偏见，实现更有效的训练，通过将用户推向基于生理学确定的最优挑战水平。