摘要
认知负荷指的是人脑在进行学习与工作等认知活动时所消耗的脑力资源的总量，它会影响人们工作与学习的效率。衡量认知负荷水平的高低，可以为制定合理的学习与工作策略提供数据支撑。然而现有的认知负荷检测方法中，基于生理指标的检测方法依赖于接触式设备，会造成干扰；部分非接触式设备采集的信号噪声较大；对认知负荷的评判缺乏量化手段。针对上述问题，本文主要的研究工作和创新点如下： (1)数据采集与预处理方面：本文采用了非接触式摄像头作为采集设备，使用成像式光电容积标记(Imaging Photoplethysmography,IPPG)技术提取脉搏波，并提出了一种基于颜色空间转换的自适应感兴趣区域选择策略。该方法针对面部最优感兴趣区域的额头，被头发遮挡的情况，通过RGB颜色空间与YCbCr颜色空间的转换，设定一定的Cb、Cr分量阈值，挑选合适的感兴趣区域，避免区域皮肤像素过少，提取出的脉搏信息不充分。 (2)脉搏波的处理及生理指标提取方面：本文提出了一种级联的均匀相位经验模态分解(Uniform Phase Empirical Mode Decomposition,UPEMD)算法进行去噪。首先对原始脉搏波进行一次UPEMD分解，根据各分量与原始信号皮尔逊相关系数的大小，挑选合适的分量进行重构；对重构后的信号进行二次UPEMD分解，根据频谱挑选合适的分量进行二次重构并滤波，得到高质量的脉搏波。基于此脉搏波，提取出的血氧饱和度绝对误差为0.29%，比同类型研究的平均误差降低了0.26%。提取的脉搏变异性计算出的心率绝对误差为1.5次/分钟，比同类型研究的平均误差降低了0.63次/分钟。 (3)认知负荷测量方面：本文设计了一种弹琴记奏场景下的认知负荷测量系统，基于极限梯度提升（Extreme Gradient Boosting,XGBoost）分类器的后验概率，提出了一种认知负荷量化方法。通过记录弹琴记奏场景的面部视频，提取生理指标。基于血氧饱和度、脉搏变异性两类生理指标，以及弹奏记忆的音符序列的时间这一任务绩效指标，使用XGBoost分类器，评判并识别认知负荷的等级，其识别准确率为82.35%。同时，使用分类器的后验概率，完成了对认知负荷的量化。
NETL