摘要
认知负荷是指在特定任务中，人在处理需要信息处理和决策的过程中，大脑消耗的认知资源。由于认知负荷对于个体执行任务或学习技能的效率有着显著影响，因此在教育、医疗、航空航天等领域，需要开发科学有效的方法来测量和评估认知负荷。 现有的许多认知负荷的测量方法主要存在泛化水平较低，时效性较差，容易受主观影响的问题，而且某些生理数据测量法采样设备侵入性较强，可能会对实验被试完成相关任务产生不利影响。相比之下，眼动设备具有非接触型采集的优势，具有较高的实际应用价值。因此，本研究选择眼动数据作为量化认知负荷的生理数据指标来源，进行了以下几方面的研究: 理论研究部分对现有的相关文献进行综述，主要包括两方面研究:（1）眼动指标相关研究:整合现有关于认知负荷相关眼动指标的评估方法和结论。（2）认知负荷建模技术:使用眼动数据进行认知负荷建模的研究，梳理归纳现有研究的实验设计、特征指标和建模技术。 数据处理和眼动特征集部分主要包括两方面研究:（1）对收集的眼动数据进行包括缺失值填补、眨眼识别以及传统眼动指标的计算方法。（2）拓展眼动指标集，包括马尔可夫转移矩阵相关指标、时频域相关指标以及头动指标，并将新拓展的指标与传统眼动指标一起构建出指标集，使用统计分析的方法对指标效果进行检验。 认知负荷的模型建立方面主要包括三方面研究:（1）基于筛选后的眼动特征使用多分类模型对认知负荷水平进行多分类，并比较分析不同的多分类模型的分类效果，确定效果最好的模型是集成分类器，该分类器对实验任务的分类精度均达到80％以上。（2）由于无监督学习方式无需数据标签的优势，所以本研究尝试使用无监督模型对高负荷水平进行识别，在测试集上达到了较为不错的分类准确度，特别是阅读理解任务达到了 81.7％。（3）使用SVDD模型中数据点到模型超球心的距离作为认知负荷量化指标，验证了距离指标的有效性。 模型的应用方面主要包括两方面的研究:（1）对基于眼动数据的认知负荷分析流程进行梳理，并进行需求分析，得到评估人员评估流程中可以优化的痛点。（2）基于眼动数据处理和分析流程以及相关的认知负荷分类和识别模型的研究，通过设计眼动认知负荷评估系统的最小化原型，从而简化评估人员的评估流程。 本研究通过处理眼动数据和提取特征的方法，结合认知负荷相关理论设计了实验任务，采集了眼动数据。围绕认知负荷识别和测量问题，本研究最终建立了有效的测量模型，证明了使用眼动数据进行特征拓展和测量认知负荷水平的可行性和有效性，设计了辅助评估人员进行评估的核心功能原型。本研究的流程和结论对认知负荷识别和测量相关研究领域具有一定的参考和应用价值。
NETL