Javascript must be enabled for the correct page display

Bepalen van mentale werkbelasting door cardiovasculaire data-analyse

Stuiver, A. (2003) Bepalen van mentale werkbelasting door cardiovasculaire data-analyse. Master's Thesis / Essay, Artificial Intelligence.

[img]
Preview
Text
AI_Ma_2003_AStuiver.CV.pdf - Published Version

Download (1MB) | Preview

Abstract

Het vaststellen van de fysio!ogische effecten van mentale inspanning is één van de eerste stappen die gezet moeten worden bij het ontwikkelen van een adaptieve interface. Het doe! hiervan is de taakzwaarte af te stemmen op de capaciteiten van de taakuitvoerder. Bij zware mentale inspanning kan een adaptieve interface reageren door de task anders vorm te geven of gedeelten van het werk voor een ander moment te bewaren of semi-automatisch te laten uitvoeren. Een schatting van de mate mentale inspanning kan als input dienen voor een model dat de toestand van de taakuitvoerder bijhoudt, zoals het operator status model (OSM) uit het COMPANION project. COMPANION is een samenwerkingsproject tussen de NLR en de RuG met als doel het ontwikke!en van een dynamisch en interactief interfacesysteem. In dit onderzoek is geprobeerd cardiovasculaire data te classificeren. Tijdens een experiment, dat is uitgevoerd in de Digitale Werkplaats (DWAT) van de afdeling psychologie van de Rijksuniversiteit te Groningen, zijn hartslag en bloeddruksignalen opgenomen. Tijdens het experiment waren er perioden met een lage taaklast en perioden met een hoge taaklast. Het verschil in taaklast moest zorgen voor een verschil in mentale inspanning. De fysiologische respons op de taak, die zou moeten veranderen als gevoig van een verhoogde mentale inspanning, is geanalyseerd om te bepalen of er een hoge of een lage taaklast was. Met multiple regressieanalyse is een mode! ontwikkeld dat voor elke minuut data aangeeft uit welke periode van het experiment deze data afkomstig is. Het onderzoek laat zien dat het tot op zekere hoogte mogelijk is de cardiovasculaire data tot de juiste periode te classificeren. Niet alle data kan juist geclassificeerd worden, een gedeelte van de variantie moet verklaard worden door andere oorzaken dan een verschil in taaklast. Hierbij kan gedacht worden aan een zekere mate van stochasticiteit die inherent is aan het fysiologisch systeem of aan een beperkte invloed van taaklast op mentale inspanning. Het onderzoek laat ook zien dat de classificatie beter is wanneer de data van de proefpersonen individueel geanalyseerd worden. De patronen in de data blijken erg individuspecifiek en zodoende presteert het model op de individuele data significant beter dan op de data van alle proefpersonen samen. Enerzijds wordt dit veroorzaakt door verschillende individuele responspatronen en anderzijds door een verschil in belastbaarheid, wat wil zeggen dat de ene persoon bij een lage taaklast al sterk reageert terwijl de andere persoon nog nauwelijks een respons laat zien.

Item Type: Thesis (Master's Thesis / Essay)
Degree programme: Artificial Intelligence
Thesis type: Master's Thesis / Essay
Language: Dutch
Date Deposited: 15 Feb 2018 07:30
Last Modified: 15 Feb 2018 07:30
URI: https://fse.studenttheses.ub.rug.nl/id/eprint/9002

Actions (login required)

View Item View Item