Dépôt numérique
RECHERCHER

Modèle hiérarchique pour l’amélioration de l’évaluation de l’état mental de l’opérateur à l’aide de technologies portables / Hierarchical model for improved operator functional state assessment based on wearables.

Téléchargements

Téléchargements par mois depuis la dernière année

Plus de statistiques...

Drouin-Picaro, Alexandre (2017). Modèle hiérarchique pour l’amélioration de l’évaluation de l’état mental de l’opérateur à l’aide de technologies portables / Hierarchical model for improved operator functional state assessment based on wearables. Mémoire. Québec, Université du Québec, Institut national de la recherche scientifique, Maîtrise en télécommunications, 122 p.

[img]
Prévisualisation
PDF
Télécharger (10MB) | Prévisualisation

Résumé

La classification inter-tâches, c’est-à-dire la classification de la charge mentale pour plusieurs tâches à l’aide d’un même modèle, est un problème important pour l’évaluation de l’état fonctionnel de l’opérateur. Dans cette étude, nous proposons une nouvelle méthode afin d’améliorer la précision de la classification inter-tâches, ainsi que des nouvelles caractéristiques de l’EEG afin d’améliorer la précision intra-tâche et inter-tâches. Notre méthode se fie à un classificateur hiérarchique capable de détecter la tâche à laquelle appartient un point de données, ainsi que sa difficulté. Les caractéristiques que nous proposons sont des caractéristiques de couplage entre les fréquences, soit le couplage phaseamplitude et le taux de changement de la modulation d’amplitude. Nous avons recueilli de données cardiaques, respiratoires, oculométriques et électroencéphalographiques de 16 participants, chacun exécutant trois tâches cognitives, soit la rotation mentale, le N-Back et la recherche visuelle. Comme nous voulions évaluer la performance de notre modèle dans un environnement réel, nous avons recueilli ces signaux à l’aide d’appareils portables. Afin de rendre notre modèle indépendant de l’utilisateur, nous avons également recueilli des métriques objectives et subjectives de la performance pour faciliter le processus de sélection des caractéristiques. Nos résultats montrent que les caractéristiques de l’EEG que nous proposons améliorent la classification intra-tâche pour la rotation mentale et la recherche visuelle. De plus, notre modèle hiérarchique a atteint une précision de 69%, par rapport à 62% pour les méthodes traditionnelles. Ces résultats indépendants de l’utilisateur sont comparables aux modèles adaptés à l’utilisateur publiés précédemment. La performance relativement faible de notre modèle est due en grande partie à une mauvaise distribution des électrodes EEG, ainsi qu’à des problèmes survenus avec les signaux de la physiologie périphérique. Nous nous attendons à ce que notre modèle produise de bien meilleurs résultats avec des appareils plus appropriés.

Abstract

Cross-task classification, that is the ability of a single model to classify mental workload across many different tasks, is an important problem in mental workload assessment. In this work, we propose a novel approach to improve cross-task accuracy as well as new EEG features to improve withinand cross-task accuracy. Our approach relies on a layered classifier to detect both the task being performed and the difficulty condition, while the proposed features are Cross-Frequency Coupling features that quantifiy the interactions between EEG sub-bands, namely Phase-Amplitude Coupling and Amplitude Modulation Rate-of-Change. To do this, we collected ECG, respiration, eye tracking and EEG data from 16 participants performing three tasks : mental rotation, N-back and visual search. As we wanted to test in-the-field performance of our methods, we collected physiological data using wearable devices. In an effort to make our model user-independant, we also collected objective and subjective perfomance metrics to help the feature selection process. Our results show that the proposed EEG features improve within-task results for mental rotation and visual search. Additionally, our hierarchical method achieved an accuracy of 69% compared to 62% using traditional methods. These user-independant results compare favourably to previously published user-adapter models. The relatively low performance of our model is due mostly to poor EEG electrode distribution and problems encountered with the signals extracted from peripheral physiology. Our approach can be expected to perform much better given better data collection devices.

Type de document: Thèse Mémoire
Directeur de mémoire/thèse: Falk, Tiago H.
Mots-clés libres: interfaces cerveau-ordinateur; charge mentale; EEG; classification inter-tâches; brain-computer interfaces; mental workload; cross-task classification
Centre: Centre Énergie Matériaux Télécommunications
Date de dépôt: 09 avr. 2019 21:13
Dernière modification: 09 avr. 2019 21:13
URI: http://espace.inrs.ca/id/eprint/8019

Actions (Identification requise)

Modifier la notice Modifier la notice