Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
A Deep Learning Approach for Valve Defect Recognition in Heart Acoustic Signal Kapitel lesen Erstes Kapitel lesen

2018 | Supplement | Buchkapitel

Measuring Cognitive Workload in Arithmetic Tasks Based on Response Time and EEG Features

verfasst von : Małgorzata Plechawska-Wójcik, Magdalena Borys, Mikhail Tokovarov, Monika Kaczorowska

Erschienen in: Information Systems Architecture and Technology: Proceedings of 38th International Conference on Information Systems Architecture and Technology – ISAT 2017

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

The aim of the present paper is to verify whether the cognitive load can be evaluated through the analysis of the examined person’s response time and extracted EEG signal features. The research was based on an experiment consisting of six intervals ensuring various cognitive load level of arithmetic tasks. The paper describes in details the analysis process including signal pre-processing with artifact correction, feature extraction and outlier detection. Statistical verification of EEG band differences, response time and error rate in intervals was realised. Statistical correlations were found between EEG features and response time, however, the correlation strength increased inside the groups of intervals of similar cognitive workload level. Evoked related potentials were also analysed and their results confirmed the statistical outcomes.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel An Evolutionary Optimization Method Based on Scalarization for Multi-objective Problems
Nächstes Kapitel A Method for Genetic Selection of the Dynamic Signature Global Features’ Subset
Literatur
1.
Gevins, A., Smith, M.E., McEvoy, L., Yu, D.: High-resolution EEG mapping of cortical activation related to working memory: effects of task difficulty, type of processing, and practice. Cereb. Cortex 7, 374–385 (1997). doi:10.​1093/​cercor/​7.​4.​374 CrossRef
2.
Kruger, J., Doherty, S.: Measuring cognitive load in the presence of educational video: towards a multimodal methodology. Australas. J. Educ. Technol. 32, 19–31 (2016). doi:10.​14742/​ajet.​3084 CrossRef
3.
Hancock, P.A., Chignell, M.H.: Mental workload dynamics in adaptive interface design. IEEE Trans. Syst. Man. Cybern. 18, 647–658 (1988)CrossRef
4.
O’Donnell, R.D., Eggemeier, F.T.: Workload assessment methodology. In: Handbook of perception and human performance, vol. 2. Cognitive Processes and Performance. Wiley (1986)
5.
6.
Matthews, G., Reinerman-Jones, L.E., Barber, D.J., Abich IV, J.: The psychometrics of mental workload: multiple measures are sensitive but divergent. Hum. Factors 57, 125–143 (2015)CrossRef
7.
Ren, P., Barreto, A., Huang, J., Gao, Y., Ortega, F.R., Adjouadi, M.: Off-line and on-line stress detection through processing of the pupil diameter signal. Ann. Biomed. Eng. 42, 162–176 (2014). doi:10.​1007/​s10439-013-0880-9 CrossRef
8.
9.
Zarjam, P., Epps, J., Chen, F.: Spectral EEG features for evaluating cognitive load. Conf. Proc. IEEE Eng. Med. Biol. Soc. 2011, 3841–3844 (2011). Annual Conference
10.
Brouwer, A., Hogervorst, M.A., van Erp, J.B.F., Haufe, S., Kim, J., Kim, I., Acqualagna, L., Bosse, S., Porbadnigk, A.K., Marchal-crespo, L., Zimmermann, R., Lambercy, O., Schultze-kraft, M., Dähne, S., Gugler, M.: Unsupervised classification of operator workload from brain signals This. J. Neural Eng. 13, 1–15 (2016). doi:10.​1088/​1741-2560/​13/​3/​036008
11.
Chang, H., Hung, I., Chew, S.W., Chen, N.: Yet another objective approach for measuring cognitive load using EEG-based workload, 501–502 (2016). doi:10.​1109/​ICALT.​2016.​145
12.
Zarjam, P., Epps, J., Chen, F., Lovell, N.H.: Classification of working memory load using wavelet complexity features of EEG signals. In: Huang, T., Zeng, Z., Li, C., Leung, C.S. (eds.) Neural Information Processing: 19th International Conference, ICONIP 2012, Doha, Qatar, 12–15 November 2012, Proceedings, Part II, pp. 692–699. Springer, Heidelberg (2012)
13.
14.
Marshall, S.P.: The index of cognitive activity: measuring cognitive workload. In: Proceedings of IEEE 7th Conference on Human Factors and Power Plants, pp. 5–9 (2002). doi:10.​1109/​HFPP.​2002.​1042860
15.
16.
17.
Zarjam, P., Epps, J., Lovell, N.H.: Beyond Subjective Self-Rating: EEG Signal Classification of Cognitive Workload (2015)
18.
Kruger, J.-L., Hefer, E., Matthew, G.: Measuring the impact of subtitles on cognitive load : eye tracking and dynamic audiovisual texts. In: Proceedings of Eye Tracking South Africa, pp. 6–11 (2013)
19.
Rozado, D., Duenser, A.: Combining EEG with pupillometry to improve cognitive workload detection. Comput. (Long. Beach. Calif). 48, 18–25 (2016). doi:10.​1109/​MC.​2015.​314
20.
Borys, M., Tokovarov, M., Wawrzyk, M., Wesołowska, K.: An Analysis of eye-tracking and electroencephalography data for cognitive load measurement during arithmetic tasks, pp. 287–292 (2017)
21.
Haapalainen, E., Kim, S., Forlizzi, J.F., Dey, A.K.: Psycho-physiological measures for assessing cognitive load. In: Proceedings of the 12th ACM International Conference on Ubiquitous Computing, pp. 301–310. ACM, New York (2010)
22.
Light, G.A., Williams, L.E., Minow, F., Sprock, J., Rissling, A., Sharp, R., Swerdlow, N.R., Braff, D.L.: Electroencephalography (EEG) and event-related potentials (ERPs) with human participants. Curr. Protoc. Neurosci. 6–25 (2010)
Metadaten
Titel
Measuring Cognitive Workload in Arithmetic Tasks Based on Response Time and EEG Features
verfasst von
Małgorzata Plechawska-Wójcik
Magdalena Borys
Mikhail Tokovarov
Monika Kaczorowska
Copyright-Jahr
2018
Buch
Information Systems Architecture and Technology: Proceedings of 38th International Conference on Information Systems Architecture and Technology – ISAT 2017

Print ISBN: 978-3-319-67219-9

Electronic ISBN: 978-3-319-67220-5

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-67220-5_6