基于复杂度眼动指标的心理负荷识别新方法：与传统特征的对比研究

《Ergonomics》：Enhancing mental workload recognition: a comparison of complexity-based eye movement metrics and conventional features

本研究针对传统眼动指标在心理负荷识别中因无法捕捉动态时间序列模式而结果不一致的问题，由研究人员通过结合本征模态函数（IMFs）的复杂度特征开展心理负荷识别研究。结果表明，复杂度特征在主观心理负荷识别（68% vs. 53%）和任务型心理负荷识别（73% vs. 57%）中均优于传统指标，准确率提升15–16%，为人机交互系统优化提供了新思路。

　　

为提升心理负荷（Mental Workload, MWL）识别效果，研究团队对比了基于复杂度的眼动指标与传统特征的效能。传统眼动指标常因难以捕捉动态时间序列模式而导致MWL识别结果不一致，而新兴证据表明复杂度特征可能成为更优指标。本研究通过让受试者解决不同难度数学问题（同步记录眼动数据）并结合NASA任务负荷指数量表（NASA-RTLX）评估，利用经验模态分解（Empirical Mode Decomposition）处理眼动数据并计算多尺度熵（Multiscale Entropy）。分别采用传统特征集和复杂度特征集训练机器学习模型后发现，基于复杂度的特征能更一致地反映MWL差异，且在主观MWL识别（准确率68%对53%）和任务型MWL识别（准确率73%对57%）中均显著优于传统方法，准确率提升达15–16%。这一发现为增强人机交互系统的适应性提供了重要理论支持。