Fortschritte in fNIRS zur Klassifizierung von kognitiver Belastung

Funktionelle Nahinfrarotspektroskopie (fNIRS) ist 'ne Technik, die misst, wie der Blutfluss im Gehirn sich ändert, wenn Leute verschiedene Aufgaben machen. Das hilft Forschern, die Gehirnaktivität zu verstehen, ohne die Teilnehmer zu stören. Ein wichtiger Bereich ist die Kognitive Belastung (CWL), also wie viel mentale Anstrengung für 'ne Aufgabe nötig ist. Hohe CWL kann zu Fehlern und Frustration führen, während niedrige CWL Langeweile zur Folge haben kann.

Um effektive Systeme zu entwickeln, die Aufgaben an die Belastung der Leute anpassen können, brauchen Forscher Modelle, die nicht nur für eine Person, sondern für viele verschiedene Individuen gut funktionieren. Die meisten bestehenden Modelle gehen jedoch davon aus, dass Training und Testen mit derselben Person erfolgen, was ihre Anwendung in der realen Welt einschränkt. Ausserdem kann fNIRS-Daten von Person zu Person und sogar in verschiedenen Sitzungen mit derselben Person stark variieren.

#Herausforderungen mit fNIRS-Daten

Die Unterschiede in den fNIRS-Daten können aus vielen Faktoren resultieren, einschliesslich unterschiedlicher Frisuren, Hauttypen und wie die Sensoren am Kopf einer Person platziert sind. Variationen treten auch innerhalb derselben Person über verschiedene Sitzungen hinweg auf, und Bewegungen während der Aufgabe können Rauschen erzeugen und Daten verzerren.

Um diese Probleme anzugehen, haben Forscher Methoden vorgeschlagen, die Daten aus unterschiedlichen Sitzungen oder Probanden als aus separaten Domänen kommend zu behandeln. So können sie die Modelle anpassen, um besser mit den Unterschieden umzugehen. Allerdings entfernen einige Methoden bestimmte Datenkanäle, was dazu führen kann, dass nützliche Informationen verloren gehen und die Leistung herabgesetzt wird.

#Neuer Ansatz: Klassenbewusste Blockbewusste Domänenanpassung

Forscher haben eine neue Methode namens Klassenbewusste Blockbewusste Domänenanpassung (CABA-DA) entwickelt. Dieser Ansatz zielt darauf ab, Unterschiede zwischen Sitzungen zu reduzieren, während Daten aus verschiedenen Blöcken innerhalb derselben Sitzung als separate Domänen behandelt werden. Indem die Variationen zwischen den Blöcken mit derselben Aufgabe minimiert werden, wollen die Forscher die Fähigkeit des Modells zur Klassifizierung kognitiver Belastung verbessern.

Zusätzlich zu diesem neuen Ansatz wird ein Modell auf Basis einer Architektur namens MLPMixer vorgeschlagen, das zur Klassifizierung von kognitiven Belastungsniveaus dient. Ziel ist es, eine bessere Leistung zu erzielen als bestehende Modelle, die oft auf das Training einzelner Teilnehmer fokussiert sind.

#Die Bedeutung der kognitiven Belastung im Alltag

Kognitive Belastung ist entscheidend für unsere alltäglichen Aktivitäten, besonders wenn wir mit Computern interagieren oder Aufgaben ausführen, die mentale Anstrengung erfordern. Erhöhte kognitive Belastung kann zu Fehlern und verminderter Leistung führen, während zu wenig Belastung zu Desinteresse führen kann. Daher ist es wichtig, Systeme zu haben, die sich in Echtzeit an die Belastung von Individuen anpassen können, um die Mensch-Computer-Interaktion (HCI) zu verbessern.

#Die Rolle von Bildgebungstechniken im Gehirn

Traditionell haben viele Forscher funktionelle Magnetresonanztomographie (fMRT) verwendet, um die Gehirnaktivität zu analysieren. Während fMRT hochwertige Daten liefert, ist es für HCI-Studien nicht praktikabel, da die Teilnehmer still bleiben müssen und der Prozess teuer ist. Stattdessen sind fNIRS und Elektroenzephalographie (EEG) besser geeignet, um Gehirnaktivität in Echtzeit zu messen, da sie Bewegung erlauben.

EEG misst die elektrische Aktivität im Gehirn über Elektroden, die auf der Kopfhaut platziert werden, während fNIRS Licht nutzt, um Veränderungen im Blutfluss zu erkennen. Beide Methoden haben ihre Vor- und Nachteile, wobei fNIRS weniger von Bewegungsartefakten betroffen ist als EEG.

#Kognitive Belastung durch fNIRS untersuchen

In dieser Studie untersuchen die Forscher, wie man die Niveaus der kognitiven Belastung mit fNIRS-Daten klassifizieren kann. Viele bestehende Techniken nutzen tiefes Lernen zur Klassifizierung, trainieren ihre Modelle jedoch oft mit Daten derselben Probanden. Das bedeutet, dass diese Modelle, wenn sie auf neue Probanden oder Sitzungen angewendet werden, schlecht funktionieren, was ein Problem darstellt, das überwunden werden muss.

Methoden des tiefen Lernens haben auch Probleme wie Überanpassung, wo Modelle Details lernen, die nicht auf neue Daten übertragbar sind. Die Abhängigkeit von Convolutional Neural Networks (CNNs) für die Analyse kann auch problematisch sein, da diese Modelle annehmen, dass Merkmale über verschiedene Regionen geteilt werden können, was bei Gehirnsignalen vielleicht nicht zutrifft.

#Weg von CNNs

Angesichts der Einschränkungen von CNNs schlagen die Forscher vor, stattdessen ein MLPMixer-Modell zu verwenden. Dieses Modell basiert nicht auf den gleichen Annahmen, die oft für Gehirndaten nicht zutreffen. Der MLPMixer verarbeitet Eingaben anders, was eine bessere Handhabung von fNIRS-Daten ermöglicht.

#Das blockweise Experimentdesign

Die Forscher haben fNIRS-Daten mithilfe eines blockweisen experimentellen Designs gesammelt, bei dem Teilnehmer bestimmte Aufgaben wiederholt über verschiedene Blöcke hinweg ausgeführt haben. Während jeder Aufgabensitzung erhalten die Teilnehmer Anweisungen und beschäftigen sich dann mit der Aufgabe, während ihre Gehirnaktivität überwacht wird.

Die Herausforderung besteht darin, dass Variationen sowohl zwischen Individuen als auch innerhalb derselben Person über verschiedene Sitzungen hinweg auftreten können. Diese Anerkennung von intra-individueller Variabilität, also Unterschiede innerhalb derselben Person, ist entscheidend für die Entwicklung von Analysemodellen.

#Mit der Variabilität in fNIRS-Daten umgehen

Wie bereits erwähnt, haben unterschiedliche Individuen distincte Gehirnstrukturen, Haartypen und Gesichtszüge, die die Qualität der fNIRS-Daten beeinflussen können. Diese Variationen führen zu dem Bedarf nach Modellen, die sich an verschiedene Datenverteilungen anpassen können.

Frühere Ansätze haben oft die intra-individuelle Variabilität innerhalb verschiedener Blöcke von Sitzungen übersehen. Daher schlagen die Forscher in dieser Studie neue Wege vor, um diese Variabilität zu verstehen und Techniken anzuwenden, um die Generalisierung der Modelle zu verbessern.

#Kontrastives Lernen und Domänenanpassung

Kontrastives Lernen wird genutzt, um einen besseren Vergleich zwischen Proben zu ermöglichen. Indem Proben basierend auf ihren Ähnlichkeiten und Unterschieden organisiert werden, können die Forscher verbessern, wie das Modell lernt, verschiedene Klassen zu unterscheiden.

Die Kombination mit der Domänenanpassung ermöglicht es dem Modell, besser über Probanden und Sitzungen hinweg zu funktionieren. Dieser Prozess hebt hervor, wie wichtig es ist, nicht nur zu betrachten, wie Proben miteinander in Beziehung stehen, sondern auch, wie sie an unterschiedliche Kontexte angepasst werden können.

#Das neue Modell trainieren

Das neue Modell wird mit verschiedenen Techniken auf die Daten angewendet. Indem die Daten in verschiedene Segmente basierend auf Versuchen, Blöcken, Sitzungen und Probanden aufgeteilt werden, prüfen die Forscher, wie gut das Modell die kognitive Belastung klassifizieren kann.

Durch die Bewertung des Modells unter verschiedenen Bedingungen kann bestimmt werden, wie gut das Modell auf ungesehene Probanden und Sitzungen generalisieren kann. Das ist entscheidend für das Verständnis der Leistung des Modells in realen Anwendungen und dafür, dass es in verschiedenen Umgebungen effektiv genutzt werden kann.

#Leistung mit verschiedenen Datensätzen bewerten

Die Forscher testen ihr vorgeschlagenes Modell mit mehreren öffentlich verfügbaren Datensätzen. Jeder Datensatz enthält Informationen aus verschiedenen kognitiven Aufgaben und wurde von verschiedenen Teilnehmern gesammelt. Durch rigoroses Testen und den Vergleich mit bestehenden Modellen wird die Leistung des neuen MLPMixer-Modells bewertet.

Die experimentellen Ergebnisse zeigen, dass das neue Modell die Niveaus kognitiver Belastung effektiver klassifizieren kann als traditionelle Modelle. Das stärkt die Bedeutung eines umfassenden Ansatzes, wenn es darum geht, Gehirndaten und deren Auswirkungen auf die Analyse der Belastung zu studieren.

#Verschiedene Ansätze vergleichen

Verschiedene Modelle werden über die Datensätze hinweg verglichen, um ihre Leistung zu analysieren. Die Ergebnisse zeigen, dass das neue MLPMixer-Modell und der CABA-DA-Ansatz die Genauigkeit der Klassifizierungsaufgaben signifikant verbessern. Diese Verbesserung bestätigt die Wirksamkeit der vorgeschlagenen Methoden zur Bewältigung der Herausforderungen im Zusammenhang mit fNIRS-Daten.

#Gehirnaktivität visualisieren

Um weiter zu verstehen, welche Gehirnregionen während kognitiver Aufgaben am wichtigsten sind, nutzen die Forscher Datenvisualisierungstechniken. Dieser Prozess beinhaltet das Maskieren bestimmter fNIRS-Kanäle, um zu sehen, wie das Entfernen von Informationen aus bestimmten Bereichen die Gesamtleistung des Modells beeinflusst.

Die Bereiche, die zu signifikanten Genauigkeitsverlusten führen, werden als entscheidend für die Leistungsfähigkeit der Aufgabe identifiziert, was den Forschern ermöglicht, Schlüsselregionen zu bestimmen, die an der Verarbeitung kognitiver Belastung beteiligt sind.

#Fazit und Ausblick

Zusammenfassend betont die Studie die Wichtigkeit, Modelle zu entwickeln, die sich an die Variabilität in fNIRS-Daten anpassen können. Die Einführung von CABA-DA zusammen mit einem MLPMixer zeigt vielversprechende Ansätze, um die kognitive Belastung über verschiedene Individuen und Sitzungen hinweg besser zu klassifizieren.

Während die Forschung weiterhin voranschreitet, können Anstrengungen unternommen werden, um diese Techniken weiter zu verfeinern, zusätzliche Architekturen neuronaler Netzwerke zu erkunden und andere Methoden zur Verbesserung der Datenqualität und Benutzbarkeit zu untersuchen. Insgesamt zielt diese Arbeit darauf ab, das Verständnis in der kognitiven Neurowissenschaft zu erweitern und Systeme für die Mensch-Computer-Interaktion zu verbessern, während wir auf eine Zukunft zusteuern, in der Technologie besser auf individuelle kognitive Zustände reagieren kann.

Durch kontinuierliche Verbesserungen und Innovationen in diesem Bereich ist es möglich, effizientere, benutzerfreundlichere Systeme zu schaffen, die die menschlichen Bedürfnisse, insbesondere in Kontexten, die hohe mentale Anstrengung und Engagement erfordern, besser unterstützen können.