Wearable Device-Based Real-Time Monitoring of Physiological Signals: Evaluating Cognitive Load Across Different Tasks

本研究采用尖端可穿戴监测技术，对二级职业学生的FP1通道脑电图（EEG）数据和心率变异性（HRV）数据进行高精度、高时间分辨率（1秒间隔）的认知负荷评估。通过联合分析这两个关键的生理指标，研究探讨了它们在评估二级职业学生认知负荷方面的应用价值及其在各种任务中的效用。本研究设计了两个实验来验证所提出方法的有效性：首先，使用N-BACK任务开发的随机森林分类模型，能够精确解码不同认知负荷水平下二级职业学生的生理信号特征，实现了97%的分类准确度。随后，将该分类模型应用于涉及全国计算机等级考试（一级）的跨任务实验中，证明了该方法在不同学习环境中具有显著的适用性和跨任务的可转移性。本研究具有高度的可移植性，对于优化二级职业教育中的教学资源分配以及认知负荷评估方法和监测具有重要的理论和实践意义。目前，研究结果正在学校进行试点实施。

论文旨在通过联合分析脑电图（EEG）数据的FP1通道和心率变异性（HRV）数据，利用最新的可穿戴监测技术，对中等职业学生进行高精度、高时间分辨率（1秒间隔）的认知负荷评估，以验证这种方法在不同任务中的应用价值和实用性。

论文的关键思路是使用最新的可穿戴监测技术，联合分析脑电图和心率变异性数据，开发出一个随机森林分类模型，用于在不同任务中对中等职业学生的认知负荷进行精确分类和评估。

该研究使用了最新的可穿戴监测技术进行高精度、高时间分辨率的认知负荷评估，设计了两个实验来验证该方法的有效性和实用性，并在全国计算机等级考试（一级）中进行了交叉任务实验，证明了该方法在不同学习环境下的应用和跨任务可转移性。该研究对于优化中等职业教育教学资源分配以及认知负荷评估方法和监测具有重要的理论和实践意义。

在这个领域中，最近的相关研究包括使用EEG和HRV数据进行认知负荷评估的其他研究。例如，题为“使用EEG和HRV数据的认知负荷评估：一种基于深度学习的方法”的论文。