| Summary: | Ingeniero Civil Industrial === El presente trabajo tiene como objetivo la medición cuantitativa de cargas cognitivas durante ciertas actividades en ambientes móviles mediante sensores psico-fisiológicos. Los sensores psico-fisiológicos entregan una medida de alguna característica fisiológica con lo que es posible determinar factores psicológicos como la carga cognitiva, el estrés, la fatiga, entre otros. El método de medición más utilizado es un cuestionario elaborado por NASA, que se aplica luego de realizadas las actividades por lo que el resultado final es subjetivo. El enfoque de este proyecto, en cambio, es medir en base a los datos objetivos que entregan las señales de los sensores. Para esto se utiliza un eyetracker, electrocardiograma, pulsoxímetro y temperatura.
Este tema de memoria está enmarcado en el proyecto Fondecyt A Cognitive Resource-Aware Mobile Service Framework to Support Human-Computer-Interactions in Ubiquitous Computing Environments liderado por el Profesor Ángel Jiménez. El problema tipo de estudio es cuando un usuario debe dividir su atención entre una actividad primaria física por ejemplo, caminar, hablar e interacciones del usuario con el computador u otro dispositivo por ejemplo, leer o escribir desde el Smartphone.
Para la medición de carga cognitiva se desarrolla un diseño experimental que consiste en realizar tareas con un Smartphone en 3 escenarios con distinto nivel de demanda cognitiva, estos son, sin estímulos externos, en conversación y caminando. Los resultados esperados son principalmente dos: comprobar (o no) que las señales pueden discriminar los distintos niveles de demanda cognitiva y obtener clasificadores de esos niveles. Se realizó el experimento con 20 participantes validando a su vez el diseño con la aplicación del test NASA que afirmó que el diseño es coherente a lo que se busca.
Se aplica el proceso Knowledge Discovery in Databases con el fin de realizar todos los pasos adecuados para una correcta aplicación de un algoritmo de minería de datos.
Los resultados indican que todos los sensores son capaces de discriminar estadísticamente las actividades de distinto nivel de demanda cognitiva planteadas en este estudio. Se aplicó un test de hipótesis t y análisis de varianza de medidas repetidas para obtener lo anterior.
Se aplican también los algoritmos de Support Vector Machine, Naive Bayes y Regresión Logística. Los resultados indican que el modelo Naive Bayes fue el que mejor resultados obtuvo. En cuanto a los sensores, al modelar por cada tarea incluyendo a todos los participantes el sensor de BPM junto con el sensor de SO2 son los que mejor predicen. Incluso cuando se combinan su poder de predicción crece llegando al 81.42% de accuracy en algunas tareas.
|
|---|
