- 4 次围观
认知工作负荷（CWL）评估与多种应用密切相关，例如监测驾驶员疲劳和飞行员注意力、评估外科医生在复杂手术过程中的工作负荷，以及评估宇航员在长期任务期间的认知疲劳。眼动追踪数据集通常规模较小，这限制了人工智能模型的泛化能力。时间序列基础模型（TSFM）在缓解这一局限方面展现出良好前景，因为这类模型通常基于大规模语料库进行预训练，并且能够利用有限的特定任务数据进行有效微调。尽管已有研究在受控环境下探索了认知工作负荷测量，但尚未研究时间序列基础模型根据眼动追踪数据对认知工作负荷进行分类时，能否泛化至未见过的个体。本文在两个公开可用的眼动追踪数据集上，对两个时间序列基础模型MOMENT和Moirai进行了认知工作负荷分类评估，并将其与CNN、FFN和LSTM基线模型进行了比较。我们采用了受试者级五折交叉验证，其中每个测试受试者的数据在训练期间均被排除在外。我们报告了准确率、AUC和F1分数及其95%置信区间。在类别均衡的EM-COGLOAD数据集上，预训练时间序列基础模型对未见受试者表现出显著更强的泛化能力：Moirai达到了0.918的AUC，MOMENT达到了0.882的AUC，而特定任务基线模型的AUC则维持在约0.70。在类别不均衡的COLET数据集上，尽管所有模型的性能均有所下降，MOMENT表现出最强的鲁棒性（AUC为0.670）。此外，两个时间序列基础模型在留出受试者之间也表现出最强的稳定性，这表明在数据稀缺的眼动追踪场景中，与特定任务模型相比，预训练表征能够在不同个体之间实现更加一致的泛化。
认知工作负荷（cognitive workload，CWL）评估与多种应用相关，例如监测驾驶员疲劳和飞行员注意力、评估外科医生在复杂手术过程中的工作负荷，以及评估宇航员在长期任务期间的认知疲劳。眼动追踪数据集通常规模较小，这限制了人工智能模型的泛化能力。时间序列基础模型（time-series foundation models，TSFMs）在缓解这一限制方面展现出良好潜力，因为它们在大规模语料库上进行预训练，并且能够利用有限的特定任务数据进行有效微调。尽管认知工作负荷测量已在受控环境中得到研究，但TSFMs能否基于眼动追踪数据将认知工作负荷进行分类并泛化至未见过的个体，尚未得到研究。本文在两个公开可用的眼动追踪数据集上评估了两个TSFM——MOMENT和Moirai——用于认知工作负荷分类的表现，并将其与CNN、FFN和LSTM基线模型进行了比较。我们采用了受试者级五折交叉验证，在训练过程中始终将每个测试受试者的数据留出。我们报告了准确率、AUC和F1分数及其95%置信区间。在类别均衡的EM-COGLOAD数据集上，预训练TSFMs对未见过的受试者表现出显著更好的泛化能力，其中Moirai达到0.918的AUC，MOMENT达到0.882的AUC，而特定任务基线模型的AUC仍维持在约0.70。在类别不均衡的COLET数据集上，尽管所有模型的性能均有所下降，MOMENT表现出最强的稳健性（AUC为0.670）。此外，两个TSFM在留出受试者之间均表现出最好的稳定性，表明在数据稀缺的眼动追踪场景中，与特定任务模型相比，预训练表征能够在不同个体之间实现更加一致的泛化。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.13.751282v1?rss=1
🏷️ 认知工作负荷分类 眼动追踪 时间序列基础模型 跨受试者泛化 机器学习