Assessing mental workload using seismocardiography
Authors
Hansen, Mikkel Jul ; Diemar, Jacob Guy
Term
4. semester
Education
Publication year
2019
Submitted on
2019-06-06
Pages
62
Abstract
Formålet med studiet var at undersøge, om mental arbejdsbelastning kan vurderes ved hjælp af seismokardiografi (SCG) gennem analyse af hjerterytmevariabilitet (HRV) og maskinlæring. SCG registrerer bittesmå vibrationer på brystkassen skabt af hjerteslag. Tolv deltagere gennemførte en mental computertest med tre sværhedsgrader på to dage med mindst en uge imellem. Under opgaverne blev elektrokardiografi (EKG) og SCG målt samtidig. Deltagerne gav også en subjektiv vurdering af deres mentale arbejdsbelastning med NASA-TLX (et standard spørgeskema), og deres præstation blev opsummeret i en score. Fra både EKG og SCG blev tidsintervallerne mellem hjerteslag udtrukket, og HRV blev analyseret i både tids- og frekvensdomænet (en måde at beskrive, hvordan variationen fordeler sig over forskellige frekvenser). Resultater for HRV, subjektive vurderinger og præstationer blev sammenlignet på tværs af dage og belastningsniveauer med en to-vejs ANOVA med gentagne målinger (en statistisk test, der undersøger forskelle efter flere faktorer i de samme personer). Overensstemmelsen mellem HRV baseret på EKG og SCG blev vurderet med intraklasse-korrelationskoefficienter (ICC), som måler, hvor godt to metoder er enige. Derudover blev karakteristika (features) fra SCG-signalerne brugt til at træne maskinlæringsmodeller til at klassificere niveauer af mental arbejdsbelastning. Subjektive vurderinger og præstationsscore viste signifikante forskelle både mellem dage og mellem belastningsniveauer. For HRV blev der fundet en signifikant forskel i ét frekvensmål (Peak LF) mellem belastningsniveauer. ICC-værdierne for overensstemmelse mellem EKG- og SCG-baseret HRV spændte fra dårlig til fremragende afhængigt af målet. Maskinlæringsklassifikation af mental arbejdsbelastning ud fra de inkluderede SCG-features lykkedes ikke. Konklusionen er, at SCG virker anvendelig til HRV-analyse, fordi automatisk støjfjernelse og segmentering af hjerteslag i SCG-signalerne fungerede godt. Der er dog behov for yderligere arbejde for at kunne klassificere mental arbejdsbelastning ud fra SCG.
This study examined whether mental workload can be assessed using seismocardiography (SCG) through heart rate variability (HRV) analysis and machine learning. SCG records tiny chest vibrations produced by the beating heart. Twelve participants completed a computer-based mental task at three difficulty levels on two days at least one week apart. Electrocardiography (ECG) and SCG were recorded at the same time. Participants also provided subjective ratings of mental workload using the NASA-TLX (a standard questionnaire), and task performance was summarized in a score. From both ECG and SCG, intervals between heartbeats were extracted, and HRV was analyzed in the time and frequency domains (ways of describing how the beat-to-beat variation is distributed over time and frequencies). HRV results, subjective ratings, and performance scores were compared across days and workload levels using a two-way ANOVA with repeated measures (a statistical test that examines differences by multiple factors within the same individuals). Agreement between ECG- and SCG-derived HRV was assessed with intraclass correlation coefficients (ICC), which quantify how well two methods agree. Features from SCG signals were also used to train machine learning models to classify mental workload levels. Subjective ratings and performance showed significant differences both between days and across workload levels. For HRV, a significant difference between workload levels was found in one frequency-domain measure (Peak LF). ICC values for agreement between ECG- and SCG-based HRV ranged from poor to excellent depending on the measure. Machine learning classification of mental workload from the included SCG features was not successful. In conclusion, SCG appears feasible for HRV analysis because automatic noise removal and heartbeat segmentation in SCG signals worked well. However, further work is needed to classify mental workload from SCG.
[This abstract was generated with the help of AI]
Keywords
Documents