Classifying cognitive workload using eye activity and EEG features in arithmetic tasks
Fragment książki (Rozdział monografii pokonferencyjnej)
MNiSW
20
Poziom I
| Status: | |
| Autorzy: | Borys Magdalena, Plechawska-Wójcik Małgorzata, Wawrzyk Martyna, Wesołowska Kinga |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Wersja dokumentu: | Drukowana | Elektroniczna |
| Arkusze wydawnicze: | 0,9 |
| Język: | angielski |
| Strony: | 90 - 105 |
| Web of Science® Times Cited: | 17 |
| Scopus® Cytowania: | 19 |
| Bazy: | Web of Science | Scopus |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | TAK |
| Nazwa konferencji: | 23nd International Conference on Information and Software Technologies, |
| Skrócona nazwa konferencji: | ICIST 2017 |
| URL serii konferencji: | LINK |
| Termin konferencji: | 12 października 2017 do 14 października 2017 |
| Miasto konferencji: | Druskininkai |
| Państwo konferencji: | LITWA |
| Publikacja OA: | NIE |
| Abstrakty: | angielski |
| The paper presents the results of classification of mental states in a study of the cognitive workload based on arithmetic tasks. Different classification methods were applied using features extracted from eye activity and EEG signal. The paper discusses results of two datasets. The first one covers binary classification discriminating between the cognitive workload condition and the no-task control condition. The second one discriminates between three mental states: the high cognitive workload condition, the low cognitive workload condition and the no-task control condition. The results obtained for the first dataset reached the accuracy of 90% with 6 eye-tracking features as input and an SVMs classifier. The second dataset was classified with the maximum accuracy of 73% due to its complexity. |
