Hodnocení kognitivní zátěže v extrémním prostředí

Abstract

Diplomová práce se věnuje hodnocení kognitivní zátěže v extrémních prostředích, což je kritické pro úspěch a bezpečnost jednotlivců a týmů při náročných a důležitých úkonech. Tradiční metody monitorování pomocí dotazníků nebo behaviorální analýzy mohou být v extrémních podmínkách nepraktické až neproveditelné. Z tohoto důvodu stále více roste zájem o využití periferních biosignálů pro hodnocení kognitivní zátěže v reálném čase. Práce konkrétně zkoumá vliv extrémního prostředí v podobě vesmírné analogové mise na projevy kognitivní zátěže v elektrické srdeční, respirační a elektrodermální aktivitě. Pro účely hodnocení kognitivní zátěže je představen nový multimodální způsob založený na tvorbě fyziologických příznaků ve formě vícerozměrných časoprostorových kauzálních vzorů, které umožňují unikátní kódování specifického kognitivního stavu. Kapsulární neuronová síť je navržena pro synergické sjednocení vytvořených fyziologických příznaků využitím autoenkodérové komprese do jednotného latentního prostoru k zachycení časoprostorových kauzálních relací. Navržené řešení je otestováno na populárních veřejně dostupných benchmarkovacích datasetech včetně dat z analogové vesmírné mise.

The thesis focuses on the assessment of cognitive load in extreme environments, which is critical for the success and safety of individuals and teams performing demanding and essential tasks. Traditional monitoring methods using questionnaires or behavioral analysis may be impractical or even impossible in extreme conditions. For this reason, there is a growing interest in using peripheral biosignals for real-time cognitive load assessment. Specifically, the thesis examines the impact of extreme environments, such as an analog space mission, on the manifestations of cognitive load in electrical cardiac, respiratory, and electrodermal activity. To assess the cognitive load, a new multimodal approach is introduced based on the creation of physiological features in the form of multivariate spatiotemporal causal patterns, allowing for a unique encoding of specific cognitive states. A capsular neural network is designed for synergic uniform integration of the physiological features to capture spatiotemporal causal relations by exploiting autoencoder compression capability. The proposed solution is tested on popular publicly available benchmark datasets, including data from an analog space mission.