[论文解读] Detecting Affective Flow States of Knowledge Workers Using Physiological Sensors

Matthew Lee|arXiv (Cornell University)|Jun 18, 2020

Human-Automation Interaction and Safety被引用 4

一句话总结

本研究提出一种机器学习方法，利用生理传感器检测知识工作者的积极流动状态，通过心率变异性、皮肤电导等信号分类流动与非流动状态。该方法在区分流动与非流动状态时AUC达0.889，在区分休息与工作状态时AUC达0.98，展现出在工作场所实现实时生产力与福祉支持的强大潜力。

ABSTRACT

Flow-like experiences at work are important for productivity and worker well-being. However, it is difficult to objectively detect when workers are experiencing flow in their work. In this paper, we investigate how to predict a worker's focus state based on physiological signals. We conducted a lab study to collect physiological data from knowledge workers experienced different levels of flow while performing work tasks. We used the nine characteristics of flow to design tasks that would induce different focus states. A manipulation check using the Flow Short Scale verified that participants experienced three distinct flow states, one overly challenging non-flow state, and two types of flow states, balanced flow, and automatic flow. We built machine learning classifiers that can distinguish between non-flow and flow states with 0.889 average AUC and rest states from working states with 0.98 average AUC. The results show that physiological sensing can detect focused flow states of knowledge workers and can enable ways to for individuals and organizations to improve both productivity and worker satisfaction.

研究动机与目标

• 通过生理信号客观检测知识工作者的流动状态，克服自评与日记法的局限性。
• 基于流动的九个现象学特征，设计能诱发三种不同专注状态（均衡流动、自动流动与非流动，即任务过难）的工作任务。
• 开发机器学习分类器，利用生理数据区分休息、工作、非流动与流动状态。
• 实现实时干预，帮助工作者进入并维持流动状态，从而提升生产力与工作满意度。
• 支持组织利用流动数据进行任务分配、培训与绩效监控，同时保障员工福祉。

提出的方法

• 基于流动的九个现象学特征设计实验室任务，以诱发三种不同的专注状态：均衡流动、自动流动与非流动（任务过难）。
• 在参与者执行任务期间，采集包括心率变异性（rmssd, sdNN, total_power）、皮肤电导水平及皮肤电导反应峰值在内的生理数据。
• 使用流动简表作为操控检查，验证参与者是否体验到预期的专注状态。
• 训练非个性化机器学习分类器（如SVM、随机森林）以生理特征为基础分类专注状态。
• 通过受试者间AUC与准确率评估模型性能，并采用交叉验证确保模型泛化能力。
• 应用统计分析识别各状态之间的生理特征差异，例如均衡流动状态中皮肤电导峰值最高，而自动流动状态中心率变异性最低。

实验结果

研究问题

• RQ1 在知识工作者执行工作任务期间，生理信号能否可靠地区分非流动与流动状态？
• RQ2 不同的流动状态（如均衡流动与自动流动）是否对应独特的生理模式？
• RQ3 基于生理数据训练的机器学习模型能否在不同参与者中准确分类休息、工作、非流动与流动状态？
• RQ4 心率变异性与皮肤电导等生理指标在不同专注状态下的变化如何？
• RQ5 检测流动状态对实现实时职场干预以提升生产力与福祉具有何种意义？

主要发现

• 机器学习分类器在区分非流动与流动状态时，平均AUC达0.889，表明其具有出色的判别性能。
• 在区分休息与工作状态的分类中，模型平均AUC达0.98，表明其在检测任务参与度方面具有极高准确性。
• 均衡流动与最高的皮肤电导峰值数量显著相关，表明在挑战与技能平衡的最优状态下，唤醒水平更高。
• 自动流动状态以皮肤电导测量值的最低变异性为特征，表明其为稳定且低唤醒的专注状态。
• 非流动状态（任务过难）与最高的心率变异性（rmssd, sdNN, total_power）相关，表明存在副交感神经激活以应对压力。
• 总体分类准确率达到67%（涵盖所有专注状态），非流动与流动状态区分准确率为75%，均衡流动与自动流动区分准确率为74%，表明在不同受试者群体中表现稳定。