[论文解读] Individual performance calibration using physiological stress signals
该论文提出一种通过测量在逐步增加复杂度的注意力与推理任务中生理信号（特别是GSR和HR）的反应，来校准个体性能曲线的方法。它将性能下降前的信号水平确定为最佳性能点，并验证了GSR和HR能可靠地区分压力与放松状态，且与任务复杂度呈正相关。
The relation between performance and stress is described by the Yerkes-Dodson Law but varies significantly between individuals. This paper describes a method for determining the individual optimal performance as a function of physiological signals. The method is based on attention and reasoning tests of increasing complexity under monitoring of three physiological signals: Galvanic Skin Response (GSR), Heart Rate (HR), and Electromyogram (EMG). Based on the test results with 15 different individuals, we first show that two of the signals, GSR and HR, have enough discriminative power to distinguish between relax and stress periods. We then show a positive correlation between the complexity level of the tests and the GSR and HR signals, and we finally determine the optimal performance point as the signal level just before a performance decrease. We also discuss the differences among signals depending on the type of test.
研究动机与目标
- 开发一种个性化方法，基于生理应激信号确定最优表现水平。
- 通过实时生理监测，在个体层面上验证Yerkes-Dodson定律。
- 识别哪些生理信号（GSR、HR、EMG、ECG）对压力和表现变化最具区分性。
- 通过检测性能退化前的信号阈值，校准个体性能曲线。
- 利用体感网络实现非侵入式、可穿戴设备的实时应激与表现监测。
提出的方法
- 开展两项受控测试：视觉注意力任务（类似Stroop任务）和逻辑推理任务，逐步增加复杂度。
- 使用三个无线Shimmer传感器，在测试期间采集GSR、HR（通过BVP）、ECG和EMG信号。
- 通过正确回答数衡量表现，作为检测性能下降的性能指标。
- 由于冗余性和在此情境下区分能力较低，舍弃BVP和EMG信号。
- 将性能下降阈值确定为关键校准点，定义为正确响应率下降前的信号水平。
- 分析从测试开始到性能下降期间HR的增加量和GSR峰值数量，用于个体校准。
实验结果
研究问题
- RQ1在认知任务期间，GSR和HR信号是否能可靠地区分放松与应激状态？
- RQ2任务复杂度与生理应激反应（GSR和HR）之间是否存在正相关？
- RQ3个体表现开始下降的生理信号水平是多少？该水平是否可用于校准最优表现？
- RQ4不同任务类型（颜色命名与推理）如何影响生理应激反应的时机和幅度？
- RQ5非侵入式可穿戴传感器能否准确捕捉个体表现校准所需的生理标志？
主要发现
- GSR和HR信号在全部15名受试者中均表现出强大的区分能力，可有效区分放松与应激状态。
- 观察到任务复杂度增加与GSR及HR水平上升之间存在正相关关系。
- 最优表现点始终被识别为正确响应率下降前的生理信号水平。
- 在颜色命名任务中，表现比在推理任务中更早开始下降，且HR在前者中增幅更大。
- GSR峰值数和HR增加量在个体间存在显著差异，证实了个体校准的必要性。
- 由于与ECG信号相关性低及运动伪影干扰，BVP和EMG信号被舍弃。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。