Design and evaluation of an intelligent system for estimating the user's cognitive load through electroencephalographic signal analysis.
| datacite.contributor.RelatedPerson | Κωνσταντίνος Μουστάκας | |
| datacite.contributor.RelatedPerson | Μιχάλης Ξένος | |
| datacite.contributor.Supervisor | Χρήστος Φείδας | |
| dc.contributor.author | Εξάρχου, Λυδία | |
| dc.contributor.other | Exarchou, Lydia | |
| dc.date.accessioned | 2025-03-04T06:47:16Z | |
| dc.date.available | 2025-03-04T06:47:16Z | |
| dc.date.issued | 2025-02-25 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | Cognitive load estimation is crucial in understanding human cognitive processes, with applications in neuroscience, education, and human-computer interaction. One of the most prominent non-invasive techniques for assessing cognitive load through neural activity is Electroencephalography (EEG). In this thesis, EEG-based cognitive load estimation is investigated with an SVM classifier while focusing on how well it generalizes across different experimental conditions. A publicly available EEG dataset, which includes an N-back working memory task, has been preprocessed through filtering, ICA, and artifact rejection. Another EEG experiment is performed with an arithmetic task to create additional variation in cognitive load measurements. Different training sets were created from data in both the public dataset and the experiment to evaluate how well the classifier generalizes to new tasks and recording conditions. Cross-task and cross-subject validation were performed to evaluate its robustness. Results indicate that while the SVM classifier achieves high accuracy in subject-dependent settings, it can perform well in cross-subject and cross-task settings, but only with appropriate training data; otherwise, accuracy will suffer. Inter-individual variability and differences between tasks will affect classification performance. The importance of accomplishing feature selection and reduction of channels to boost classifier performance while simplifying computational effort has been studied. These results illustrate the difficulties that exist in attempting to build EEG-based cognitive load classifiers and suggest ways in which real-world usage can be enhanced. | |
| dc.description.translatedabstract | Η παρούσα διπλωματική εργασία αναδεικνύει τις προκλήσεις της γενίκευσης των μοντέλων εκτίμησης γνωστικού φόρτου σε πραγματικές συνθήκες και διερευνά στρατηγικές για τη βελτίωση της απόδοσής τους. Τα ευρήματα υπογραμμίζουν τη σημασία της χρήσης κατάλληλων συνόλων εκπαίδευσης που περιλαμβάνουν δεδομένα από διαφορετικές πηγές, καθώς και της εφαρμογής τεχνικών επιλογής χαρακτηριστικών για την αύξηση της προσαρμοστικότητας των μοντέλων. Μελλοντικές έρευνες θα μπορούσαν να επικεντρωθούν στην περαιτέρω βελτίωση της προσαρμοστικότητας των μοντέλων μηχανικής μάθησης μέσω τεχνικών μεταφοράς μάθησης (transfer learning) και πιο προηγμένων μεθόδων βαθιάς μάθησης (deep learning) για την ενίσχυση της γενίκευσης σε ποικίλες γνωστικές εργασίες και ατομικές διαφορές. Ακόμη μελλοντικά θα μπορούσε να γίνει εμπλουτισμός των δεδομένων, ειδικά από άτομα που προέρχονται από διαφορετικό δημογραφικό περιβάλλον, για παράδειγμα σε μεγαλύτερο ηλικιακό εύρος. | |
| dc.identifier.uri | https://hdl.handle.net/10889/29100 | |
| dc.language.iso | en | |
| dc.subject | Brain computer interface | |
| dc.subject | Electroencephalography (EEG) | |
| dc.subject | Cognitive load | |
| dc.subject.alternative | Ηλεκτροεγκεφαλικά σήματα | |
| dc.subject.alternative | Βαθιά μάθηση | |
| dc.title | Design and evaluation of an intelligent system for estimating the user's cognitive load through electroencephalographic signal analysis. | |
| dc.title.alternative | Σχεδιασμός και αξιολόγηση ευφυούς συστήματος εκτίμησης του γνωστικού φόρτου του χρήστη μέσω ανάλυσης ηλεκτροεγκεφαλικών σημάτων |