Enhancing Cross-Dataset Mental Workload Detection Using Electrodermal Activity and Domain Adaptation

Share

Abstract

La evaluación de la carga mental de trabajo mediante señales fisiológicas ha ganado creciente atención para aplicaciones en la interacción humano-computadora y la monitorización ocupacional. Entre estas señales, la actividad electrodérmica (EDA) es ampliamente reconocida como un indicador fiable de la activación simpática asociada al esfuerzo cognitivo. Sin embargo, la mayoría de los enfoques existentes basados en aprendizaje automático se evalúan dentro de un único conjunto de datos, lo que limita su generalización entre diferentes poblaciones y condiciones experimentales. Este estudio investiga el rendimiento entre conjuntos de datos de modelos de aprendizaje automático para la detección de carga mental de trabajo utilizando características de EDA. Se emplearon dos conjuntos de datos independientes, y se adoptó un marco de evaluación entre conjuntos de datos para simular escenarios de despliegue realistas bajo cambio de dominio. Se evaluaron tres clasificadores (Random Forest, XGBoost y Support Vector Classifier (SVC)), junto con dos técnicas de adaptación de dominio: Alineación de Correlación (CORAL) y Alineación de Subespacio (SA). Los resultados muestran que el rendimiento del modelo depende fuertemente de la dirección de la transferencia, con una notable caída de rendimiento al generalizar entre conjuntos de datos. La adaptación de dominio mejoró el rendimiento en varias configuraciones, particularmente para SVC con CORAL, alcanzando el mejor F1-score global (0,815). Sin embargo, las mejoras no fueron consistentes en todos los modelos y dominios objetivo. En conjunto, este estudio destaca los desafíos de la generalización entre conjuntos de datos en la detección de carga de trabajo basada en EDA y demuestra el potencial, aunque limitado, de robustez de las técnicas de adaptación de dominio para mitigar los cambios de distribución. [Traducción automática al español; idioma original: inglés.]