結合 fNIRS 與眼動追蹤及深度學習進行駕駛模擬器認知負荷分類研究
arXiv - Human-Computer InteractionMehshan Ahmed Khan, Houshyar Asadi, Mohammad Reza Chalak Qazani, Chee Peng Lim, Saied Nahavandi
本研究利用 fNIRS 與眼動追蹤數據，透過 CNN-LSTM 模型在低能見度駕駛環境下實現高準確度的認知負荷預測。
AI 幫你先抓重點
AI 重點 1
多模態生理數據融合（Multimodal Data Fusion）的強大潛力
滑鼠懸停看 AI 判斷理由
將神經科學（fNIRS）與行為科學（眼動追蹤）數據結合，能提供比單一數據源更全面的認知狀態圖譜，這對於開發精準的即時監測系統至關重要。
AI 重點 2
深度學習模型在複雜環境下的魯棒性（Robustness）
滑鼠懸停看 AI 判斷理由
研究證明 CNN-LSTM 模型在低能見度等非理想環境下仍具備極高預測力，這為未來在不穩定或高壓力的現實應用場景中部署 AI 監測技術提供了信心。
核心研究發現
- 1
結合神經學數據（fNIRS）與眼動追蹤資訊的 CNN-LSTM 模型，在預測駕駛認知負荷時達到了 99% 的高準確率。
- 2
僅使用車輛動力學數據進行認知負荷預測時，模型的準確率為 89%，顯示神經與生理數據能顯著提升預測效能。
- 3
研究成功填補了過往研究僅關注明亮環境或二分法負荷等級的缺口，能在低能見度挑戰性情境下分析認知負荷變化。
對教育工作者的啟發
雖然本研究聚焦於駕駛安全，但其技術邏輯對教育科技極具啟發。教育者可參考這種「多模態數據融合」的思路，開發結合腦電（EEG/fNIRS）與眼動追蹤的學習分析系統，以精準捕捉學生在數位學習環境中的認知負荷。例如，當系統偵測到學生在複雜任務中出現高認知負荷且注視點異常時，可即時調整教學難度或提供鷹架（Scaffolding）支持，實現真正的適應性學習環境（Adaptive Learning Environments）。
原始文獻資訊
- 英文標題：
- Functional near-infrared spectroscopy (fNIRS) and Eye tracking for Cognitive Load classification in a Driving Simulator Using Deep Learning
- 作者：
- Mehshan Ahmed Khan, Houshyar Asadi, Mohammad Reza Chalak Qazani, Chee Peng Lim, Saied Nahavandi
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。