論文の概要: Pupillometry and Brain Dynamics for Cognitive Load in Working Memory

• arxiv url: http://arxiv.org/abs/2602.10614v1
• Date: Wed, 11 Feb 2026 08:05:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.562677
• Title: Pupillometry and Brain Dynamics for Cognitive Load in Working Memory
• Title（参考訳）: 作業記憶における認知負荷に対するピロメトリーと脳ダイナミクス
• Authors: Nusaibah Farrukh, Malavika Pradeep, Akshay Sasi, Rahul Venugopal, Elizabeth Sherly,
• Abstract要約: 本研究は,時系列分析の進歩に向けた特徴ベースおよびモデル駆動型アプローチを統合する。 The OpenNeuro 'Digit Span Task' データセットを用いて,脳波と瞳孔計測から認知負荷を分類する。 この結果から,瞳孔計測だけで脳波と競合し,現実の応用のためのポータブルで実用的なプロキシとして機能することが示唆された。
• 参考スコア（独自算出の注目度）: 0.1631115063641726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cognitive load, the mental effort required during working memory, is central to neuroscience, psychology, and human-computer interaction. Accurate assessment is vital for adaptive learning, clinical monitoring, and brain-computer interfaces. Physiological signals such as pupillometry and electroencephalography are established biomarkers of cognitive load, but their comparative utility and practical integration as lightweight, wearable monitoring solutions remain underexplored. EEG provides high temporal resolution of neural activity. Although non-invasive, it is technologically demanding and limited in wearability and cost due to its resource-intensive nature, whereas pupillometry is non-invasive, portable, and scalable. Existing studies often rely on deep learning models with limited interpretability and substantial computational expense. This study integrates feature-based and model-driven approaches to advance time-series analysis. Using the OpenNeuro 'Digit Span Task' dataset, this study investigates cognitive load classification from EEG and pupillometry. Feature-based approaches using Catch-22 features and classical machine learning models outperform deep learning in both binary and multiclass tasks. The findings demonstrate that pupillometry alone can compete with EEG, serving as a portable and practical proxy for real-world applications. These results challenge the assumption that EEG is necessary for load detection, showing that pupil dynamics combined with interpretable models and SHAP based feature analysis provide physiologically meaningful insights. This work supports the development of wearable, affordable cognitive monitoring systems for neuropsychiatry, education, and healthcare.
• Abstract（参考訳）: 認知的負荷(Cognitive Load)は、作業記憶に必要な精神的な労力であり、神経科学、心理学、人間とコンピュータの相互作用の中心である。 正確な評価は適応学習、臨床モニタリング、脳とコンピュータのインターフェースに不可欠である。 瞳孔計測や脳波検査などの生理的信号は認知負荷のバイオマーカーとして確立されているが、軽量でウェアラブルなモニタリングソリューションとしてのそれらの実用性と実践的な統合はいまだ検討されていない。 脳波は神経活動の時間分解能が高い。 非侵襲性はあるものの、そのリソース集約性のため、技術的には着用性やコストが制限されているのに対して、瞳孔計は非侵襲性、ポータブル性、スケーラブルである。 既存の研究はしばしば、解釈可能性とかなりの計算コストに制限されたディープラーニングモデルに依存している。 本研究は,時系列分析の進歩に向けた特徴ベースおよびモデル駆動型アプローチを統合する。 The OpenNeuro 'Digit Span Task' データセットを用いて,脳波と瞳孔計測から認知負荷を分類する。 Catch-22の機能と古典的な機械学習モデルを用いた機能ベースのアプローチは、バイナリタスクとマルチクラスタスクの両方でディープラーニングを上回っている。 この結果から,瞳孔計測だけで脳波と競合し,現実の応用のためのポータブルで実用的なプロキシとして機能することが示唆された。 これらの結果は、脳波が負荷検出に必要であるという仮定に挑戦し、解釈可能なモデルとSHAPに基づく特徴分析を組み合わせた瞳孔運動が生理学的に有意な洞察を与えることを示した。 この研究は、神経精神医学、教育、医療のためのウェアラブルで安価な認知モニタリングシステムの開発を支援する。

関連論文リスト

• Augmenting learning in neuro-embodied systems through neurobiological first principles [42.810158068175646]
  本稿では,最近のバイオインスパイアされたモデル,学習規則,人工ニューラルネットワークのアーキテクチャについて述べる。 我々は、神経科学とAIのギャップを埋める可能性を持つANNを増強するためのフレームワークを提案する。 課題駆動のスパイクニューラルネットワークとニューロモルフィックシステムに生物物理学の原理を統合することで、スケーラブルなソリューションが提供されることを示す。
  論文  参考訳（メタデータ） (2024-07-05T14:11:28Z)
• Deep Latent Variable Modeling of Physiological Signals [0.8702432681310401]
  潜時変動モデルを用いた生理モニタリングに関する高次元問題について検討する。 まず、光学的に得られた信号を入力として、心の電気波形を生成するための新しい状態空間モデルを提案する。 次に,確率的グラフィカルモデルの強みと深い敵対学習を組み合わせた脳信号モデリング手法を提案する。 第3に,生理的尺度と行動の合同モデリングのための枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T17:07:33Z)
• A Knowledge-Driven Cross-view Contrastive Learning for EEG Representation [48.85731427874065]
  本稿では,限られたラベルを持つ脳波から効果的な表現を抽出する知識駆動型クロスビューコントラスト学習フレームワーク(KDC2)を提案する。 KDC2法は脳波信号の頭皮と神経のビューを生成し、脳活動の内部および外部の表現をシミュレートする。 ニューラル情報整合性理論に基づく事前のニューラル知識をモデル化することにより、提案手法は不変かつ相補的なニューラル知識を抽出し、複合表現を生成する。
  論文  参考訳（メタデータ） (2023-09-21T08:53:51Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• Modeling cognitive load as a self-supervised brain rate with electroencephalography and deep learning [2.741266294612776]
  本研究では,脳波データからメンタルワークロードをモデリングするための,新たな自己教師型手法を提案する。 脳波データからスペクトル地形図を空間的に保存して脳速度変数に適合させることができる畳み込みリカレントニューラルネットワークである。 学習した認知活性化の準安定なブロックの存在は、それらは畳み込みによって誘導され、時間とともに互いに依存していないように見えるため、脳反応の非定常的性質と直感的に一致している。
  論文  参考訳（メタデータ） (2022-09-21T07:44:21Z)
• A Spiking Neural Network Emulating the Structure of the Oculomotor System Requires No Learning to Control a Biomimetic Robotic Head [0.0]
  バイオミメティック・ロボットヘッドのプロトタイプの心臓にニューロモルフィック・オキュロモータ・コントローラが配置されている。 コントローラは、すべてのデータがスパイクニューラルネットワーク(SNN)によって符号化され、処理されるという意味でユニークなものです。 ロボットの目標追跡能力について報告し、その眼球運動学は人間の眼研究で報告されたものと類似していることを示し、生物学的に制約された学習を用いて、その性能をさらに向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-02-18T13:03:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。