Predicting Cognitive Load Using High-Precision Eye-Tracking System and Machine Learning for Brain-Computer Interfaces (BCIs)

הרקע לפרויקט:

עומס קוגניטיבי הינו אחד החסמים העיקריים בתפעול מערכות שונות ונמצא כיום במרכז העניין של חברות רבות בתעשייה. על מנת לנטר עומס קוגניטיבי, יש צורך לפתח ממשקי מוח-מכונה אשר יאפשרו למדוד את רמת העומס בזמן אמת. גורמים רבים משפיעים על עומס קוגניטיבי, ביניהם סביבה ויזואלית עמוסה ועשירה שבה יש מידע רב שחלק משמעותי ממנו אינו רלוונטי לביצוע המשימה. מכשיר עוקב עיניים הינו ציוד טכנולוגי מתקדם שמיועד למדידה ולרישום של תנועות העיניים ברזולוציה גבוה. בין השאר, טכנולוגיה זו משמשת לזיהוי המידע שעליו מסתכלים ולהבנה של האופן שבו אנו פועלים בסביבה ויזואלית. על כן, שימוש בתנועות עיניים מהווה בסיס לפיתוחים של ממשק-מוח מכונה שבהן תפעול מערכות מותאם למצב הקוגניטיבי כפי שנמדד בתנועות העיניים, כמו גם מערכות שמופעלות ללא מגע על בסיס תנועות עיניים.

במהלך הפרויקט נרצה לזהות עומס קוגניטיבי באמצעות מדדים שונים הנמדדים באמצעות עוקב העיניים. הפרויקט יתמקד בניבוי מצב של עומס קוגניטיבי על-פי המדדים השונים, לדוגמא גודל האישון, זמן תנועת העין ועוד. לצורך כך תיבנה פרדיגמה ניסויית ממוחשבת עם עומס קוגניטיבי משתנה, אותה ניישם בעזרת מכשיר עוקב עיניים מתקדם ואיסוף נתונים בניסויים עם נבדקים. בהמשך נבצע ניתוח נתונים תוך שימוש במודלים של למידת מכונה.

מטרת הפרויקט:

מטרת הפרויקט היא הבנה ושימוש בכלים של למידת מכונה ולמידה עמוקה לניבוי מצב של עומס קוגנטיבי תוך שימוש במאפיינים הנמדדים ממערכת עוקב עיניים מתקדמת. הפרויקט יכלול ניתוח נתונים, ושימוש במודלים מעולמות למידת המכונה והלמידה עמוקה.

תכולת הפרויקט:

עבודת הסטודנטים תכלול: לימוד תאורטי וקריאה בספרות על מחקרים בתחום, בניית פרדיגמה ניסויית, איסוף נתונים, עיבוד מקדים של הנתונים, בניית מודלים לניבוי מצב של עומס קוגנטיבי, שימוש במודלים של למידת מכונה ולמידה עמוקה.

קורסי קדם:

אין

דרישות נוספות:

מדעי נתונים ביולוגיים, כל ידע בתחום מדעי המוח , יכולות תכנות בפייתון או matlab, מבוא ללמידת מכונה.

מקורות:

1. Buschman, T. J., & Kastner, S. (2015). From behavior to neural dynamics: An integrated theory of attention. Neuron, 88(1), 127–144.
2. Carrasco, M. (2011). Visual attention: The past 25 years. Vision Research, 51(13), 1484–1525.
3. Carter, B. T., & Luke, S. G. (2020). Best practices in eye tracking research. International Journal of Psychophysiology, 155, 49–62.