神经网络建模技术在认知负荷测评中的应用

四、神经网络建模技术在认知负荷测评中的应用

将神经网络技术应用于认知负荷的测评研究，国内外的研究还不多。但借鉴神经网络技术在心理工作负荷测评中的已有运用，同样可以利用神经网络技术对认知负荷进行综合的测评。其基本方法主要有下述两种。

(一)神经网络建模技术与工作评定法结合

即首先确定影响认知负荷的因素，将影响因素作为网络的输入项，将认知负荷水平(或任务难度水平)作为输出项，训练建立神经网络，并利用神经网络模型对认知负荷进行分类和识别。

(二)神经网络建模技术与单维度认知负荷测评方法(作业绩效、主观评估、生理测量)结合

即先测量得到认知负荷的单维度评估指标，将单维度评估指标作为网络输入项，训练并建立神经网络模型对认知负荷进行分类和识别。

用于认知负荷分类和识别的神经网络模型，主要有多层前馈网络(BP神经网络)和自组织神经网络(SOM)。BP神经网络分输入层、隐含层和输出层，能在无需事先了解输入—输出模式映射关系数学方程的情况下，通过对样本进行学习训练，建立由n维输入项到m维输出项之间的非线性映射。因此，在认知负荷测评中，可以将作业自我效能、成就目标定向、状态元认知、时间压力等认知负荷影响因素作为输入项，以认知负荷水平(或任务难度水平)为输出项，建立BP神经网络模型对认知负荷进行判断。也可以将单维评估指标作为输入项，将认知负荷水平(任务难度水平)作为输出项，建立起BP神经网络来对认知负荷进行分类和识别。

SOM神经网络是一类无教师、自组织、自学习网络，其特点与人脑的自组织特性相类似。它能将输入项有序地映射在输出层上，实现将样本的高维空间，在保持结构不变的条件下，投影到低维空间。因此，可以应用于认知负荷水平的分类研究中，即，将单维测评指标作为输入项，通过竞争学习训练，对认知负荷水平进行分类。例如，将认知作业的绩效指标、主观评估、生理测量值作为输入项，通过设定输出类别数，可以建立自组织神经网络对认知负荷进行分类。

将神经网络建模技术运用于认知负荷的测评中，其具体设计涉及训练样本集设计、网络结构设计和训练与测试三个方面。网络结构设计又包括隐层数和隐层节点数的选择，初始权值(阈值)的选择等。

1.训练样本集的准备

训练样本集设计包括原始数据的收集整理、数据分析、输入输出变量选择、特征提取及数据预处理等多方面的工作。

输入输出变量的选择。输入量必须选择对输出量(认知负荷水平)影响大且能够检测或提取的变量，如任务难度、时间压力等。输出量包括认知负荷的分类类别、任务复杂性(难度)水平等。

输入输出数据的预处理。即通过变换处理将网络的输入、输出数据限制在［0，1］或［－1，1］区间内。

训练集的设计。网络的性能与训练用的样本密切相关，设计一个好的训练样本集既要注意样本规模，又要注意样本质量。样本的选择要注意代表性，注意样本类别的均衡，尽量使每个类别的样本数量大致相等。样本的组织要注意将不同类别的样本交叉输入，或从训练集中随机选择输入样本。

2.网络结构设计

在准备训练样本集时，首先要确定网络的输入结点数和输出层结点数，其次，要确定几个隐层和每个隐层设几个隐结点。

初始权值的设计。网络权值的初始化决定了网络的训练从误差曲面的哪一点开始，初始值权要足够小，或者使初始值为+1和－1的权值数相等。

3.网络训练与测试

网络设计完成后，要应用设计值进行训练。以BP算法为例，训练时对所有样本正向运行一轮并反向修改权值一次称为一次训练。在训练过程中要反复使用样本数据，直到确定一个最佳训练次数。然后运用测试样本，对训练好的模型进行测试，检验模型的准确性。