在各评估指标上，认知负荷随作业时间变化的网络预测模型

时间：2022-03-19 百科知识版权反馈

【摘要】：即分别针对每一种任务复杂性条件，将前一作业时间段测得的7个评估指标作为输入项，将后一作业时间段测得的7个评估指标作为输出项。再次，计算各评估指标在所有作业时间段绝对误差、相对误差绝对值和均方误差的均值。

在各评估指标上，认知负荷随作业时间变化的网络预测模型_认知负荷的评估与变化预测研究

二、在各评估指标上，认知负荷随作业时间变化的Elman网络预测模型

Elman模型构建同样包括输入/输出项设计、网络结构设计、网络训练与测试等几个步骤。

1.输入/输出项设计

根据前述的第二部分研究可知，对认知负荷变化敏感的评估指标共有心理努力、任务主观难度、主任务正确率、主任务反应时、注视时间、注视次数、瞳孔直径等7个。参照国外相关文献，本研究采用以下三种模式建立预测模型的输入/输出项:

模式一:按低、中、高三种任务复杂性条件分别建模。即分别针对每一种任务复杂性条件，将前一作业时间段测得的7个评估指标作为输入项，将后一作业时间段测得的7个评估指标作为输出项。由于每个被试进行了16个作业时间段的试验，因此，每个被试可以得到15组输入/输出样本。

模式二:按低、中、高三种任务复杂性条件分别建模。但在每一种任务复杂性条件下，将前两次作业时间段测得的评估指标(共14个)作为输入项，将接下来一次作业时间段测得的评估指标(共7个)作为输出项。每个被试可以得到14组输入/输出样本。

模式三:将低、中、高三种任务复杂性条件综合在一起建模。即将前一作业时间段(包含三种任务复杂性条件)测得的21个评估指标作为输入项，将后一作业时间段的21个评估指标作为输出项。每个被试可以得到15组样本。

2.网络结构设计

合理确定Elman网络的结构是预测性能的基础。由于单隐层的Elman网络的功能非常强大，为此我们采用单隐层网络结构。隐层神经元的数目首先根据前述的经验公式进行初步设定，然后根据测试结果进行最后确定。网络隐层神经元传递函数采用S型正切函数tansig，输出层神经元传递函数采用S型对数函数logsig。

3.网络训练和测试

实验共获得26名被试数据，每个被试共进行16个作业时间段试验，我们随机选取其中的20名被试数据作为训练样本，其余6名被试数据作为测试样本。训练次数设置为10 000次，学习速率为0.1。

我们以模式一/低任务复杂性条件下的Elman网络构建为例，说明其网络训练和测试过程。

首先，经过不断测试，隐层神经元的数目确定为14个，期望收敛精度为0.018，网络的完整MATLAB代码如下:

load-ascii input.dat

load-ascii output.dat

load-ascii test.dat

input=input'

output=output'

test=test'

threshold=［0 1;0 1;0 1;0 1;0 1;0 1;0 1］

net=newelm(threshold，［14，7］，{'tansig'，'logsig'}，'trainlm'，'learngdm')

net=init(net)

net.trainparam.epochs=10000;

net.trainparam.goal=0.018;

LP.Ir=0.1;

net=train(net，input，output);

y=sim(net，input)

y1=sim(net，test)

其中newelm表示创建一个Elman网络，threshold规定了网络输入元素的最大值和最小值;［14，7］表示网络隐层神经元的数目为14，输出层中神经元的数目为7个。

网络经过71次训练后，训练误差达到要求，其训练误差曲线见图4.11。

训练后的网络利用测试样本进行测试，然后进行以下步骤的计算:首先，计算每个被试在不同作业时间段预测结果与期望结果的绝对误差、相对误差(取绝对值)和均方误差。由于测试样本中个别数值为0，相对误差计算时将其作为缺失值处理。其次，基于所有被试的绝对误差、相对误差绝对值和均方误差值，计算各评估指标在不同作业时间段绝对误差、相对误差绝对值和均方误差的均值。再次，计算各评估指标在所有作业时间段绝对误差、相对误差绝对值和均方误差的均值。最后，计算所有评估指标的绝对误差、相对误差和均方误差的总均值。其结果如表4.2所示。

图4.11　Elman网络训练误差图(模式一)

从表4.2中可以看出，在模式一/低任务复杂性条件下，各评估指标的预测误差不同，其中预测误差最小的是瞳孔直径指标，绝对误差、相对误差和均方误差分别为0.041、12.036%和0.006。各评估指标的平均绝对误差在－0.147至0.215之间，跨距为0.362;各评估指标的相对误差在12.036%至45.681%之间，跨距为33.654%;各评估指标的均方误差在0.009至0.215之间，跨距为0.206。计算所有评估指标的绝对误差平均为0.059，相对误差平均为33.693%，均方误差平均0.091。

依据同样的程序，可分别计算模式一时其他两种任务复杂性条件下的结果，限于篇幅，我们仅列出每种任务复杂性条件下各评估指标的绝对误差、相对误差和均方误差以及所有指标的绝对误差、相对误差和均方误差的总均值。其结果见表4.3。

表4.3　基于Elman网络建模的预测结果

(模式一:任务复杂性——中和高)

当输入/输出设计为模式二时，输入神经元的个数为14个，输出神经元个数为7个。以任务复杂性为低时为例，经测试，隐层神经元的个数确定为18个，期望收敛精度为0.01。网络经过27次训练后，网络误差达到要求，其训练误差曲线见图4.12。

图4.12　Elman网络训练误差图(模式二)

利用测试样本对网络进行测试。其结果见表4.4。

从表4.4中同样可以看出，在模式二/低任务复杂性条件下，各评估指标的预测误差不同，其中预测误差最小的还是瞳孔直径指标，绝对误差、相对误差和均方误差分别为0.018、13.271%和.004。各评估指标的平均绝对误差在0.005至－0.156之间，跨距为0.161;各评估指标的相对误差在13.271%至56.681%之间，跨距为43.41%;均方误差在0.004至0.298之间，跨距0.294。计算所有评估指标的绝对误差平均为0.008，相对误差平均为36.386%，均方误差平均0.077。

同理，可计算模式二在任务复杂性为中和高二种情形下的Elman网络预测结果，见表4.5。