Метод определения состояния утомления обучающегося дистанционно на основе анализа глазодвигательных характеристик

   Цель исследования: выявление снижения вовлеченности студента дистанционного обучения за счет мониторинга утомления, что дает возможность адаптировать учебный процесс для этого студента в реальном времени. На основе данных о состоянии обучающегося система может предложить перерыв, изменить тип задания или скорректировать его сложность (упростить для снижения нагрузки или усложнить для поддержания интереса).

   Методы. Разработан метод определения состояния утомления обучающегося дистанционно, основанный на анализе глазодвигательной активности и использовании методов машинного обучения. Метод состоит из двух последовательных этапов: обучения модели и непосредственно определения утомления. На первом этапе обучается модель машинного обучения, предназначенная для классификации состояния утомления на основе данных о движении глаз, и на втором этапе выполняется определение утомления. Современные исследования позволяют предположить, что характеристики глазных движений являются чувствительными показателями состояния утомления. В частности, такие параметры, как пиковая скорость саккад, продолжительность саккад и фиксаций, частота и продолжительность морганий, а также динамика диаметра зрачка, демонстрируют статистически значимые изменения под воздействием утомления.

   Результаты. Результаты проведенного анализа однозначно показали, что наилучшую производительность демонстрирует конфигурация на основе ансамблевого алгоритма случайного леса, использующая комбинацию признаков из группы 1 и группы 3. Именно данный подход позволил достичь максимальных значений ключевых метрик - F-меры, равной 0,85, и средней точности, составившей 0,80. Высокие и сбалансированные показатели как F-меры, объединяющей точность и полноту, так и средней точности, устойчивой к несбалансированным классам, свидетельствуют об общей надежности данной модели для решения поставленной задачи классификации.

   Заключение. Разработанный метод мониторинга утомления в дистанционном обучении, основанный на анализе глазодвигательной активности и применении машинного обучения, доказал свою высокую эффективность и практическую значимость. Предложенный метод позволяет в режиме реального времени выявлять признаки снижения вовлеченности и утомления студента, что открывает возможность для адаптивной коррекции учебного процесса (своевременного предоставления перерывов, изменения типа или сложности заданий). Внедрение данной системы может существенно повысить качество дистанционного образования за счет персонализации обучения и поддержания оптимального уровня когнитивной нагрузки.

1. Russo M., et al. Oculomotor impairment during chronic partial sleep deprivation // Clin. Neurophysiol. 2003. 114. Р. 723–736. doi: 10.1016/s1388-2457(03)00008-7.

2. Lyapunov S.I., Shoshina I.I., Lyapunov I.S. Tremorial Eye Vibrations as an Objective Marker of the Driver Fatigue // Human Physiology. 2022. Vol. 48, no. 1. P. 1-8.

3. Velichkovsky B.M., et al. Two visual systems and their eye movements: a fixation-based event-related experiment with ultrafast fMRI reconciles competing views // Sovremennye tehnologii v medicine. 2019. Vol. 11, № 4. C. 7–18. doi: 10.17691/stm2019.11.4.01

4. Robertson C., Marino F. Cerebral responses to exercise and the influence of heat stress in human fatigue // Journal of thermal biology. 2017. Vol. 63, № 1. P. 10-15.

5. Ruivaldo Lobao-Neto, et al. Real-time identification of eye fixations and saccades using radial basis function networks and Markov chains // Pattern Recognit. Lett. 2022. 162. P. 63-70.

6. Catalbas M. C., et al. Driver fatigue detection based on saccadic eye movements // 2017 10^th International Conference on Electrical and Electronics Engineering (ELECO). IEEE, 2017. Р. 913-917.

7. Di Stasi L. L., et al. Towards a driver fatigue test based on the saccadic main sequence: A partial validation by subjective report data // Transportation research part C: emerging technologies. 2012. Vol. 21, № 1. P. 122-133.

8. Di Stasi L. L., et al. Saccadic velocity as an arousal index in naturalistic tasks // Neuroscience & Biobehavioral Reviews. 2013. Vol. 37, № 5. P. 968-975.

9. Di Stasi L. L., et al. Saccadic eye movement metrics reflect surgical residents' fatigue // Annals of surgery. 2014. Vol. 259, № 4. P. 824-829.

10. Diaz-Piedra C., et al. Fatigue in the military: towards a fatigue detection test based on the saccadic velocity // Physiological measurement. 2016. Vol. 37, №. 9. P. N62.

11. Ahlstrom C., et al. Fit-for-duty test for estimation of drivers’ sleepiness level: Eye movements improve the sleep/wake predictor // Transportation research part C: emerging technologies. 2013. Vol. 26. P. 20-32.

12. Finke C., et al. Dynamics of saccade parameters in multiple sclerosis patients with fatigue // Journal of neurology. 2012. Vol. 259, № 12. P. 2656-2663.

13. Galley N. An enquiry into the relationship between activation and performance using saccadic eye movement parameters // Ergonomics. 1998. Vol. 41, № 5. P. 698-720.

14. Renata V., et al. Investigation on the correlation between eye movement and reaction time under mental fatigue influence // 2018 International Conference on Cyberworlds (CW). IEEE, 2018. P. 207-213.

15. Sidenmark L., Gellersen H. Eye&head: Synergetic eye and head movement for gaze pointing and selection // Proceedings of the 32^nd annual ACM symposium on user interface software and technology. 2019. P. 1161-1174.

16. Schleicher R., et al. Blinks and saccades as indicators of fatigue in sleepiness warnings: looking tired? // Ergonomics. 2008. Vol. 51, № 7. P. 982-1010.

17. Borghini G., et al. Measuring neurophysiological signals in aircraft pilots and car drivers for the assessment of mental workload, fatigue and drowsiness // Neuroscience & Biobehavioral Reviews. 2014. Vol. 44. P. 58-75.

18. Zargari Marandi R., et al. Eye movement characteristics reflected fatigue development in both young and elderly individuals // Scientific reports. 2018. Vol. 8, № 1. P. 1-10.

19. Hu X., Lodewijks G. Exploration of the effects of task-related fatigue on eye-motion features and its value in improving driver fatigue-related technology // Transportation research part F: traffic psychology and behaviour. 2021. Vol. 80. P. 150-171.

20. Игнатова Ю. П. [и др.] Зрительно-моторные реакции как индикатор функционального состояния центральной нервной системы // Ульяновский медико-биологический журнал. 2019. № 3. С. 38-51.

21. Banks S., et al. Effects of fatigue on teams and their role in 24/7 operations // Sleep medicine reviews. 2019. Vol. 48. P. 101216.

22. Buysse, et al. The Pittsburgh Sleep Quality Index (PSQI): A new instrument for psychiatric research and practice // Psychiatry Research. 1989. 28. P. 193-213.