Predicting response quality as a proxy of fatigue via eye tracking and EEG

Abstract

Many computer systems are capable of adapting their behavior depending on the degree of fatigue of their users, so it is of interest to estimate how tired users are. As there is no method to measure user fatigue directly, we investigate whether the use of data collected via eye tracking systems (ET) and electroencephalography (EEG) can predict user error rate during a simple visual experiment. Using the rate with which a user errs while solving a given task as a proxy of fatigue is possible because evidence exists that both values are correlated. We propose comparing different machine learning methods applied to the problem of predicting user error rate given ET and EEG measurements as inputs. The data used in this work was collected during a 40-minute campimetric task, where users were tasked with detecting visual stimuli (i.e., points) of different contrasts.

Vários sistemas computacionais apresentam a possibilidade de se adaptarem dependendo do grau de fatiga de seus usuários; por essa razão, é de interesse estimar o quão cansado os mesmos estão. Como não há um método para mensurar a fadiga diretamente, investigamos se o uso de dados coletados via rastreamento ocular e eletroencefalografia (EEG) podem predizer a taxa de erro durante um experimento visual simples. Usar a taxa de erros que um usuário comete ao resolver uma determinada tarefa como proxy da fadiga é possível porque existe evidência de que ambos os valores estão correlacionados. Compararemos diferentes métodos de aprendizado de máquina com o intuito de encontrar melhores predições, com base nos dados de ET e EEG. Os dados foram coletados durante uma tarefa campimétrica de 40 minutos, onde o usuário deve detectar estímulos visuais (ou seja, pontos) de diferentes contrastes.