Untersuchung der geistigen Belastung mit iMotions

Die mentale Arbeitsbelastung (MWL) hat sich zu einer wichtigen Variable entwickelt, mit deren Hilfe wir die Leistung der Nutzer im Bereich des HCI-Usability-Designs, des Automobildesigns, der Human-Factors-Forschung, der Ergonomieforschung und in weiteren Bereichen besser verstehen können. Dieser Artikel bietet eine kurze Einführung in die MWL und die Möglichkeiten, diese mit iMotions zu untersuchen.

Was versteht man unter geistiger Belastung?

Der Begriff MWL lässt sich aus verschiedenen Perspektiven definieren. Aus psychologischer Sicht kann MWL als Aufgabenwechsel oder Aufmerksamkeitsverteilung bezeichnet werden (Wickens, 2008); aus der Perspektive des Systemdesigns lässt es sich jedoch als eine Anforderung definieren, die das System an den Benutzer stellt. In der systematischen Übersicht (Charles & Nixon, 2019) wurden die Begriffe „Taskload“ und „MWL“ wie folgt unterschieden:

„Arbeitsbelastung“ kann sich auf die Arbeit selbst beziehen, beispielsweise auf die Anzahl der Aufgaben, während „MWL“ das subjektive Erleben einer bestimmten Arbeitsbelastung umfasst. Die Definition von MWL wird hier von vielen Faktoren beeinflusst, wobei die Arbeitsbelastung nur einer davon ist. Ein Beispiel zur Veranschaulichung: Wenn Sie eine einfache Aufgabe wiederholen (die Arbeitsbelastung ist gering), dann aber unter Zeitdruck geraten, fühlen Sie sich gestresst, und die MWL steigt somit an.

In welchen Anwendungsbereichen wurde die mentale Arbeitsbelastung untersucht?

Es zeigt sich, dass MWL in zahlreichen Bereichen umfassend untersucht wurde, darunter simulierte Flugaufgaben, tatsächlicher Flugbetrieb, Flugsicherung (ATC), simulierte Aufgaben zur nuklearen Kontrolle sowie simulierte Fahraufgaben. Die Art der Aufgaben reicht von Schreibtischaufgaben wie Kopfrechnen bis hin zu vielfältigen Aufgaben wie der Multi-Attribute Task Battery (MATB). All diesen Situationen ist gemeinsam, dass sie die Fähigkeit des Menschen, Informationen wahrzunehmen und zu verarbeiten, übersteigen können. Das Erkennen von MWL ist eine wichtige Quelle für die Überwachung oder sogar Vorhersage von Leistungsfehlern und die Optimierung der Struktur von Aufgabenanforderungen oder Umweltstressoren.

Wie lässt sich die geistige Belastung messen?

Es liegen Berichte über die Messung der mentalen Arbeitsbelastung anhand wichtiger physiologischer Parameter vor. In einer in (Charles & Nixon, 2019) vorgestellten systematischen Übersicht wurden physiologische Signale wie EKG, Blinzelfrequenz und EEG aus begutachteter Fachliteratur verschiedener Fachbereiche herangezogen, um zu untersuchen, inwiefern diese die mentale Arbeitsbelastung widerspiegeln.

Herzaktivität

Es wurde festgestellt, dass die anhand des EKGs gemessene Herzfrequenz (HF) mit steigenden Aufgabenanforderungen zunahm (De Rivecourt et al., 2008). Es wurde berichtet, dass nicht nur die Belastungsbedingungen, sondern auch die Art der Aufgabe zu Unterschieden bei den HF-Veränderungen führt: Sosnowski et al. (2004) beobachteten einen stärkeren Anstieg der HF bei Aufgaben, die Problemlösung erforderten, im Vergleich zu Aufgaben, bei denen es um die logische Abarbeitung einer Reihe von Elementen ging.

Das iMotions ECG Heart Rate and Heart Rate Variability R Notebook erleichtert Ihnen die Berechnung der Herzfrequenz aus dem rohen EKG-Signal (das Sie über EKG-Geräte in iMotions erfassen). Die Herzfrequenzdaten werden sowohl als zeitbasiertes Signal als auch als Einzelwerte dargestellt, um Ihnen einen besseren Vergleich und eine einfachere Interpretation zu ermöglichen. Wenn Sie mehr über unser R Notebook erfahren möchten – ein transparentes, flexibles, auf R basierendes Signalverarbeitungswerkzeug in iMotions –, klicken Sie bitte hier.

Blickfrequenz

Es hat sich gezeigt, dass die Blinzelfrequenz ein sensitiver Indikator für die visuelle Arbeitsbelastung ist; daher kann sie zur Messung der MWL herangezogen werden, wenn einer Person visuelle Reize präsentiert werden. Beispielsweise führte bei einer Flugsicherungsaufgabe (Brookings et al., 1996), einer simulierten Flugaufgabe (Veltman und Gaillard, 1996) oder einem tatsächlichen Flug (Wilson, 2002) die erhöhte visuelle Belastung zu niedrigeren Blinzelfrequenzen. Bei der Erfassung der Blinzelrate zur Bestimmung der MWL könnten jedoch Faktoren wie Licht, Luftqualität und Klimatisierung in allen Berichten erhebliche Auswirkungen auf die Messwerte haben.

iMotions hat R-Notebooks zur Blinzelerkennung integriert, die sowohl auf Eye-Tracking-Daten als auch auf Gesichtsausdrucksdaten basieren, die Sie direkt in der iMotions-Plattform erfassen können. Die Blinzler werden erkannt und die Blinzelfrequenz vom R-Notebook berechnet. Es ist auch möglich, diese Ergebnisse zur weiteren Analyse und zum Vergleich in eine Datei im Zusammenfassungsformat zu exportieren. Wenn Sie mehr über unser R-Notebook erfahren möchten – ein transparentes, flexibles R-basiertes Signalverarbeitungswerkzeug in iMotions –, können Sie hier mehr darüber lesen.

Gehirnaktivität

Im Allgemeinen wurde beobachtet, dass sich die EEG-Frequenzen bei Veränderungen der Aufgabenanforderungen ändern. Insbesondere bei Aufgaben eines Multi-Attribute-Tests wurde festgestellt, dass die Theta-Aktivität bei Aufgaben mit hohen Anforderungen im Vergleich zu Aufgaben mit geringen Anforderungen zunahm (Fairclough et al., 2005). Bei Aufgaben wie Gedächtnisaufgaben (Klimesch, 1997), Multitasking-Tests mit hoher Arbeitsbelastung (Fournier et al., 1999) oder den Start- und Landephasen eines tatsächlichen Fluges (Wilson, 2002) wurde eine Abnahme der Alpha-Power beobachtet.

Auch Veränderungen der Raumatmosphäre, wie beispielsweise der Temperatur, können sich auf die geistige Belastung auswirken.

Die iMotions EEG R Notebooks bieten Flexibilität, Transparenz und Schnelligkeit bei der Berechnung von Leistungsdaten aus den gängigen Leistungsbändern: Delta, Theta, Alpha, Beta und Gamma. Die Berechnung erfolgt auf Basis der Roh-EEG-Daten, die Sie direkt in der iMotions-Plattform erfassen können. Die daraus resultierenden Ergebnisse können sowohl über die Wiedergabefunktion der Software eingesehen als auch in exportierten CSV-Dateien zusammengefasst werden, um die weitere Analyse zu erleichtern. Es ist wichtig zu beachten, dass ein sorgfältiges Studiendesign, eine qualitativ hochwertige Datenerfassung und korrekte Signalverarbeitungsschritte der Schlüssel zu aussagekräftigen und interpretierbaren EEG-Ergebnissen sind, unabhängig davon, um welche Art von Forschung es sich handelt.

Weitere Anregungen zur Durchführung von EEG-Untersuchungen mit der iMotions-Software finden Sie in unseren Blogbeiträgen zu diesem Thema:

Der Aufbau einer EEG-Kappe,
5 Grundlagen des EEG 101: Datenerfassung, -verarbeitung und -analyse

Atmung

Backs et al. (2000) und Brookings et al. (1996) berichteten über eine erhöhte Atemfrequenz, die mit einem erhöhten Schwierigkeitsgrad bei simulierten Flugsicherungsaufgaben (ATC) korrelierte. Der Anstieg der Atemfrequenz lässt sich als direkte Folge des erhöhten Stoffwechselbedarfs interpretieren, der zur Ausführung bestimmter Aufgaben erforderlich ist.

In der Studie von Backs et al. (1994), in der eine Gedächtnisaufgabe als Stimulus verwendet wurde, zeigte sich ebenfalls, dass der Stoffwechsel bei Personen mit schlechteren Leistungen höher war als bei Personen mit guten Leistungen. Bei der Auswertung von Atemwerten ist jedoch Vorsicht geboten, wenn Sprache oder körperliche Anstrengung im Spiel sind, da diese Messungen in hohem Maße von der körperlichen Aktivität abhängen (Grassmann et al., 2016).

Das iMotions-R-Notebook zur Atemverarbeitung erleichtert Ihnen die Berechnung von Rohdaten des Atemsignals (das Sie über ein Atemmessgerät in iMotions erfassen) zu Kennzahlen wie der Atemfrequenz einer Person oder der Dauer jedes Atemzugs. Die daraus resultierenden Ergebnisse können sowohl in der Wiedergabefunktion der Software angezeigt als auch in exportierten CSV-Dateien zusammengefasst werden, um die weitere Analyse zu vereinfachen. Wenn Sie mehr über unser R-Notebook erfahren möchten – ein transparentes, flexibles R-basiertes Signalverarbeitungswerkzeug in iMotions –, finden Sie hier weitere Informationen.

Literaturverzeichnis

[1] Wickens, Christopher D., 2008. Mehrere Ressourcen und mentale Arbeitsbelastung. Hum. Factors 50 (3), 397–403.

[2] Charles, R. L., & Nixon, J. (2019). Messung der mentalen Arbeitsbelastung anhand physiologischer Parameter: Eine systematische Übersicht. Applied Ergonomics, 74, 221–232. https://doi.org/10.1016/j.apergo.2018.08.028

[3] De Rivecourt, M. et al., 2008. Messungen der Herz-Kreislauf- und Augenaktivität als Indikatoren für momentane Veränderungen der geistigen Anstrengung während eines simulierten Fluges. Ergonomics 51 (9), 1295–1319.

[4] Sosnowski, T. et al., 2004. Programmausführung versus Problemlösung: Der Einfluss mentaler Aufgaben auf
die Ruheherzfrequenz. Psychophysiology 41 (3), 467–475.

[5] Brookings, J.B., Wilson, G.F., Swain, C.R., 1996. Psychophysiologische Reaktionen auf
Veränderungen der Arbeitsbelastung während einer simulierten Flugsicherung. Biol. Psychol. 42 (3), 361–377

[6] Veltman, J.A., Gaillard, W.K., 1996. Physiologische Indikatoren für die Arbeitsbelastung bei einer simulierten
Flugaufgabe. Biol. Psychol. 42 (3), 323–342

[7] Wilson, G.F., 2002. Eine Analyse der mentalen Arbeitsbelastung von Piloten während des Fluges unter Verwendung verschiedener
psychophysiologischer Messgrößen. Int. J. Aviat. Psychol. 12 (1), 3–18.

[8] Fairclough, S.H. et al., 2005. Der Einfluss von Aufgabenanforderungen und Lernen auf die psychophysiologische Reaktion. Int. J. Psychophysiol. 56 (2), 171–184.

[9] Klimesch, W., 1997. EEG-Alpha-Rhythmen und Gedächtnisprozesse. Int. J. Psychophysiol. 26
(1–3), 319–340. https://doi.org/10.1016/S0167-8760(97)00773-3 , Zugriffsdatum: 1.
Juni 2016

[10] Fournier, L.R. et al., 1999. Elektrophysiologische, verhaltensbezogene und subjektive Indikatoren für
die Arbeitsbelastung bei der Ausführung mehrerer Aufgaben: Manipulationen hinsichtlich des Schwierigkeitsgrades der Aufgaben und
des Trainings. Int. J. Psychophysiol. 31, 129–145.

[11] Backs, R.W. et al., 2000. Kardiorespiratorische Indizes der mentalen Arbeitsbelastung während einer simulierten
Flugsicherung. In: Tagungsband des IEA 2000/HFES 2000-Kongresses, Band 3. S. 89–92.

[12] Brookings, J.B., Wilson, G.F., Swain, C.R., 1996. Psychophysiologische Reaktionen auf
Veränderungen der Arbeitsbelastung während einer simulierten Flugsicherung. Biol. Psychol. 42 (3), 361–377.

[13] Backs, R.W., 1994. Metabolische und kardiorespiratorische Messgrößen für mentale Anstrengung: Die Auswirkungen
des Schwierigkeitsgrades bei einer Arbeitsgedächtnisaufgabe. Int. J. Psychophysiol. 16 (1), 57–68.

[14] Grassmann, Mariel, Vlemincx, Elke, von Leupoldt, Andreas, Mittelstädt, Justin M., Van
den Bergh, Omer, 2016. Veränderungen der Atmung als Reaktion auf kognitive Belastung: eine systematische Übersicht. Neural Plast. 2016, 8146809, 16 Seiten. https://doi.org/10.1155/2016/8146809