Mental workload assessment is important to optimize human performance in critical settings such as medical interventions. Approaches to real time assessment include electroencephalographic (EEG) brain-computer interfaces (BCI). However, a current problem is the ability of models of data to generalize well to new users, tasks, or data in different time points. Here we present a solution to generalization of task transfer to new subjects – subject independent task transfer. We follow up previous results and findings for classification of mental workload in subject dependent task transfer with EEG brain signals (Gallegos Ayala et al., 2023), and successfully extend, apply and implement our methods and approaches to preprocessing –filtering, trimming and scaling–, feature extraction based on averages of negative voltage amplitudes –HAN (“Highest upper Alpha Negative”) for upper alpha, and HTN (“Highest Theta Negative”) for theta band filtered subsets– with a leave one out analysis to determine feature vectors with the same dataset, and obtain 99.54 and 93.14% classification performances between low and no workload, and 99.41 and 93.26% between high and no workload for HTN and HAN, respectively, all significantly different from chance with five-dimensional feature vectors, and similar results, significantly different from chance, for HTP and HAP based on averages of positive amplitudes. With a suitable selection of the number of features we overcome the challenge of data treated with independent component analysis (ICA) –to remove eye activity– not previously solved for the subject dependent case, this time generalizing to subject independent task transfer with 93.04 and 97.24% performances between low and no workload, and 91.93 and 97.43% between high and no workload, for HTN and HAN respectively, significantly different from chance, with four-dimensional feature vectors. We achieve very high and stable performances for wide ranges of universal scaling factors, also for data treated with ICA. We look for inner, essential, and permanent characteristics of brain activity reflecting mental workload, and benefit from the maximum permissible amount of data available in our procedures to discover trends that appear after averages over large amounts of data, as in other brain phenomena as the “Bereitschaftspotential”. After ICA and HAN and HTN feature extraction, we verify a statistically significant increase in voltage amplitudes of EEG signals in the parietal-occipital area after cognitive task execution, consistently identifying feature channels that successfully generalize task transfer to new subjects. Our methods could be used in further studies of mental workload –or similar analyses in other EEG data para-digms– opening a way to avoid subject dependent adjustments in each session, closer to universal classification of EEG brain signals, reducing the gap between the limitations of lab experiments and the requirements of real world BCI applications.
Die Messung von „Psychischer Beanspruchung und Belastung“ (mental workload) ist in kritischen Situationen wie medizinischen Interventionen besonders wichtig. Ein Zugang zur Messung mentaler Arbeitsbelastung online, also ohne Zeitverzögerung, sind sogenannte Brain-Computer Interfaces (BCI), bei denen das Elektroenzephalogramm (EEG) während der Aufgabenbearbeitung gemessen wird. Ein Problem dieser Methode besteht aber darin, von dem Ergebnis der Klassifikation einer Situation auf eine andere oder von einer Person auf andere zu generalisieren. Auch die Generalisierung von einer Meßsituation auf eine andere – auch innerhalb einer Person bei wiederholter Messung – ist herausfordernd. In dieser Arbeit schlagen wir eine Lösung für die Generalisierung von maschinell-erlernten Datenmodellen von verschiedenen Personen auf andere Personen vor – in Erweiterung von (Gallegos Ayala et al., 2023) – und analysieren die objektive Klassifikation von Personen-unabhängiger mentaler Arbeitsbelastung mit EEG-Messung. Ausgehend von den elektrisch negativen und elektrisch positiven Amplituden von Upper-Alpha (10-13Hz) und Theta (4-8Hz) Wellen des EEGs während kognitiven Aufgaben untersuchen wir die Effekte von Vorverarbeitung dieser Frequenzen auf Filtern, Glätten (trimming) und Skalierung der Mustererkennung, und von feature extraction – mit einer leave-one-out Analyse – von HAN (highest alpha negative), HTN (highest theta negative), HTP (highest theta negative) und HAP (highest alpha positive). Dabei erzielen wir eine hoch signifikante Unterscheidung von niedrig (low) und null belastenden Situationen für negative Amplituden von 99,54% für Theta und 93,14% für Alpha, und eine gleichbare signifikante Unterscheidung für positive Amplituden. Auch unter Berück-sichtigung von Augenbewegungsartefakten auf der Basis der Independent Component Analyse (ICA), bleiben die Ergebnisse robust, wenn man vier-dimensionale Vektoren der Mustererkennungsanalyse verwendet. Wir suchen nach inneren, wesentlichen und dauerhaften Merkmalen der Gehirnaktivität, die die mentale Arbeitsbelastung widerspiegeln, und nutzen die maximal zulässige Datenmenge, die in unseren Verfahren zur Verfügung steht, um Trends zu entdecken, die nach Mittelungsverfahren bei großen Datenmengen wie z.B. beim „Bereitschaftspotential“ auftreten. Wir beobachteten einen signifikanten Anstieg der EEG-Amplituden nach den Belastungsaufgaben in parietal-okzipitalen Hirnregionen, der sehr gut auf andere Personen generalisieren läßt, wenn man ICA der Mustererkennung benutzt. Unsere Ergebnisse und Methoden versprechen, dass in Zukunft eine bessere Personen-unabhängige Klassifikation von Belastungsaufgaben und deren neurophysiologische Klassifikation möglich ist und bereiten den Weg für eine universell gültige Klassifikation und Messung von Gehirnsignalen, die näher an den Anforderungen realer BCI-Anwendungen liegt.
