Promotion

110

0.0 (0)

Torsten Gfesser

Étudier

Torsten Gfesser

À propos de ce fichier

Diese Lernkarten behandeln auf Universitätsniveau die Erfassung und Analyse der Herzratenvariabilität (HRV) sowie deren Anwendung in der Beanspruchungsforschung. Sie vertiefen sich in Methoden wie RMSSD, HRV-Metriken, und Verfahren zur Datenverarbeitung, einschließlich der Bewältigung von Data Leakage und der Bedeutung von interindividuellen Unterschieden. Die Karteikarten sind ideal für Studierende und Forscher, die sich mit physiologischen Signalen, deren Interpretation und der Entwicklung robuster HRV-Systeme auseinandersetzen.

Cartes-fiches

110

Utilisateurs

Langue

Allemand

Catégorie

Informatique

Niveau

Université

Créé / Mis à jour

01.03.2026 / 02.03.2026

Fichiers de cartes similaires

Flashcards

Welche Aussagen treffen die RMSSD-Definition in rollierenden Fenstern korrekt? 0

RMSSD(t)=sqrt( (1/(Nw−1)) * Σ_{i=1..Nw−1} (RR_{i+1}−RR_i)^2 )

Durch die Differenzbildung werden langsame Trends (z.B. Drift) relativ unterdrückt und Beat-to-Beat-Änderungen betont.

RMSSD basiert auf der Standardabweichung aller RR-Intervalle im Fenster (Gesamtvarianz).

RMSSD ist gegenüber einzelnen Ausreißern robust, da Quadrierung Ausreißer dämpft.

In der Arbeit wird beispielhaft ein Fenster von 60 s mit einer Verschiebung (Shift) von 10 s genutzt.

Was beschreibt der „Dyad-Effekt“ im Kontext von RMSSD am treffendsten? 1

Ein einzelner fehlerhafter R-Peak erzeugt typischerweise zwei extreme sukzessive RR-Differenzen (kurz/lang), die RMSSD stark verzerren.

In 30–60 s Fenstern kann ein einzelnes Artefakt RMSSD um >400% verzerren.

Der Dyad-Effekt betrifft nur Frequenzbereichsmaße (HF/LF) und nicht Zeitbereichsmaße.

Der Effekt ist bei kurzen Fenstern besonders kritisch, weil weniger RR-Intervalle vorliegen und der relative Einfluss eines Ausreißers steigt.

SDNN ist stärker betroffen als RMSSD, weil SDNN quadriert.

Welche Schritte gehören in der Arbeit explizit zur robusten Wearable-ECG->RMSSD Verarbeitungskette? 2

Gradientenbasierte R-Peak-Detektion

Artefaktkorrektur per FixPeaks-Interpolation (statt Segment-Removal)

Respiration Correction via OLS-Regression, um RSA-Anteile abzutrennen

Verpflichtende Spektralanalyse (FFT) zur HRV-Bestimmung

RMSSD-Berechnung in kurzen, überlappenden Fenstern (z.B. 60 s / 10 s Shift)

Das Ausgangswertgesetz (Law of Initial Values, Wilder) impliziert für HRV/Workload-Interpretation insbesondere: 3

Gleiche absolute Änderungen (z.B. −10 ms RMSSD) können je nach Startniveau völlig unterschiedliche physiologische Bedeutung haben.

Bei extrem hohen Ausgangswerten kann die Reaktion auf einen aktivierenden Reiz paradox „umkehren“.

Absolute Differenzen sind deshalb immer überlegen gegenüber relativen/kontextuellen Änderungen.

Relative Veränderungen und lokale Dynamik-Interpretationen tragen dem Gesetz eher Rechnung als starre Baselines.

Das Gesetz betrifft ausschließlich den Sympathikus und ist für vagale Maße (RMSSD) irrelevant.

Welche Aussagen charakterisieren das in der Arbeit diskutierte „Baseline-Dilemma“ korrekt? 4

Eine definierte Ruhekalibrierung ist in vielen realen Schicht-/Feldszenarien organisatorisch unpraktikabel oder unmöglich.

Baselines driften (Time-on-Task, zirkadian, Schlaf, Koffein, allostatische Last), sodass eine frühe Baseline später nicht mehr repräsentativ ist.

Für adaptive Systeme ist häufig relative Reaktivität im aktuellen Kontext informativer als absolute Werte.

Das Baseline-Dilemma verschwindet, sobald man nur SDNN statt RMSSD nutzt.

Das Dilemma ist primär ein Messhardware-Problem und nicht konzeptionell/theoretisch.

Welche Komponenten bilden den „Mental Workload Observer“ (Study V) und wie sind sie konzeptionell zu verstehen? 5

S1 (Level): aktuelles RMSSD-Niveau relativ zur eigenen jüngsten Historie (Kontextverteilung).

S2 (Change): kurzfristige Veränderung/Gradient des RMSSD (Frühwarnlogik bei schnellem Abfall).

S3 (Persistence): Dauer/Persistenz der Abweichung über mehrere Fenster (Filter gegen kurzzeitige Fluktuationen).

S4 (Spectral Balance): LF/HF-Quotient als Sympathovagal-Balance ist zwingender Kernbestandteil.

Context Gate: akzeptiert Stresserereignisse nur, wenn RMSSD im unteren Perzentil der eigenen Verteilung liegt (Plausibilitätsprüfung/implizite Individualisierung).

Wozu dient das Context Gate im Observer-Ansatz am präzisesten? 6

Es reduziert Fehlalarme, indem es nur in physiologisch plausiblen Kontexten (unteres RMSSD-Perzentil der eigenen Verteilung) „Stressereignisse“ zulässt.

Es wirkt als implizite Individualisierung ohne explizite personenspezifische Kalibrierung/Trainingsdaten.

Es ersetzt jegliche Artefaktkorrektur (FixPeaks), weil Kontextlogik Artefakte vollständig eliminiert.

Es adressiert u.a. Trait-bedingte Unterschiede im vagalen Grundtonus, indem es die Bewertung an die eigene Verteilung koppelt.

Es erzwingt eine stationäre Ruhebaseline zu Beginn jeder Sitzung.

Welche Aussage beschreibt das Data-Leakage-Problem bei Random Splits physiologischer Zeitfenster am besten, und welche Konsequenz zieht die Arbeit? 7

Benachbarte Fenster (z.B. t und t+10 s) sind hoch korreliert; wenn eines im Training und das nächste im Test ist, „leakt“ Information und die Performance wird optimistisch verzerrt.

Random Splits sind immer konservativ, weil sie Varianz maximieren und dadurch Accuracy unterschätzen.

Als Mindeststandard wird eine strengere Validierung wie Leave-One-Subject-Out (LOSO) motiviert.

Das Problem betrifft nur EEG-Daten, nicht HRV/RMSSD.

Ohne Berücksichtigung zeitlicher/personaler Abhängigkeiten lernt der Klassifikator eher sitzungsspezifische Merkmale statt generalisierbarer Zustandsmuster.

Welche Gleichungen/Mechanismen gehören zum kontinuierlichen Beanspruchungsindex (Kapitel 7) und welche Rolle spielen sie? 8

Mindest-Range: d*(t)=max(d(t), dmin) als Schutz gegen Division durch (nahe) null.

EWMA-Glättung: s(t)=α·sraw(t)+(1−α)·s(t−1) zur Flicker-Reduktion und Persistenzintegration.

Effektiver Einfluss eines vergangenen Werts fällt exponentiell mit α(1−α)^k ab; daraus folgt eine Halbwertszeit t1/2=−Δt/ln(1−α).

Die Glättung ist ein einfacher gleitender Mittelwert mit rechteckigem Fenster, daher konstantes Gedächtnis.

Wenn d(t)<dmin, wird sraw(t)=0,5 als neutraler Wert gesetzt, um unbegründete Beanspruchung zu vermeiden.

Welche Aussagen zur „geschlossenen Formel“ des kontinuierlichen Index sind korrekt? 9

s(t)=α·((rmax(t)−r̃(t))/d*(t)) + (1−α)·s(t−1)

Die freien Kernparameter werden auf Kontextfensterlänge W und Glättungsfaktor α reduziert (im Vergleich zu vielen Schwellen/Übergängen in einer diskreten State Machine).

Die Formel erfordert zwingend eine einmalige Ruhebaseline, die als rmax(t) genutzt wird.

Standardwerte umfassen z.B. W=10 min und α=0,2 (Halbwertszeit ≈ 45 s bei Δt=10 s).

Die Formel ist nicht rekursiv; s(t) hängt nicht von s(t−1) ab.

Welches Konzept beschreibt die Verschiebung der Rolle des Menschen in sicherheitskritischen Domänen aufgrund zunehmender Automatisierung?

Out-of-the-Loop-Problematik

Simpson’s Paradoxon

Baseline-Dilemma

Polyvagale Theorie

Task Load Theory

Was ist der Unterschied zwischen „Task Load“ und „Mental Workload“?

Task Load bezieht sich auf objektive Belastungsfaktoren, Mental Workload auf subjektive Beanspruchung

Task Load bezieht sich auf subjektive Beanspruchung, Mental Workload auf objektive Faktoren

Beide Begriffe sind identisch

Task Load ist ein physiologisches Maß

Mental Workload spielt keine Rolle in adaptiven Systemen

Welche physiologische Messgröße steht im Fokus der Dissertation zur Erfassung mentaler Beanspruchung?

Herzratenvariabilität (HRV)

Elektroenzephalographie (EEG)

Hautleitfähigkeit (EDA)

Pupillometrie

Herzfrequenz

Was beschreibt das Baseline‑Dilemma?

Die Instabilität stationärer Ruhewerte als Referenz für HRV‑basierte Beanspruchung

Die Notwendigkeit fester Grenzwerte in adaptiven Systemen

Die hohe Genauigkeit von Laborstudien

Der Einsatz von EEG‑Signalen

Der Vergleich von extrinsischer vs. intrinsischer Last

Welche drei Generationen der HRV‑basierten Beanspruchungsschätzung werden in der Dissertation unterschieden?

Laborbasierte Grundlagenforschung, Machine‑Learning‑basierte Klassifikation und feldorientierte robuste Ansätze

Tierstudien, Simulationen und Patientenstudien

Post‑hoc‑Analysen, Online‑Analysen und baseline‑freie Ansätze

Statische, dynamische und hybride Methoden

Subjektive, leistungsbasierte und physiologische Ansätze

Welche drei Arten von kognitiver Belastung unterscheidet die Cognitive Load Theory?

Intrinsic Load

Extraneous Load

Germane Load

Reaction Load

Overload

Laut der Multiple Resource Theory (MRT) sind Ressourcen in mehrere orthogonale Dimensionen unterteilt. Welche gehören dazu?

Verarbeitungsstufen (Perzeption/Kognition vs. Response)

Wahrnehmungsmodalitäten (visuell vs. auditiv)

Kodierung (räumlich vs. verbal)

Persönlichkeitsdimensionen

Ausführungsart (manuell vs. sprachlich)

Welcher Teil des autonomen Nervensystems wird als „Fight‑or‑Flight“-System bezeichnet?

Sympathikus

Parasympathikus

Zentralnervensystem

Somatisches Nervensystem

Polyvagaler Zweig

Welche neuroviszerale Komponente ist verantwortlich für Exekutivfunktionen und Impulskontrolle?

Präfrontaler Kortex (PFC)

Anteriorer Cingulärer Kortex (ACC)

Amygdala

Hypothalamus

Nucleus Ambiguus

Was passiert laut dem Neuroviszeralen Integrationsmodell bei hoher mentaler Beanspruchung mit der HRV?

Sie sinkt aufgrund eines vagalen Rückzugs

Sie steigt aufgrund erhöhter parasympathischer Aktivierung

Sie bleibt konstant

Sie wird unmessbar

Sie zeigt eine symmetrische Erhöhung

Welche drei Ebenen des Confounder‑Frameworks werden in Study I unterschieden?

Level 1 – Traits: langfristige individuelle Faktoren

Level 2 – States: mittelfristige Zustände

Level 3 – Situational: kurzfristige Kontextfaktoren

Level 4 – Task: Aufgabenbezogene Faktoren

Level 5 – Equipment: Gerätetypen

Beispiele für Level‑1‑Confounder umfassen…

Alter

Ausdauertraining/Fitness

Betablocker‑Medikation

Tagesrhythmus

Respiratorische Sinusarrhythmie

Welche der folgenden gehören zu Level 2 (States) des Confounder‑Frameworks?

Circadiane Rhythmen

Schlafqualität

Betablocker‑Einnahme

Motivation

Mentale Ermüdung

Welche Faktoren zählen zu Level 3 (Situational) im Confounder‑Framework?

Respiratorische Sinusarrhythmie

Sprechaktivität

Körperhaltungswechsel

Bewegungsartefakte

Circadiane Rhythmusverschiebungen

Was ist die Hauptkritik an Machine‑Learning‑basierten Klassifikationen (Generation 2)?

Fehlen personenübergreifender Validierung

Mangelnde Dokumentation von Confoundern

Unausgesprochene Annahme stabiler Baselines

Alle oben genannten Punkte

Keine Kritik – sie sind feldtauglich

Welche Messmethoden zur Erfassung mentaler Beanspruchung werden in Abschnitt 2.1.2 diskutiert?

Subjektive Verfahren

Leistungsbasierte Verfahren

Physiologische Verfahren

Alle oben genannten Verfahren

Pharmakologische Messungen

Welchen Nachteil haben subjektive Verfahren zur Workload‑Erfassung?

Sie liefern nur post‑hoc‑Analysen

Sie unterliegen sozialer Erwünschtheit und Erinnerungsverzerrungen

Sie haben eine hohe zeitliche Auflösung

Sie können online erfasst werden

Keine der oben genannten Aussagen

Welche Frequenzen in der HRV sind hauptsächlich parasympathisch vermittelt?

Hohe Frequenzen (> 0,15 Hz)

Niedrige Frequenzen (0,04–0,15 Hz)

Sehr niedrige Frequenzen (< 0,04 Hz)

Alle Frequenzen gleichermaßen

Keine der oben

Was ist RMSSD?

Root Mean Square of Successive Differences

Ein HRV‑Parameter

Wird in dieser Arbeit als primärer Indikator verwendet

Alle oben genannten Aussagen

„Relative Mental Stress Sensor Data“

Was kennzeichnet Generation 3 der HRV‑basierten Forschung?

Robuste Signalverarbeitung unter Wearable‑Bedingungen

Confounder‑Modellierung

Individualisierte oder baseline‑freie Interpretationen

Strenge Validierungsparadigmen

Alle oben genannten Punkte

Welche Forschungsfrage zielt auf die Entwicklung eines baseline‑freien Online‑Verfahrens?

FF 1

FF 2

FF 3

FF 4

FF 5

Welche Forschungsfrage behandelt die kontinuierliche HRV‑Klassifikation?

FF 1

FF 2

FF 3

FF 4

FF 5

In welchem Kapitel wird das Confounder‑Framework vorgestellt?

Kapitel 3 (Study I)

Kapitel 4

Kapitel 5

Kapitel 6

Kapitel 2

Was beschreibt Simpson’s Paradoxon im Kontext der Dissertation?

Ein Phänomen, bei dem Gruppentrends individuelle Unterschiede verdecken oder umkehren

Eine spezielle HRV‑Metrik

Eine Form der Atmung

Ein Messfehler im ECG

Eine Trainingsmethode für Piloten

Welche Validierungsstrategie wird in Study V angewendet?

Random Split

K‑Fold Cross Validation

Leave‑One‑Subject‑Out (LOSO)

Hold‑Out‑Validierung

Permutationstest

Warum ist die Random‑Split‑Validierung problematisch bei zeitlichen HRV‑Daten?

Data Leakage durch zeitliche Autokorrelation

Fehlende Standardabweichung

Ignoriert Gruppenunterschiede

Ist zu langsam für Online‑Systeme

Erfordert manuelle Kalibrierung

Welche der folgenden sind die drei dynamikbasierten Features (S1–S3) des Mental Workload Observers?

S1 (Level): aktuelles RMSSD‑Niveau relativ zum persönlichen Kontext

S2 (Change): kurzfristige Veränderung des RMSSD‑Signals

S3 (Persistence): Dauerhaftigkeit einer Abweichung

Frequency: Anzahl der Peaks

Kontextfrequenz

Wozu dient das Context Gate im Mental Workload Observer?

Es akzeptiert Stressereignisse nur, wenn der aktuelle RMSSD‑Wert im unteren Perzentil der eigenen Verteilung liegt

Es verhindert Fehlinterpretationen bei Personen mit niedrigem vagalem Grundtonus

Es filtert kurzfristige Fluktuationen

Es dient als explizite personenspezifische Kalibrierung

Es dient der kontextuellen Plausibilitätsprüfung

Welche Preprocessing‑Schritte umfasst die robuste Signalverarbeitung für RMSSD (Study III)?

Peak‑Detektion

FixPeaks‑Interpolation

Respiration Correction

Random Resampling

Alle oben genannten

Warum ist eine ruhige Baseline in dynamischen Arbeitsumgebungen unpraktisch?

Sie ändert sich durch circadiane Rhythmen und Ermüdung

Sie erfordert regelmäßige Kalibrierung

Sie kann die mentale Beanspruchung maskieren

Sie variiert zwischen Personen und Schichtsystemen

Sie ist identisch für alle Personen

Study

Promotion

Créer ou copier des fichiers d'apprentissage

Flashcards

Please log in

Google

Apple ID

Microsoft

Switch edu-ID

Edulog

Google

Apple ID

Microsoft

Switch edu-ID

Edulog