Voiko silmänräpäytyksistä tunnistaa kognitiivisen kuormituksen?
Työelämässä kognitiivinen kuormitus vaikuttaa työntekijöiden hyvinvointiin ja suorituskykyyn. Tutkimuksessa kehitettiin ja testattiin automaattinen silmänräpäytysten tunnistusjärjestelmä, sekä tutkittiin voidaanko silmänräpäytysten laskemista hyödyntää kuormituksen mittaamisessa. Tulokset osoittavat, että menetelmässä on potentiaalia, mutta myös rajoitteita.
Kognitiivinen kuormitus tarkoittaa ihmisen aivotoimintaan tai tiedonkäsittelyyn kohdistuvaa rasitusta. Kuormitusta voi aiheuttaa työpaikalla monimutkaiset työtehtävät ja monen asian samanaikainen käsittely. Liiallinen kuormitus voi vaikuttaa työntekoon heikentävällä tavalla lisäten virheitä ja stressiä. Yksi laajalti käytetty menetelmä kuormituksen arvioimisessa on NASA-TLX-kysely, jossa kyselyn tekijä itsearvioi oman fyysisen ja psyykkisen kuormituksen määrää.
Tutkimuksessa oli 8 osallistujaa, jotka suorittivat ensin yhden kognitiivisesti kevyemmän ja sen jälkeen vaikeamman tehtävän. Jokaisen testin aikana seurattiin tietokoneen kameran avulla silmänräpäytyksiä, minkä jälkeen mitattiin kuormitus NASA-TLX itsearvioinnilla.
Silmänräpäytysten automaattinen tunnistus
Silmänräpäytysten automaattiseen laskemiseen kehitettiin tunnistusjärjestelmä, jonka tuloksia verrattiin manuaalisesti laskettuihin silmänräpäytyksiin. Tuloksista laskettiin, että automaattisten ja manuaalisten silmänräpäytysten lukumäärien korrelaatiokerroin (Spearman) oli ensimmäisessä testissä 0,810 ja toisessa 0,929, eli mittaustavoilla on erittäin vahva yhteys. Vaikka yhteys oli erittäin vahva, virheetön ei automaattinen tunnistus kuitenkaan ollut. Keskimääräinen prosentuaalinen virhe oli noin 21 prosenttia molemmissa testeissä.
Tulokset osoittivat, että teknologia toimii hyvin, kun ympäristö on rauhallinen ja valo ei vaihtele. Jos huoneessa liikutaan tai valaistus muuttuu, ohjelmiston virheet lisääntyvät selvästi. Tämä tarkoittaa, että tavallisessa toimistossa pelkkä web-kamera ei vielä riitä tarkkaan mittaukseen.
Korkeampi kuormitus näkyi osittain silmänräpäyttelyssä
Testien jälkeiset NASA-TLX itsearviointien pisteet osoittavat toisen testin olevan osallistujien mielestä kuormittavampi. Silmänräpäytysnopeuden ja kyselyn pisteiden välinen korrelaatiokerroin (Spearman) oli heikko 0,143 helpommassa testissä, ja kohtalainen 0.405 vaikeammassa testissä. Tulokset viittaavat siihen, että silmänräpäytysnopeus ja koettu kuormitus saattavat liittyä toisiinsa erityisesti tilanteissa, joissa kuormitus on korkeampi.
Suurin haaste tulosten luotettavuudessa liittyy siihen, että ihmiset ovat erilaisia. Mittasimme koehenkilöiden silmien räpyttelyä sekä helpoissa että vaikeissa muistitehtävissä. Huomasimme, että useimmilla räpyttely lisääntyi, kun stressi ja kuormitus kasvoivat, vaikka aluksi oletimme toisin. Koska ihmiset reagoivat kuormitukseen eri tavoin, pelkkä algoritmi ei riitä arvioimaan työntekijän tilaa. Ohjelmisto täytyy säätää jokaiselle käyttäjälle erikseen.
Missä menetelmää voitaisiin hyödyntää?
Silmänräpäytysten seurantaa automaattisesti voitaisiin käyttää toimistotyöympäristöissä, joissa moni tekee tietokoneella tehtäviä. Toinen voisi olla koulutus- ja oppimisympäristöissä opiskelijoiden ja henkilökunnan kuormituksen mittaaminen. Nämä ympäristöt sen takia, koska tietokoneiden ja digilaitteiden käyttö on jokapäiväistä. Tätä voidaan hyödyntää niin, että ohjelma pyörii mahdollisimman huomaamattomasti taustalla, jokaisen laitteella.
Silmänräpäytykset eivät yksin riitä mittariksi
Silmänräytyksiin vaikuttavat monet muutkin tekijät, esimerkiksi väsymys, silmien kuivuus, ympäristössä oleva valaistus ja ihmisten yksilölliset erot. Vaikka testiryhmä oli pieni, tulokset osoittavat, että silmänräpäytyksistä voitaisiin saada hyödyllistä tietoa ihmisten kuormituksesta, mutta yksinään menetelmä ei anna riittävän tarkkaa kuvaa kognitiivisesta tilasta. Menetelmää voitaisiin käyttää osana laajempaa kokonaisuutta, jossa yhdistetään muita fysiologisia mittareita. Automaattisella silmänräpäytysten tunnistuksella on potentiaalia kuormituksen seurannassa ja aihetta kannattaa tutkia laajemmalla datalla erilaisissa ympäristöissä.
On myös tärkeää miettiä teknologian eettisiä ja laillisia rajoja. Vaikka ohjelmisto toimisi tarkasti, kasvojen ja silmien liikkeiden jatkuva seuraaminen tarkoittaa biometrisen datan keräämistä. Tällaisen tiedon käyttö työpaikalla herättää isoja kysymyksiä tietosuojasta ja GDPR-säädöksistä. Lisäksi tieto siitä, että kamera seuraa koko ajan, voi ahdistaa työntekijöitä ja jopa lisätä stressiä, vaikka tarkoitus olisi päinvastainen.
Lähde:
Mahmoodi, A., & Pham, K. 2026.Assessment of cognitive load through eye blink rate analysis – Theseus. Opinnäytetyö. Turun ammattikorkeakoulu.
Kuva:
silverkblack / Unsplash