Decoding the subjective perception of task difficulty may help improve operator performance, i.e., automatically optimize the task difficulty level. Here, we aim to decode a compound of cognitive states that covaries with the task difficulty level. We designed a protocol composed of two different subtasks, flying and visual recognition, to induce different difficulty levels. We first showed that electroencephalography (EEG) signals could be a reliable source for discriminating different compound states. To gain insight into the underlying components in the compound states, we examined the attentional index and engagement index as in our previous study. We showed that (1) attention and engagement are essential components but fail to provide the best accuracy, and (2) our model is consistent with our previous study, which means that lateralized modulations in theα bands are representative of the flying task. We also analyzed a practical issue in the design of adaptive Human-Machine Interaction (HMI) systems, namely, the latency of changes in the user’s compound state. We hypothesized that the EEG correlates of the task difficulty level do not instantaneously reflect the changes in the task difficulty. We validated the hypothesis by measuring the time required for our decoders to provide stable accuracy after the task changed. This amount of time, or latency, could be as high as ten seconds. The results suggest that the latency of changes in the user’s compound state between different tasks is a factor that should be taken into account when building adaptive HMI systems.

中文翻译：

---

模拟飞行和测绘任务动态转换难度级别的脑电图相关性

解码任务难度的主观感知可能有助于提高操作员的性能，即自动优化任务难度级别。在这里，我们的目标是解码与任务难度水平共变的认知状态的复合。我们设计了一个由飞行和视觉识别两个不同子任务组成的协议，以诱导不同的难度级别。我们首先表明，脑电图 (EEG) 信号可能是区分不同复合状态的可靠来源。为了深入了解复合状态中的潜在组成部分，我们像之前的研究一样检查了注意力指数和参与指数。我们表明（1）注意力和参与度是必不可少的组成部分，但未能提供最佳准确性，以及（2）我们的模型与我们之前的研究一致，这意味着α波段中的横向调制代表了飞行任务。我们还分析了自适应人机交互（HMI）系统设计中的一个实际问题，即用户复合状态变化的延迟。我们假设任务难度级别的 EEG 相关性不会立即反映任务难度的变化。我们通过测量我们的解码器在任务改变后提供稳定精度所需的时间来验证假设。这段时间或延迟可能高达 10 秒。结果表明，不同任务之间用户复合状态变化的延迟是构建自适应 HMI 系统时应考虑的一个因素。我们还分析了自适应人机交互（HMI）系统设计中的一个实际问题，即用户复合状态变化的延迟。我们假设任务难度级别的 EEG 相关性不会立即反映任务难度的变化。我们通过测量我们的解码器在任务改变后提供稳定精度所需的时间来验证假设。这段时间或延迟可能高达 10 秒。结果表明，不同任务之间用户复合状态变化的延迟是构建自适应 HMI 系统时应考虑的一个因素。我们还分析了自适应人机交互（HMI）系统设计中的一个实际问题，即用户复合状态变化的延迟。我们假设任务难度级别的 EEG 相关性不会立即反映任务难度的变化。我们通过测量我们的解码器在任务改变后提供稳定精度所需的时间来验证假设。这段时间或延迟可能高达 10 秒。结果表明，不同任务之间用户复合状态变化的延迟是构建自适应 HMI 系统时应考虑的一个因素。我们假设任务难度级别的 EEG 相关性不会立即反映任务难度的变化。我们通过测量我们的解码器在任务改变后提供稳定精度所需的时间来验证假设。这段时间或延迟可能高达 10 秒。结果表明，不同任务之间用户复合状态变化的延迟是构建自适应 HMI 系统时应考虑的一个因素。我们假设任务难度级别的 EEG 相关性不会立即反映任务难度的变化。我们通过测量我们的解码器在任务改变后提供稳定精度所需的时间来验证假设。这段时间或延迟可能高达 10 秒。结果表明，不同任务之间用户复合状态变化的延迟是构建自适应 HMI 系统时应考虑的一个因素。