Cognitive Load & Conscious Perception Index
TL;DR | SOMAREALITY พัฒนา ตัวบ่งชี้ทางชีวภาพดิจิทัล ด้วย Eye Tracking เพื่อวัด ภาระงานทางสมอง (CL) และ การรับรู้ด้วยสติ (CPI) โดย CL วัดจากขนาดรูม่านตาที่สะท้อนความพยายามทางจิต และ CPI ประเมินการรับรู้ข้อมูลที่มองเห็นอย่างมีสติจากรูปแบบการจ้องมองและ CL ทั้งสองผ่านการตรวจสอบความถูกต้องด้วย EEG และ CL, CPI มีความสัมพันธ์ต่อกันในระดับต่ำ ซึ่งบ่งชี้ว่าวัดมิติทางปัญญาที่แตกต่าง เทคโนโลยีนี้มีศักยภาพในการประยุกต์ใช้หลากหลาย ทั้งใน การแพทย์, การบิน, ยานยนต์, อุตสาหกรรม, การวิจัยด้านความรู้ความเข้าใจ, การโฆษณา, การศึกษา, และ HCI เพื่อทำความเข้าใจและปรับปรุงประสิทธิภาพการรู้คิดของมนุษย์ในสถานการณ์จริง
NEUROPSYCHOLOGY
6/27/2025


SOMAREALITY เป็นบริษัทที่มุ่งเน้นการพัฒนา “ตัวบ่งชี้ทางชีวภาพดิจิทัล" (Digital Biomarker) ที่ได้รับการรับรองทางวิทยาศาสตร์ โดยใช้เทคโนโลยี Eye Tracking เพื่อปลดล็อกศักยภาพด้านการรู้คิดของมนุษย์ โดยนำข้อมูลเชิงลึกด้านการรู้คิดที่ได้จากการติดตามดวงตา ไปประยุกต์ใช้ในโลกแห่งความเป็นจริง เพื่อสร้างสรรค์นวัตกรรมในหลากหลายอุตสาหกรรม เช่น การแพทย์, การศึกษา, อุตสาหกรรม, และสังคม SOMAREALITY นำเสนอแนวทางที่อิงตาม “โมเดลเชิงประจักษ์” ที่ได้รับการตรวจสอบทางวิทยาศาสตร์และเผยแพร่แล้ว เน้นการสร้าง ข้อมูลที่เป็นกลางและวัดปริมาณได้เกี่ยวกับ
ความสนใจทางสายตา
รูปแบบการจ้องมอง
การเคลื่อนไหวของดวงตา
เพื่อประเมิน “กระบวนการรู้คิดและประสิทธิภาพของมนุษย์ในสถานการณ์จริง” ได้อย่างแม่นยำ
🔍 อัลกอริทึม Cognitive Load (CL): การวัดภาระทางการรู้คิดแบบเรียลไทม์
คำอธิบายเบื้องต้น: Cognitive Load (CL) หรือ “ภาระทางการรู้คิด” คือ ปริมาณความพยายามทางจิต ที่สมองใช้ในการประมวลผลข้อมูล ตัดสินใจ และดำเนินกิจกรรมต่างๆ
สิ่งที่ SOMAREALITY ทำ: พัฒนาตัวบ่งชี้ทางชีวภาพ CL ที่สามารถประเมินได้แบบเรียลไทม์ โดยอาศัยการเปลี่ยนแปลงขนาดรูม่านตา (Pupil Dilation) ซึ่งสัมพันธ์โดยตรงกับภาระทางการรู้คิด
หลักการทำงานของ CL:
การแยกผลกระทบจากแสง (Pupillary Light Reflex - PLR): ขนาดรูม่านตาได้รับอิทธิพลจากแสงรอบข้างอย่างมาก อัลกอริทึมจะใช้ข้อมูลจากกล้องด้านหน้า (World Camera) ของ Eye Tracker เพื่อประเมิน “ความสว่างของสภาพแวดล้อม” จากนั้นนำข้อมูลนี้ไปคำนวณกับ โมเดล PLR เพื่อแยกผลของแสงออกจาก “ผลที่เกิดจากความคิด”
การปรับเทียบแบบเรียลไทม์ (Live Calibration): เพื่อชดเชยความแตกต่างระหว่างบุคคลและคุณสมบัติทางเทคนิคของกล้อง ระบบจะจับคู่ข้อมูลความสว่างและรูม่านตา เพื่อสร้างแบบจำลองเฉพาะบุคคลที่แม่นยำ
การวิเคราะห์ภาระทางการรู้คิด (Task-Evoked Pupil Response - TEPR Modeling): หลังจากแยกผลของแสงแล้ว การเปลี่ยนแปลงที่เหลือของรูม่านตาจะถูกตีความว่าเกิดจาก “ภาระทางการรู้คิด” อัลกอริทึมจะใช้ การจับคู่เส้นโค้งซ้ำๆ (Iterative Curve Matching) เพื่อตรวจหา “Attentional Pulses” ซึ่งสะท้อนถึงการเริ่มและขนาดของภาระงาน วิธีนี้ เร็วและแม่นยำกว่า การวิเคราะห์ออฟไลน์แบบดั้งเดิม
การตรวจสอบความถูกต้อง (Validation):
ตัวบ่งชี้ทางชีวภาพ CL ของ SOMAREALITY แสดงความสัมพันธ์ที่สอดคล้องกับ EEG:
เชิงบวกกับ Frontal Theta Power
เชิงลบกับ Parietal Alpha Power
ได้รับการตรวจสอบในห้องปฏิบัติการว่าสามารถ:
บ่งชี้ความต้องการด้านการรู้คิดได้อย่างน่าเชื่อถือ
ประมาณเวลาการเริ่มต้นของการกระตุ้น ได้โดยไม่ต้องรู้สิ่งเร้าหรือตัวกระตุ้นล่วงหน้า
CL กับ CPI มี ความสัมพันธ์ต่ำมาก (-0.034) → แสดงว่าเป็นมิติทางการรู้คิดคนละด้านกัน
🔎 อัลกอริทึม Conscious Perception Index (CPI): การประเมินการรับรู้ด้วยสติ
คำอธิบายเบื้องต้น: CPI = มาตรวัดเชิงปริมาณว่า “ผู้ใช้รับรู้ข้อมูลที่มองเห็นด้วยสติหรือไม่” (รู้ตัวว่าเห็นและมีการประมวลผล)
ลักษณะ: ให้ค่าต่อเนื่องแบบเรียลไทม์ ที่ตีความได้ว่าเป็น “ความน่าจะเป็นของการรับรู้ด้วยสติ” ณ ขณะนั้น
หลักการทำงานของ CPI:
อิงจาก ข้อมูลการติดตามดวงตาแบบซับซ้อน หลายปัจจัย เช่น:
Pupil Dilation Dynamics → การหดขยายของรูม่านตาในบริบททางการรู้คิด
Saccadic Latency → เวลาที่ใช้เคลื่อนสายตาอย่างรวดเร็ว (saccades) ระหว่างการจ้องมอง (Fixation) การรับรู้ด้วยสติจะเกิดขึ้นได้ในขณะที่ดวงตากำลังจ้องมอง และไม่เกิดขึ้นระหว่างการเคลื่อนไหวแบบ saccade
Fixation Patterns → ระยะเวลาและตำแหน่งของการจ้องมอง การจ้องมองแบบเฉพาะจุด (Focal Gaze Behavior) บ่งชี้ถึงการประมวลผลข้อมูลอย่างมีสติ ต่างจากการจ้องมองแบบกระจายตัว (Ambient Processing) K-coefficient ใช้เพื่อวัดพฤติกรรมการจ้องมองแบบเฉพาะจุดหรือกระจายตัว
Vergence → การเคลื่อนไหวของดวงตาที่เกี่ยวข้องกับการมองวัตถุในระยะใกล้หรือไกล
รวมกับ Cognitive Load → CPI ต้องการภาระทางการรู้คิดในระดับที่ “เหมาะสม” ไม่มากเกินไปจนโอเวอร์โหลด และไม่น้อยเกินไปจนไม่เกิดการประมวลผล อัลกอริทึมจะใช้ โมเดลฮิวริสติกจากพฤติกรรมการจ้องมอง + ระดับภาระทางการรู้คิด เพื่อประเมินโอกาสในการรับรู้แบบมีสติ
ความแตกต่างจาก Visual Attention ทั่วไป: CPI แตกต่างจากการวัด "ความสนใจทางสายตา" ทั่วไป เพราะเป็นการวัดความลึกของการประมวลผลทางการรู้คิดของเนื้อหาที่มองเห็น เพื่อให้ทราบว่ามีความเข้าใจสิ่งที่มองมากแค่ไหน ช่วยแยกแยะระหว่างการจ้องมองแบบเฉยๆ (Blank Stare) ที่อาจเกิดจากกระบวนการคิดภายใน กับการโต้ตอบที่เน้นการประมวลผลภาพอย่างมีสติ
การตรวจสอบความถูกต้อง (Validation):
ในการทดสอบ Change Blindness:
67.7% ของการโต้ตอบเกิดใกล้กับจุดที่ CPI สูงสุด → CPI ตรวจจับจุดสำคัญได้ดี
Mann-Whitney U test ยืนยันว่า CPI แยก zone การโต้ตอบและไม่โต้ตอบได้อย่างมีนัยสำคัญ (p<0.001)
สอดคล้องกับ EEG → โดยเฉพาะ Coherence (การเชื่อมโยงสัญญาณ) ระหว่างสมองส่วนหน้าและส่วนหลัง (Prefrontal and Parietal Regions)
มีความแม่นยำเฉลี่ยอยู่ที่ 70.79% ในการเปรียบเทียบสัญญาณ
💡 Use Cases: การนำ CL และ CPI ไปประยุกต์ใช้
ตัวบ่งชี้ทางชีวภาพ CL และ CPI ของ SOMAREALITY มีศักยภาพในการประยุกต์ใช้ในหลากหลายสาขา:
1. การแพทย์และสุขภาพ (Healthcare & Medicine)
การฝึกอบรมการผ่าตัดและบุคลากรทางการแพทย์: ใช้ประเมินความเชี่ยวชาญในสภาพแวดล้อมที่มีความเสี่ยงสูง เช่น การผ่าตัด โดยวิเคราะห์ภาระทางการรู้คิดที่สะท้อนจากการเปลี่ยนแปลงของขนาดรูม่านตา สามารถให้ข้อมูลเพิ่มเติมสำหรับการสร้างแบบจำลองความสามารถในการศึกษาทางการแพทย์ แทนที่จะพึ่งพาผลลัพธ์การปฏิบัติงานเพียงอย่างเดียว
ตัวอย่าง: นักวิจัยจากมหาวิทยาลัยเวียนนาใช้ Eye Tracker Pupil Labs Neon บันทึกข้อมูลดวงตาและวิดีโอจากมุมมองศัลยแพทย์ระหว่างการผ่าตัดฝังประสาทหูเทียม ข้อมูลนี้ใช้สร้างแบบจำลองภาระทางการรู้คิดอย่างต่อเนื่อง ศัลยแพทย์ผู้เชี่ยวชาญมีภาระทางการรู้คิดพื้นฐานต่ำและเพิ่มขึ้นอย่างรวดเร็วเมื่อมีการเปลี่ยนแปลงสำคัญ ศัลยแพทย์ที่ไม่มีประสบการณ์มีภาระทางปัญหาสูงกว่าและมีจุดสูงสุดบ่อยครั้ง สิ่งนี้สามารถนำไปใช้ให้ ข้อเสนอแนะแบบเรียลไทม์แก่ผู้เข้ารับการฝึกอบรม และช่วย ปรับปรุงหลักสูตรการฝึกอบรม
ความร่วมมือ: SOMAREALITY ทำงานร่วมกับ Intuitive (ผู้ผลิตระบบหุ่นยนต์ผ่าตัด) เพื่อเพิ่มประสิทธิภาพสภาพแวดล้อมการฝึกอบรมเสมือนจริง โดยใช้ข้อมูลเชิงลึกเกี่ยวกับภาระทางการรู้คิดเพื่อระบุขั้นตอนการผ่าตัดที่ยากหรือก่อให้เกิดความเครียด
การประเมินผู้ป่วยและการวินิจฉัย: สามารถใช้เพื่อตรวจสอบสถานะทางการรู้คิด หรือระบุสัญญาณเริ่มต้นของการลดลงของความสามารถทางการรู้คิด
การบำบัดด้วยความเป็นจริงเสริม (XR) ในทางการแพทย์: ในการวิจัยทางคลินิก สามารถใช้ XR เพื่อให้ผู้ป่วยที่ติดแอลกอฮอล์สัมผัสสถานการณ์เสมือนจริงที่มีแอลกอฮอล์ การวัดการเปลี่ยนแปลงระดับความอยากด้วยพารามิเตอร์ทางจิตสรีรวิทยา เช่น Pupillometry (การวัดขนาดรูม่านตา) ช่วยเปรียบเทียบระหว่างสิ่งกระตุ้นที่เกี่ยวข้องกับแอลกอฮอล์กับสิ่งกระตุ้นที่เป็นกลาง นอกจากนี้ยังสามารถใช้ในการประเมินภาระทางการรู้คิดในการเปลี่ยนงานและสิ่งรบกวนในสภาพแวดล้อมทางคลินิก
2. การบินและการฝึกนักบิน (Aviation & Pilot Training)
การประเมินและพัฒนาความสามารถของนักบิน: การใช้ข้อมูลเรียลไทม์เกี่ยวกับการให้ความสนใจและการตัดสินใจของนักบินช่วยให้การสอนมีประสิทธิภาพและเฉพาะเจาะจงมากขึ้น
โครงการ Airtention: มุ่งเน้นการพัฒนาระบบช่วยเหลือที่ประเมินความก้าวหน้าการฝึกอบรมของนักบิน โดยการสังเกตและสร้างแบบจำลอง พฤติกรรมการจ้องมอง (gaze behaviour), ความสนใจทางสายตา (visual attention), และ ภาระทางการรู้คิด (cognitive load) ระบบดังกล่าวช่วยให้สามารถเปลี่ยนจากการบันทึกชั่วโมงการฝึกอบรมแบบมาตรฐานเป็นการฝึกอบรมที่ยึดตามความสามารถและหลักฐานอย่างแท้จริง
การฝึกอบรมที่ปรับให้เข้ากับบุคคล: ระบบช่วยให้นักบินพัฒนาทักษะได้ถึงขีดจำกัดแต่ไม่เกินความสามารถ ซึ่งนำไปสู่การลดอัตราการลาออกในช่วงแรกของการฝึกอบรม และเพิ่มประสิทธิภาพการฝึกอบรมโดยรวม
3. ยานยนต์ (Automotive)
การตรวจสอบผู้ขับขี่และผู้โดยสาร: เทคโนโลยีนี้สามารถสร้างระบบที่รับรู้สถานะของผู้ขับขี่หรือผู้โดยสารได้ ซึ่งรวมถึงการ ตรวจสอบภาระทางการรู้คิดอย่างต่อเนื่อง เพื่อช่วยให้ผู้ขับขี่ปลอดภัย
ตัวอย่าง: เทคโนโลยี HARMAN สามารถปรับอินเทอร์เฟซผู้ใช้เพื่อ ลดสิ่งรบกวนทางกายภาพและจิตใจ ผู้ผลิตรถยนต์รายใหญ่อื่นๆ ก็เริ่มวิจัยและพัฒนาในด้านนี้เช่นกัน
4. การผลิตภาคอุตสาหกรรมและระบบช่วยเหลือ (Industrial Production & Assistance Systems)
การฝึกอบรมพนักงานใหม่: ระบบสามารถสอนพนักงานใหม่ให้ประกอบผลิตภัณฑ์อุตสาหกรรมที่ซับซ้อนได้อย่างถูกต้องโดยไม่ต้องมีการดูแลจากมนุษย์อย่างต่อเนื่อง ระบบฝึกอบรมนี้จะสังเกตและสร้างแบบจำลองสถานะของพนักงานเพื่อให้การสนับสนุนที่เหมาะสมที่สุด โดยการให้สื่อการสอนและข้อเสนอแนะตามความต้องการและพฤติกรรมของผู้เข้ารับการฝึกอบรม
การสนับสนุนคนงานแบบไดนามิก: สถานะของผู้ใช้จะถูกตรวจสอบอย่างต่อเนื่องตามดัชนีกิจกรรมและภาระทางการรู้คิด โดยแบ่งเป็นสี่สถานะที่เป็นไปได้: Flow (กิจกรรมสูง ภาระต่ำ), Busy (กิจกรรมสูง ภาระสูง), Idle (กิจกรรมต่ำ ภาระต่ำ) และ Overload (กิจกรรมต่ำ ภาระสูง)
การระบุสถานะ "Overload" เป็นเวลานาน อาจเป็นสัญญาณว่าผู้ใช้ถูกครอบงำด้วยงานมากเกินไป ซึ่งระบบสามารถใช้เพื่อ ปรับการแสดงผลบนหน้าจอ ให้เหมาะสม เช่น ลดการแสดงผลเมื่อผู้ใช้อยู่ในสถานะ "Flow" หรือหยุดกระบวนการประกอบและแสดงข้อมูลเชิงลึกเพิ่มเติมเมื่ออยู่ในสถานะ "Overload"
ความร่วมมือระหว่างมนุษย์กับหุ่นยนต์: การประเมินภาระทางการรู้คิดของผู้ปฏิบัติงานสามารถรวมเข้ากับแว่นตาป้องกันที่ต้องสวมใส่ในโรงงานได้ ซึ่งจะช่วยให้ระบบช่วยเหลือทางอุตสาหกรรมสามารถ ตีความระดับทักษะของคนงาน และเลือกและจัดหามาตรการช่วยเหลือได้อย่างแม่นยำ นอกจากนี้ยังสามารถใช้เพื่อปรับการควบคุมเครื่องจักรให้เข้ากับพฤติกรรมปัจจุบันของคนงาน
5. การวิจัยด้านการรู้คิด ความรู้ความเข้าใจ (Cognitive Research)
การทำความเข้าใจกระบวนการทางความคิด: การติดตามการเคลื่อนไหวของดวงตาให้ข้อมูลเชิงลึกเพิ่มเติมเกี่ยวกับสถานะทางการรู้คิดของผู้ใช้ สามารถนำมาใช้เพื่อวัดปริมาณภาระทางการรู้คิด ที่เปลี่ยนแปลงไประหว่างงานที่ซับซ้อนหรือตึงเครียด และตรวจสอบการเปลี่ยนแปลงในพฤติกรรมการจ้องมอง เพื่อตอบสนองต่อสิ่งกระตุ้นทางสายตาต่างๆ การวิจัยยังรวมการติดตามรูม่านตาเข้ากับการวัดทางสรีรวิทยาอื่นๆ เช่น EEG (คลื่นสมอง) และอัตราการเต้นของหัวใจ เพื่อสร้างภาพที่ครอบคลุมของกระบวนการทางการรู้คิด
การวิจัยแบบมัลติโมดัล: สามารถใช้การติดตามการเคลื่อนไหวของดวงตาในสภาพแวดล้อมเสมือนจริง (VR) เพื่อเพิ่มความถูกต้องเชิงนิเวศ (ecological validity) ของการประเมินความรู้ความเข้าใจ SOMAREALITY ได้ทำการศึกษาที่ซับซ้อนโดยรวมการติดตามการเคลื่อนไหวของดวงตาเข้ากับ EEG เพื่อตรวจสอบภาระทางการรู้คิดและดัชนีการรับรู้เชิงสติ (Conscious Perception Index - CPI) ซึ่งช่วยให้เข้าใจความเชื่อมโยงระหว่างตัวบ่งชี้ทางพฤติกรรมของดวงตาและกิจกรรมของสมอง
6. จอแสดงผลสาธารณะและการโฆษณา (Public Displays & Advertising)
การประมาณการความสนใจของผู้สัญจรไปมา: การวิเคราะห์การเคลื่อนไหวและพฤติกรรมของผู้คนหน้าจอแสดงผลสาธารณะสามารถนำมาใช้เพื่อประเมินความสนใจของพวกเขา ซึ่งสามารถนำไปสู่การนำเสนอข้อมูลที่เหมาะสมกับความสามารถในการรับรู้ของผู้ใช้ และยังช่วยให้สามารถใช้รูปแบบการคิดค่าบริการตามการรับรู้และความสนใจจริงแทนที่จะเป็นข้อมูลการจราจรทางสถิติ
การจัดการการแจ้งเตือนและการขัดจังหวะ: ระบบที่รับรู้ความสนใจสามารถใช้มาตรการเกี่ยวกับหัวใจเพื่อตรวจจับภาระทางจิตและกิจกรรมทางกายภาพเพื่อควบคุมการกระจายการแจ้งเตือนผ่านโทรศัพท์มือถือ ซึ่งมีจุดมุ่งหมายเพื่อลดภาระทางการรู้คิดของผู้ใช้ และ ลดสิ่งรบกวนในสภาพแวดล้อมการทำงานที่มีความรับผิดชอบสูง เช่น ห้องผ่าตัด
7. การศึกษาและอีเลิร์นนิง (Education & E-learning)
การทำความเข้าใจความพยายามทางจิตและพัฒนาการการเรียนรู้: การติดตามภาระทางการรู้คิดสามารถช่วยให้นักการศึกษาเข้าใจความพยายามทางจิตและพัฒนาการการเรียนรู้ของผู้เรียนได้ดีขึ้น ระบบสามารถถูกปรับให้เข้ากับความต้องการเฉพาะบุคคล ช่วยให้ผู้เรียนแต่ละคนพัฒนาได้อย่างมีประสิทธิภาพ
การตรวจจับจิตใจล่องลอย (Mind-wandering): มีการพัฒนาอินเทอร์เฟซอัตโนมัติที่สามารถตรวจจับภาวะจิตใจล่องลอยระหว่างการอ่านบนคอมพิวเตอร์ผ่านการจ้องมองตา ระบบเหล่านี้สามารถให้การแจ้งเตือนเมื่อระดับความสนใจต่ำ และสนับสนุนนักเรียนในกระบวนการ E-learning
8. ปฏิสัมพันธ์ระหว่างมนุษย์กับคอมพิวเตอร์ (HCI) และระบบที่รับรู้ความสนใจ (Attention-Aware Systems)
การเพิ่มประสิทธิภาพการออกแบบปฏิสัมพันธ์: ระบบที่รับรู้ความสนใจมีเป้าหมายเพื่อเสริมสร้างระบบ ICT แบบดั้งเดิมด้วยช่องทางการตอบสนองที่ใช้เซ็นเซอร์ ซึ่งช่วยให้สามารถตีความการรับรู้ข้อมูลได้เหมือนมนุษย์
สามารถนำไปใช้ในระบบช่วยเหลือในอุตสาหกรรมเพื่อให้การสนับสนุนที่ดีที่สุด หรือในการ จัดการการแจ้งเตือนเพื่อลดความโอเวอร์โหลดของข้อมูล
นอกจากนี้ยังสามารถปรับการนำเสนอข้อมูลให้เหมาะสมกับความสามารถในการรับรู้ปัจจุบันของผู้ใช้ และดึงความสนใจไปยังสถานการณ์วิกฤตที่ผู้ใช้อาจยังไม่ได้รับรู้ สิ่งนี้ถือเป็นก้าวสำคัญสู่การสร้างสรรค์ ส่วนต่อประสานผู้ใช้ที่เป็นธรรมชาติและใช้งานง่ายยิ่งขึ้น