Zusammenfassung

Das Ziel der vorliegenden Untersuchung war es zu beurteilen, ob ein mobiles Elektroenzephalographie-Setup (EEG) verwendet werden kann, um die kognitive Belastung zu erfassen, die ein wichtiger Aspekt der Lernleistung und Motivation ist und somit eine wertvolle Informationsquelle bei der Bewertung kognitiver Trainingsansätze darstellen kann.

Fünfundzwanzig gesunde Probanden absolvierten an zwei Bewertungszeitpunkten einen dreistufigen N-Back-Test unter Verwendung eines vollständig mobilen Setups, das eine Tablet-basierte Präsentation der Aufgabe und die EEG-Datenerfassung mit einem selbst montierten mobilen EEG-Gerät umfasste. Es wurde ein zweigleisiger Analyseansatz gewählt, der eine Standard-Varianzanalyse und ein künstliches neuronales Netz zur Unterscheidung der kognitiven Belastungsstufen umfasste. Unsere Ergebnisse deuten darauf hin, dass das Setup geeignet ist, Veränderungen der kognitiven Belastung zu erkennen, was sich in Veränderungen über die verschiedenen Hirnlappen hinweg in unterschiedlichen Frequenzbändern widerspiegelt. Insbesondere beobachteten wir eine Abnahme des okzipitalen Alpha-Bands und eine Zunahme des frontalen, parietalen und okzipitalen Theta-Bands mit steigender kognitiver Belastung. Die am deutlichsten ausgeprägten Grade der kognitiven Belastung konnten durch die integrierten Modelle des maschinellen Lernens mit einer Genauigkeit von 86% unterschieden werden.

Schlussfolgerungen

In der aktuellen Untersuchung haben wir ein vollständig mobiles Setup für kognitive Trainingsaufgaben in Kombination mit einer EEG-Aufzeichnung zur Erfassung der kognitiven Belastung getestet. Das Setup basierte auf einem mobilen EEG-Gerät in Kombination mit einem Tablet zur Anzeige der kognitiven Aufgabe, um eine einfache Montage und die Durchführung von Selbsttests zu ermöglichen. Die Analyse der Verhaltensdaten bestätigte Unterschiede in der Aufgabenleistung in Abhängigkeit vom Schwierigkeitsgrad der Aufgabe. Darüber hinaus fanden wir bei höherem Schwierigkeitsgrad der Aufgabe eine Abnahme der Leistung im okzipitalen Alpha-Frequenzband und eine Zunahme der Leistung im frontalen Theta-Frequenzband, was unsere Haupthypothese bestätigt. Darüber hinaus zeigte die automatische Klassifizierung der kognitiven Anstrengung, dass der Ansatz des maschinellen Lernens mit einer Genauigkeit von 86% zwischen den am deutlichsten ausgeprägten Graden kognitiver Belastung unterscheidet. Unsere Ergebnisse deuten darauf hin, dass das vollständig mobile Setup geeignet ist, unterschiedliche Grade kognitiver Belastung zu erkennen, wie sie sich beispielsweise in Änderungen der Bandleistung widerspiegeln. Darüber hinaus ist die subjektiv bewertete Benutzerfreundlichkeit bei einer ersten persönlichen Schulung zur Elektrodenmontage angemessen. Zukünftige Untersuchungen sind erforderlich, um die Ergebnisse in vielfältigeren Stichproben, einschließlich einer größeren Altersspanne und von Patientengruppen, zu evaluieren.

Lesen Sie hier den vollständigen Artikel