Fordern Sie Ihr Gedächtnis heraus! Spielen Sie das neue N-Back-Spiel in der Emotiv-App
Fordern Sie Ihr Gedächtnis heraus! Spielen Sie das neue N-Back-Spiel in der Emotiv-App
Verwendung von drahtlosen EEG-Signalen zur Bewertung der Gedächtnisbelastung in der n-Back-Aufgabe
Teilen:
Mensch-Maschine-Systeme, IEEE, 2015
Zusammenfassung
Die Bewertung der mentalen Arbeitslast unter Verwendung physiologischer Messungen, insbesondere EEG (Elektroenzephalographie)-Signale, ist ein aktives Forschungsgebiet. Kürzlich sind eine Reihe von drahtlosen Erwerbssystemen zur Messung von EEG und anderen physiologischen Signalen verfügbar geworden. Nur wenige Studien haben solche drahtlosen Systeme zur Bewertung der kognitiven Arbeitslast und zur Evaluierung ihrer Leistung angewendet. Diese Arbeit stellt einen ersten Schritt dar, um die Machbarkeit eines beliebten drahtlosen Systems (EMOTIV EPOC-Headset) zur Bewertung der Gedächtnisarbeitslast in einer bekannten n-back-Aufgabe zu erkunden. Wir haben ein Signalverarbeitungs- und Klassifizierungsframework entwickelt, das einen automatischen Artefaktentfernungsalgorithmus, ein breites Spektrum an Merkmalsextraktionstechniken, eine personalisierte Merkmalskalierungsmethode, einen informations-theoretisch basierten Merkmal-Auswahlansatz und ein klassifikationsmodell auf Basis eines proximalen Support-Vektor-Maschinen integriert. Die experimentellen Ergebnisse zeigen, dass die drahtlos gesammelten EEG-Signale verwendet werden können, um verschiedene Gedächtnisarbeitslastniveaus bei neun Teilnehmern zu klassifizieren. Die Klassifizierungsgenauigkeiten zwischen dem niedrigsten Arbeitslastniveau (0-back) und aktiven Arbeitslastniveaus (1-, 2-, 3-back) lagen nahe bei 100 %. Die beste Klassifizierungsgenauigkeit für 1- versus 2-back betrug 80 %, und 1- versus 3-back war 84 %. Diese Studie zeigt, dass das drahtlose Erwerbssystem und die fortschrittlichen Datenanalysen- und Mustererkennungstechniken vielversprechend sind, um eine Echtzeitüberwachung und Identifizierung der mentalen Arbeitslastniveaus für Menschen, die sich mit einer Vielzahl von kognitiven Aktivitäten in der modernen Gesellschaft beschäftigen, zu erreichen.Hier klicken, um den vollständigen Bericht zu lesen
Mensch-Maschine-Systeme, IEEE, 2015
Zusammenfassung
Die Bewertung der mentalen Arbeitslast unter Verwendung physiologischer Messungen, insbesondere EEG (Elektroenzephalographie)-Signale, ist ein aktives Forschungsgebiet. Kürzlich sind eine Reihe von drahtlosen Erwerbssystemen zur Messung von EEG und anderen physiologischen Signalen verfügbar geworden. Nur wenige Studien haben solche drahtlosen Systeme zur Bewertung der kognitiven Arbeitslast und zur Evaluierung ihrer Leistung angewendet. Diese Arbeit stellt einen ersten Schritt dar, um die Machbarkeit eines beliebten drahtlosen Systems (EMOTIV EPOC-Headset) zur Bewertung der Gedächtnisarbeitslast in einer bekannten n-back-Aufgabe zu erkunden. Wir haben ein Signalverarbeitungs- und Klassifizierungsframework entwickelt, das einen automatischen Artefaktentfernungsalgorithmus, ein breites Spektrum an Merkmalsextraktionstechniken, eine personalisierte Merkmalskalierungsmethode, einen informations-theoretisch basierten Merkmal-Auswahlansatz und ein klassifikationsmodell auf Basis eines proximalen Support-Vektor-Maschinen integriert. Die experimentellen Ergebnisse zeigen, dass die drahtlos gesammelten EEG-Signale verwendet werden können, um verschiedene Gedächtnisarbeitslastniveaus bei neun Teilnehmern zu klassifizieren. Die Klassifizierungsgenauigkeiten zwischen dem niedrigsten Arbeitslastniveau (0-back) und aktiven Arbeitslastniveaus (1-, 2-, 3-back) lagen nahe bei 100 %. Die beste Klassifizierungsgenauigkeit für 1- versus 2-back betrug 80 %, und 1- versus 3-back war 84 %. Diese Studie zeigt, dass das drahtlose Erwerbssystem und die fortschrittlichen Datenanalysen- und Mustererkennungstechniken vielversprechend sind, um eine Echtzeitüberwachung und Identifizierung der mentalen Arbeitslastniveaus für Menschen, die sich mit einer Vielzahl von kognitiven Aktivitäten in der modernen Gesellschaft beschäftigen, zu erreichen.Hier klicken, um den vollständigen Bericht zu lesen
Mensch-Maschine-Systeme, IEEE, 2015
Zusammenfassung
Die Bewertung der mentalen Arbeitslast unter Verwendung physiologischer Messungen, insbesondere EEG (Elektroenzephalographie)-Signale, ist ein aktives Forschungsgebiet. Kürzlich sind eine Reihe von drahtlosen Erwerbssystemen zur Messung von EEG und anderen physiologischen Signalen verfügbar geworden. Nur wenige Studien haben solche drahtlosen Systeme zur Bewertung der kognitiven Arbeitslast und zur Evaluierung ihrer Leistung angewendet. Diese Arbeit stellt einen ersten Schritt dar, um die Machbarkeit eines beliebten drahtlosen Systems (EMOTIV EPOC-Headset) zur Bewertung der Gedächtnisarbeitslast in einer bekannten n-back-Aufgabe zu erkunden. Wir haben ein Signalverarbeitungs- und Klassifizierungsframework entwickelt, das einen automatischen Artefaktentfernungsalgorithmus, ein breites Spektrum an Merkmalsextraktionstechniken, eine personalisierte Merkmalskalierungsmethode, einen informations-theoretisch basierten Merkmal-Auswahlansatz und ein klassifikationsmodell auf Basis eines proximalen Support-Vektor-Maschinen integriert. Die experimentellen Ergebnisse zeigen, dass die drahtlos gesammelten EEG-Signale verwendet werden können, um verschiedene Gedächtnisarbeitslastniveaus bei neun Teilnehmern zu klassifizieren. Die Klassifizierungsgenauigkeiten zwischen dem niedrigsten Arbeitslastniveau (0-back) und aktiven Arbeitslastniveaus (1-, 2-, 3-back) lagen nahe bei 100 %. Die beste Klassifizierungsgenauigkeit für 1- versus 2-back betrug 80 %, und 1- versus 3-back war 84 %. Diese Studie zeigt, dass das drahtlose Erwerbssystem und die fortschrittlichen Datenanalysen- und Mustererkennungstechniken vielversprechend sind, um eine Echtzeitüberwachung und Identifizierung der mentalen Arbeitslastniveaus für Menschen, die sich mit einer Vielzahl von kognitiven Aktivitäten in der modernen Gesellschaft beschäftigen, zu erreichen.Hier klicken, um den vollständigen Bericht zu lesen
