Défiez votre mémoire ! Jouez au nouveau jeu N-Back dans l'application Emotiv
Défiez votre mémoire ! Jouez au nouveau jeu N-Back dans l'application Emotiv
Défiez votre mémoire ! Jouez au nouveau jeu N-Back dans l'application Emotiv
Suivi de la charge mentale avec un capteur EEG mobile
Partager :
Résumé
L'objectif de la présente investigation était d'évaluer si la configuration d'électroencéphalographie mobile (EEG) pouvait être utilisée pour suivre la charge mentale, qui est un aspect important de la performance d'apprentissage et de la motivation et peut donc représenter une source d'information précieuse dans l'évaluation des approches de formation cognitive.
Vingt-cinq sujets en bonne santé ont effectué un test de N-back à trois niveaux en utilisant un dispositif complètement mobile comprenant la présentation de la tâche sur tablette et la collecte de données EEG avec un appareil EEG mobile auto-monté à deux moments d'évaluation. Une approche d'analyse en deux temps a été choisie, incluant une analyse de variance standard et un réseau de neurones artificiels pour distinguer les niveaux de charge cognitive. Nos résultats indiquent que la configuration est réalisable pour détecter les changements dans la charge cognitive, comme en témoignent les modifications à travers les lobes dans différentes bandes de fréquence. En particulier, nous avons observé une diminution de l'alpha occipital et une augmentation du theta frontal, pariétal et occipital avec l'augmentation de la charge cognitive. Les niveaux de charge cognitive les plus distincts pouvaient être discriminés par les modèles d'apprentissage automatique intégrés avec une précision de 86%.
Conclusions
Dans l'investigation actuelle, nous avons testé une configuration complètement mobile pour les tâches de formation cognitive combinée avec l'enregistrement EEG afin de détecter la charge cognitive. La configuration était basée sur un appareil EEG mobile combiné avec une tablette pour afficher la tâche cognitive afin de permettre un montage facile et de réaliser des auto-tests. L'analyse des données comportementales a confirmé des différences dans la performance des tâches en fonction de la difficulté de la tâche. De plus, nous avons trouvé une diminution de la puissance de la bande de fréquence alpha occipitale et une augmentation de la puissance de la bande de fréquence theta frontale lors de la difficulté accrue de la tâche, confirmant notre hypothèse principale. En outre, la classification automatique de l'effort cognitif a révélé que l'approche d'apprentissage automatique discrimine les niveaux de charge cognitive les plus distincts avec une précision de 86%. Nos résultats suggèrent la faisabilité de la configuration complètement mobile pour détecter des niveaux distincts de charge cognitive tels que reflétés par des changements de puissance de bande. De plus, l'utilisabilité évaluée subjectivement est adéquate avec une première session de formation en personne pour le montage des électrodes. De futures investigations sont nécessaires pour évaluer les résultats dans des échantillons plus diversifiés, y compris une plus large tranche d'âge et des groupes de patients.
Résumé
L'objectif de la présente investigation était d'évaluer si la configuration d'électroencéphalographie mobile (EEG) pouvait être utilisée pour suivre la charge mentale, qui est un aspect important de la performance d'apprentissage et de la motivation et peut donc représenter une source d'information précieuse dans l'évaluation des approches de formation cognitive.
Vingt-cinq sujets en bonne santé ont effectué un test de N-back à trois niveaux en utilisant un dispositif complètement mobile comprenant la présentation de la tâche sur tablette et la collecte de données EEG avec un appareil EEG mobile auto-monté à deux moments d'évaluation. Une approche d'analyse en deux temps a été choisie, incluant une analyse de variance standard et un réseau de neurones artificiels pour distinguer les niveaux de charge cognitive. Nos résultats indiquent que la configuration est réalisable pour détecter les changements dans la charge cognitive, comme en témoignent les modifications à travers les lobes dans différentes bandes de fréquence. En particulier, nous avons observé une diminution de l'alpha occipital et une augmentation du theta frontal, pariétal et occipital avec l'augmentation de la charge cognitive. Les niveaux de charge cognitive les plus distincts pouvaient être discriminés par les modèles d'apprentissage automatique intégrés avec une précision de 86%.
Conclusions
Dans l'investigation actuelle, nous avons testé une configuration complètement mobile pour les tâches de formation cognitive combinée avec l'enregistrement EEG afin de détecter la charge cognitive. La configuration était basée sur un appareil EEG mobile combiné avec une tablette pour afficher la tâche cognitive afin de permettre un montage facile et de réaliser des auto-tests. L'analyse des données comportementales a confirmé des différences dans la performance des tâches en fonction de la difficulté de la tâche. De plus, nous avons trouvé une diminution de la puissance de la bande de fréquence alpha occipitale et une augmentation de la puissance de la bande de fréquence theta frontale lors de la difficulté accrue de la tâche, confirmant notre hypothèse principale. En outre, la classification automatique de l'effort cognitif a révélé que l'approche d'apprentissage automatique discrimine les niveaux de charge cognitive les plus distincts avec une précision de 86%. Nos résultats suggèrent la faisabilité de la configuration complètement mobile pour détecter des niveaux distincts de charge cognitive tels que reflétés par des changements de puissance de bande. De plus, l'utilisabilité évaluée subjectivement est adéquate avec une première session de formation en personne pour le montage des électrodes. De futures investigations sont nécessaires pour évaluer les résultats dans des échantillons plus diversifiés, y compris une plus large tranche d'âge et des groupes de patients.
Résumé
L'objectif de la présente investigation était d'évaluer si la configuration d'électroencéphalographie mobile (EEG) pouvait être utilisée pour suivre la charge mentale, qui est un aspect important de la performance d'apprentissage et de la motivation et peut donc représenter une source d'information précieuse dans l'évaluation des approches de formation cognitive.
Vingt-cinq sujets en bonne santé ont effectué un test de N-back à trois niveaux en utilisant un dispositif complètement mobile comprenant la présentation de la tâche sur tablette et la collecte de données EEG avec un appareil EEG mobile auto-monté à deux moments d'évaluation. Une approche d'analyse en deux temps a été choisie, incluant une analyse de variance standard et un réseau de neurones artificiels pour distinguer les niveaux de charge cognitive. Nos résultats indiquent que la configuration est réalisable pour détecter les changements dans la charge cognitive, comme en témoignent les modifications à travers les lobes dans différentes bandes de fréquence. En particulier, nous avons observé une diminution de l'alpha occipital et une augmentation du theta frontal, pariétal et occipital avec l'augmentation de la charge cognitive. Les niveaux de charge cognitive les plus distincts pouvaient être discriminés par les modèles d'apprentissage automatique intégrés avec une précision de 86%.
Conclusions
Dans l'investigation actuelle, nous avons testé une configuration complètement mobile pour les tâches de formation cognitive combinée avec l'enregistrement EEG afin de détecter la charge cognitive. La configuration était basée sur un appareil EEG mobile combiné avec une tablette pour afficher la tâche cognitive afin de permettre un montage facile et de réaliser des auto-tests. L'analyse des données comportementales a confirmé des différences dans la performance des tâches en fonction de la difficulté de la tâche. De plus, nous avons trouvé une diminution de la puissance de la bande de fréquence alpha occipitale et une augmentation de la puissance de la bande de fréquence theta frontale lors de la difficulté accrue de la tâche, confirmant notre hypothèse principale. En outre, la classification automatique de l'effort cognitif a révélé que l'approche d'apprentissage automatique discrimine les niveaux de charge cognitive les plus distincts avec une précision de 86%. Nos résultats suggèrent la faisabilité de la configuration complètement mobile pour détecter des niveaux distincts de charge cognitive tels que reflétés par des changements de puissance de bande. De plus, l'utilisabilité évaluée subjectivement est adéquate avec une première session de formation en personne pour le montage des électrodes. De futures investigations sont nécessaires pour évaluer les résultats dans des échantillons plus diversifiés, y compris une plus large tranche d'âge et des groupes de patients.
