मोबाइल ईईजी सेंसर के साथ मानसिक कार्यभार का ट्रैकिंग
साझा करें:
सारांश
वर्तमान जांच का उद्देश्य यह मूल्यांकन करना था कि क्या मोबाइल इलेक्ट्रोएन्सेफ्लोग्राफी (EEG) सेटअप का उपयोग मानसिक कार्यभार का ट्रैक रखने के लिए किया जा सकता है, जो कि सीखने की क्षमता और प्रेरणा का एक महत्वपूर्ण पहलू है और इस प्रकार यह संज्ञानात्मक प्रशिक्षण दृष्टिकोणों के मूल्यांकन में जानकारी का एक मूल्यवान स्रोत हो सकता है।
पच्चीस स्वस्थ व्यक्तियों ने एक पूरी तरह से मोबाइल सेटअप का उपयोग करके तीन-स्तरीय एन-बैक परीक्षण किया, जिसमें कार्य के प्रस्तुतिकरण के लिए टैबलेट-आधारित प्रणाली और एक स्व-स्थापित मोबाइल EEG डिवाइस के साथ डेटा संग्रहण दो मूल्यांकन समय बिंदुओं पर शामिल था। एक मानक विविधता का विश्लेषण और संज्ञानात्मक लोड के स्तरों के बीच अंतर करने के लिए एक कृत्रिम तंत्रिका नेटवर्क सहित दो-तरफा विश्लेषण दृष्टिकोण चुना गया। हमारे निष्कर्ष बताते हैं कि सेटअप संज्ञानात्मक लोड में परिवर्तनों का पता लगाने के लिए व्यवहार्य है, जैसा कि विभिन्न आवृत्ति बैंड में लोब के बीच परिवर्तनों से प्रकट होता है। विशेष रूप से, हमने संज्ञानात्मक लोड बढ़ने के साथ ओसीपिटल अल्फा में कमी और फ्रंटल, पैरिएटल, और ओसीपिटल थेटा में वृद्धि का अवलोकन किया। सबसे स्पष्ट संज्ञानात्मक लोड के स्तर को एकीकृत मशीन लर्निंग मॉडल द्वारा 86% की सटीकता के साथ भेद किया जा सका।
निष्कर्ष
वर्तमान जांच में, हमने संज्ञानात्मक प्रशिक्षण कार्यों के लिए EEG रिकॉर्डिंग के साथ एक पूरी तरह से मोबाइल सेटअप का परीक्षण किया ताकि संज्ञानात्मक लोड का पता लगाया जा सके। यह सेटअप एक मोबाइल EEG डिवाइस और टैबलेट के संयोजन पर आधारित था, ताकि संज्ञानात्मक कार्य का प्रदर्शन आसानी से संभव हो सके और आत्म- परीक्षण किया जा सके। व्यवहारात्मक डेटा के विश्लेषण ने कार्य की कठिनाई के आधार पर कार्य प्रदर्शन में भिन्नताओं की पुष्टि की। इसके अलावा, हमें ओसीपिटल अल्फा आवृत्ति बैंड शक्ति में कमी और कार्य की उच्च कठिनाई पर फ्रंटल थेटा आवृत्ति बैंड शक्ति में वृद्धि मिली, जो हमारी मुख्य परिकल्पना की पुष्टि करती है। इसके अलावा, स्वचालित संज्ञानात्मक प्रयास वर्गीकरण ने यह स्पष्ट किया कि मशीन लर्निंग दृष्टिकोण सबसे स्पष्ट संज्ञानात्मक लोड के स्तरों के बीच भेद करता है, जिसमें 86% की सटीकता है। हमारे निष्कर्ष सुझाव देते हैं कि पूरी तरह से मोबाइल सेटअप द्वारा विभिन्न स्तरों के संज्ञानात्मक लोड का पता लगाना संभव है, जैसा कि बैंड शक्ति में परिवर्तनों द्वारा दर्शाया गया है। इसके अलावा, व्यक्तिगत इलेक्ट्रोड स्थापना के लिए प्रारंभिक प्रशिक्षण सत्र के साथ विषयगत रूप से रेट की गई उपयोगिता उचित है। भविष्य की जांच की आवश्यकता है ताकि विभिन्न नमूनों में परिणामों का मूल्यांकन किया जा सके, जिसमें व्यापक आयु वर्ग और रोगी समूह शामिल हैं।
सारांश
वर्तमान जांच का उद्देश्य यह मूल्यांकन करना था कि क्या मोबाइल इलेक्ट्रोएन्सेफ्लोग्राफी (EEG) सेटअप का उपयोग मानसिक कार्यभार का ट्रैक रखने के लिए किया जा सकता है, जो कि सीखने की क्षमता और प्रेरणा का एक महत्वपूर्ण पहलू है और इस प्रकार यह संज्ञानात्मक प्रशिक्षण दृष्टिकोणों के मूल्यांकन में जानकारी का एक मूल्यवान स्रोत हो सकता है।
पच्चीस स्वस्थ व्यक्तियों ने एक पूरी तरह से मोबाइल सेटअप का उपयोग करके तीन-स्तरीय एन-बैक परीक्षण किया, जिसमें कार्य के प्रस्तुतिकरण के लिए टैबलेट-आधारित प्रणाली और एक स्व-स्थापित मोबाइल EEG डिवाइस के साथ डेटा संग्रहण दो मूल्यांकन समय बिंदुओं पर शामिल था। एक मानक विविधता का विश्लेषण और संज्ञानात्मक लोड के स्तरों के बीच अंतर करने के लिए एक कृत्रिम तंत्रिका नेटवर्क सहित दो-तरफा विश्लेषण दृष्टिकोण चुना गया। हमारे निष्कर्ष बताते हैं कि सेटअप संज्ञानात्मक लोड में परिवर्तनों का पता लगाने के लिए व्यवहार्य है, जैसा कि विभिन्न आवृत्ति बैंड में लोब के बीच परिवर्तनों से प्रकट होता है। विशेष रूप से, हमने संज्ञानात्मक लोड बढ़ने के साथ ओसीपिटल अल्फा में कमी और फ्रंटल, पैरिएटल, और ओसीपिटल थेटा में वृद्धि का अवलोकन किया। सबसे स्पष्ट संज्ञानात्मक लोड के स्तर को एकीकृत मशीन लर्निंग मॉडल द्वारा 86% की सटीकता के साथ भेद किया जा सका।
निष्कर्ष
वर्तमान जांच में, हमने संज्ञानात्मक प्रशिक्षण कार्यों के लिए EEG रिकॉर्डिंग के साथ एक पूरी तरह से मोबाइल सेटअप का परीक्षण किया ताकि संज्ञानात्मक लोड का पता लगाया जा सके। यह सेटअप एक मोबाइल EEG डिवाइस और टैबलेट के संयोजन पर आधारित था, ताकि संज्ञानात्मक कार्य का प्रदर्शन आसानी से संभव हो सके और आत्म- परीक्षण किया जा सके। व्यवहारात्मक डेटा के विश्लेषण ने कार्य की कठिनाई के आधार पर कार्य प्रदर्शन में भिन्नताओं की पुष्टि की। इसके अलावा, हमें ओसीपिटल अल्फा आवृत्ति बैंड शक्ति में कमी और कार्य की उच्च कठिनाई पर फ्रंटल थेटा आवृत्ति बैंड शक्ति में वृद्धि मिली, जो हमारी मुख्य परिकल्पना की पुष्टि करती है। इसके अलावा, स्वचालित संज्ञानात्मक प्रयास वर्गीकरण ने यह स्पष्ट किया कि मशीन लर्निंग दृष्टिकोण सबसे स्पष्ट संज्ञानात्मक लोड के स्तरों के बीच भेद करता है, जिसमें 86% की सटीकता है। हमारे निष्कर्ष सुझाव देते हैं कि पूरी तरह से मोबाइल सेटअप द्वारा विभिन्न स्तरों के संज्ञानात्मक लोड का पता लगाना संभव है, जैसा कि बैंड शक्ति में परिवर्तनों द्वारा दर्शाया गया है। इसके अलावा, व्यक्तिगत इलेक्ट्रोड स्थापना के लिए प्रारंभिक प्रशिक्षण सत्र के साथ विषयगत रूप से रेट की गई उपयोगिता उचित है। भविष्य की जांच की आवश्यकता है ताकि विभिन्न नमूनों में परिणामों का मूल्यांकन किया जा सके, जिसमें व्यापक आयु वर्ग और रोगी समूह शामिल हैं।
सारांश
वर्तमान जांच का उद्देश्य यह मूल्यांकन करना था कि क्या मोबाइल इलेक्ट्रोएन्सेफ्लोग्राफी (EEG) सेटअप का उपयोग मानसिक कार्यभार का ट्रैक रखने के लिए किया जा सकता है, जो कि सीखने की क्षमता और प्रेरणा का एक महत्वपूर्ण पहलू है और इस प्रकार यह संज्ञानात्मक प्रशिक्षण दृष्टिकोणों के मूल्यांकन में जानकारी का एक मूल्यवान स्रोत हो सकता है।
पच्चीस स्वस्थ व्यक्तियों ने एक पूरी तरह से मोबाइल सेटअप का उपयोग करके तीन-स्तरीय एन-बैक परीक्षण किया, जिसमें कार्य के प्रस्तुतिकरण के लिए टैबलेट-आधारित प्रणाली और एक स्व-स्थापित मोबाइल EEG डिवाइस के साथ डेटा संग्रहण दो मूल्यांकन समय बिंदुओं पर शामिल था। एक मानक विविधता का विश्लेषण और संज्ञानात्मक लोड के स्तरों के बीच अंतर करने के लिए एक कृत्रिम तंत्रिका नेटवर्क सहित दो-तरफा विश्लेषण दृष्टिकोण चुना गया। हमारे निष्कर्ष बताते हैं कि सेटअप संज्ञानात्मक लोड में परिवर्तनों का पता लगाने के लिए व्यवहार्य है, जैसा कि विभिन्न आवृत्ति बैंड में लोब के बीच परिवर्तनों से प्रकट होता है। विशेष रूप से, हमने संज्ञानात्मक लोड बढ़ने के साथ ओसीपिटल अल्फा में कमी और फ्रंटल, पैरिएटल, और ओसीपिटल थेटा में वृद्धि का अवलोकन किया। सबसे स्पष्ट संज्ञानात्मक लोड के स्तर को एकीकृत मशीन लर्निंग मॉडल द्वारा 86% की सटीकता के साथ भेद किया जा सका।
निष्कर्ष
वर्तमान जांच में, हमने संज्ञानात्मक प्रशिक्षण कार्यों के लिए EEG रिकॉर्डिंग के साथ एक पूरी तरह से मोबाइल सेटअप का परीक्षण किया ताकि संज्ञानात्मक लोड का पता लगाया जा सके। यह सेटअप एक मोबाइल EEG डिवाइस और टैबलेट के संयोजन पर आधारित था, ताकि संज्ञानात्मक कार्य का प्रदर्शन आसानी से संभव हो सके और आत्म- परीक्षण किया जा सके। व्यवहारात्मक डेटा के विश्लेषण ने कार्य की कठिनाई के आधार पर कार्य प्रदर्शन में भिन्नताओं की पुष्टि की। इसके अलावा, हमें ओसीपिटल अल्फा आवृत्ति बैंड शक्ति में कमी और कार्य की उच्च कठिनाई पर फ्रंटल थेटा आवृत्ति बैंड शक्ति में वृद्धि मिली, जो हमारी मुख्य परिकल्पना की पुष्टि करती है। इसके अलावा, स्वचालित संज्ञानात्मक प्रयास वर्गीकरण ने यह स्पष्ट किया कि मशीन लर्निंग दृष्टिकोण सबसे स्पष्ट संज्ञानात्मक लोड के स्तरों के बीच भेद करता है, जिसमें 86% की सटीकता है। हमारे निष्कर्ष सुझाव देते हैं कि पूरी तरह से मोबाइल सेटअप द्वारा विभिन्न स्तरों के संज्ञानात्मक लोड का पता लगाना संभव है, जैसा कि बैंड शक्ति में परिवर्तनों द्वारा दर्शाया गया है। इसके अलावा, व्यक्तिगत इलेक्ट्रोड स्थापना के लिए प्रारंभिक प्रशिक्षण सत्र के साथ विषयगत रूप से रेट की गई उपयोगिता उचित है। भविष्य की जांच की आवश्यकता है ताकि विभिन्न नमूनों में परिणामों का मूल्यांकन किया जा सके, जिसमें व्यापक आयु वर्ग और रोगी समूह शामिल हैं।
