
Pelacakan Beban Kerja Mental dengan Sensor EEG Seluler
Quoc Minh Lai
Diperbarui pada
4 Agu 2021

Pelacakan Beban Kerja Mental dengan Sensor EEG Seluler
Quoc Minh Lai
Diperbarui pada
4 Agu 2021

Pelacakan Beban Kerja Mental dengan Sensor EEG Seluler
Quoc Minh Lai
Diperbarui pada
4 Agu 2021
Abstrak
Tujuan dari penelitian ini adalah untuk menilai apakah pengaturan elektroensefalografi (EEG) seluler dapat digunakan untuk melacak beban kerja mental, yang merupakan aspek penting dari kinerja pembelajaran dan motivasi dan dengan demikian dapat mewakili sumber informasi yang berharga dalam evaluasi pendekatan pelatihan kognitif.
Dua puluh lima subjek sehat melakukan tes N-back tiga tingkat menggunakan pengaturan yang sepenuhnya seluler, termasuk presentasi tugas berbasis tablet dan pengumpulan data EEG dengan perangkat EEG seluler yang dipasang sendiri pada dua titik waktu penilaian. Pendekatan analisis ganda dipilih, termasuk analisis varians standar dan jaringan saraf tiruan untuk membedakan tingkat beban kognitif. Temuan kami menunjukkan bahwa pengaturan tersebut layak untuk mendeteksi perubahan beban kognitif, seperti yang tercermin dari perubahan di seluruh lobus dalam pita frekuensi yang berbeda. Secara khusus, kami mengamati penurunan alfa oksipital dan peningkatan theta frontal, parietal, dan oksipital dengan meningkatnya beban kognitif. Tingkat beban kognitif yang paling berbeda dapat dibedakan oleh model pembelajaran mesin terintegrasi dengan akurasi 86%.
Kesimpulan
Dalam penelitian saat ini, kami menguji pengaturan yang sepenuhnya seluler untuk tugas pelatihan kognitif yang dikombinasikan dengan perekaman EEG untuk mendeteksi beban kognitif. Pengaturan tersebut didasarkan pada perangkat EEG seluler yang dikombinasikan dengan tablet untuk menampilkan tugas kognitif guna memungkinkan pemasangan yang mudah dan melakukan pengujian mandiri. Analisis data perilaku mengonfirmasi perbedaan dalam kinerja tugas tergantung pada tingkat kesulitan tugas. Lebih lanjut, kami menemukan penurunan daya pita frekuensi alfa oksipital dan peningkatan daya pita frekuensi theta frontal pada tingkat kesulitan tugas yang lebih tinggi, yang mengonfirmasi hipotesis utama kami. Selain itu, klasifikasi upaya kognitif otomatis mengungkapkan bahwa pendekatan pembelajaran mesin membedakan tingkat beban kognitif yang paling berbeda dengan akurasi 86%. Temuan kami menunjukkan kelayakan pengaturan yang sepenuhnya seluler untuk mendeteksi tingkat beban kognitif yang berbeda seperti yang tercermin oleh perubahan daya pita. Selain itu, kegunaan yang dinilai secara subjektif adalah memadai dengan sesi pelatihan langsung pertama untuk pemasangan elektroda. Penelitian di masa mendatang diperlukan untuk mengevaluasi hasil pada sampel yang lebih beragam termasuk rentang usia yang lebih luas dan kelompok pasien.
Abstrak
Tujuan dari penelitian ini adalah untuk menilai apakah pengaturan elektroensefalografi (EEG) seluler dapat digunakan untuk melacak beban kerja mental, yang merupakan aspek penting dari kinerja pembelajaran dan motivasi dan dengan demikian dapat mewakili sumber informasi yang berharga dalam evaluasi pendekatan pelatihan kognitif.
Dua puluh lima subjek sehat melakukan tes N-back tiga tingkat menggunakan pengaturan yang sepenuhnya seluler, termasuk presentasi tugas berbasis tablet dan pengumpulan data EEG dengan perangkat EEG seluler yang dipasang sendiri pada dua titik waktu penilaian. Pendekatan analisis ganda dipilih, termasuk analisis varians standar dan jaringan saraf tiruan untuk membedakan tingkat beban kognitif. Temuan kami menunjukkan bahwa pengaturan tersebut layak untuk mendeteksi perubahan beban kognitif, seperti yang tercermin dari perubahan di seluruh lobus dalam pita frekuensi yang berbeda. Secara khusus, kami mengamati penurunan alfa oksipital dan peningkatan theta frontal, parietal, dan oksipital dengan meningkatnya beban kognitif. Tingkat beban kognitif yang paling berbeda dapat dibedakan oleh model pembelajaran mesin terintegrasi dengan akurasi 86%.
Kesimpulan
Dalam penelitian saat ini, kami menguji pengaturan yang sepenuhnya seluler untuk tugas pelatihan kognitif yang dikombinasikan dengan perekaman EEG untuk mendeteksi beban kognitif. Pengaturan tersebut didasarkan pada perangkat EEG seluler yang dikombinasikan dengan tablet untuk menampilkan tugas kognitif guna memungkinkan pemasangan yang mudah dan melakukan pengujian mandiri. Analisis data perilaku mengonfirmasi perbedaan dalam kinerja tugas tergantung pada tingkat kesulitan tugas. Lebih lanjut, kami menemukan penurunan daya pita frekuensi alfa oksipital dan peningkatan daya pita frekuensi theta frontal pada tingkat kesulitan tugas yang lebih tinggi, yang mengonfirmasi hipotesis utama kami. Selain itu, klasifikasi upaya kognitif otomatis mengungkapkan bahwa pendekatan pembelajaran mesin membedakan tingkat beban kognitif yang paling berbeda dengan akurasi 86%. Temuan kami menunjukkan kelayakan pengaturan yang sepenuhnya seluler untuk mendeteksi tingkat beban kognitif yang berbeda seperti yang tercermin oleh perubahan daya pita. Selain itu, kegunaan yang dinilai secara subjektif adalah memadai dengan sesi pelatihan langsung pertama untuk pemasangan elektroda. Penelitian di masa mendatang diperlukan untuk mengevaluasi hasil pada sampel yang lebih beragam termasuk rentang usia yang lebih luas dan kelompok pasien.
Abstrak
Tujuan dari penelitian ini adalah untuk menilai apakah pengaturan elektroensefalografi (EEG) seluler dapat digunakan untuk melacak beban kerja mental, yang merupakan aspek penting dari kinerja pembelajaran dan motivasi dan dengan demikian dapat mewakili sumber informasi yang berharga dalam evaluasi pendekatan pelatihan kognitif.
Dua puluh lima subjek sehat melakukan tes N-back tiga tingkat menggunakan pengaturan yang sepenuhnya seluler, termasuk presentasi tugas berbasis tablet dan pengumpulan data EEG dengan perangkat EEG seluler yang dipasang sendiri pada dua titik waktu penilaian. Pendekatan analisis ganda dipilih, termasuk analisis varians standar dan jaringan saraf tiruan untuk membedakan tingkat beban kognitif. Temuan kami menunjukkan bahwa pengaturan tersebut layak untuk mendeteksi perubahan beban kognitif, seperti yang tercermin dari perubahan di seluruh lobus dalam pita frekuensi yang berbeda. Secara khusus, kami mengamati penurunan alfa oksipital dan peningkatan theta frontal, parietal, dan oksipital dengan meningkatnya beban kognitif. Tingkat beban kognitif yang paling berbeda dapat dibedakan oleh model pembelajaran mesin terintegrasi dengan akurasi 86%.
Kesimpulan
Dalam penelitian saat ini, kami menguji pengaturan yang sepenuhnya seluler untuk tugas pelatihan kognitif yang dikombinasikan dengan perekaman EEG untuk mendeteksi beban kognitif. Pengaturan tersebut didasarkan pada perangkat EEG seluler yang dikombinasikan dengan tablet untuk menampilkan tugas kognitif guna memungkinkan pemasangan yang mudah dan melakukan pengujian mandiri. Analisis data perilaku mengonfirmasi perbedaan dalam kinerja tugas tergantung pada tingkat kesulitan tugas. Lebih lanjut, kami menemukan penurunan daya pita frekuensi alfa oksipital dan peningkatan daya pita frekuensi theta frontal pada tingkat kesulitan tugas yang lebih tinggi, yang mengonfirmasi hipotesis utama kami. Selain itu, klasifikasi upaya kognitif otomatis mengungkapkan bahwa pendekatan pembelajaran mesin membedakan tingkat beban kognitif yang paling berbeda dengan akurasi 86%. Temuan kami menunjukkan kelayakan pengaturan yang sepenuhnya seluler untuk mendeteksi tingkat beban kognitif yang berbeda seperti yang tercermin oleh perubahan daya pita. Selain itu, kegunaan yang dinilai secara subjektif adalah memadai dengan sesi pelatihan langsung pertama untuk pemasangan elektroda. Penelitian di masa mendatang diperlukan untuk mengevaluasi hasil pada sampel yang lebih beragam termasuk rentang usia yang lebih luas dan kelompok pasien.

Lanjutkan membaca