Tantang ingatan Anda! Mainkan permainan N-Back baru di Aplikasi Emotiv
Tantang ingatan Anda! Mainkan permainan N-Back baru di Aplikasi Emotiv
Menggunakan Sinyal EEG Nirkabel untuk Menilai Beban Memori dalam Tugas n-Back
Bagikan:
Sistem Manusia-Mesin, IEEE, 2015
Abstrak
Penilaian beban mental menggunakan ukuran fisiologis, terutama sinyal EEG (elektroensefalografi), adalah area yang aktif. Baru-baru ini, sejumlah sistem akuisisi nirkabel untuk mengukur EEG dan sinyal fisiologis lainnya telah tersedia. Beberapa studi telah menerapkan sistem nirkabel semacam itu untuk menilai beban kognitif dan mengevaluasi kinerjanya. Makalah ini menyajikan langkah awal untuk mengeksplorasi kelayakan sistem nirkabel yang populer (headset EMOTIV EPOC) untuk menilai tingkat beban memori dalam tugas n-back yang terkenal. Kami mengembangkan kerangka pemrosesan sinyal dan klasifikasi, yang mengintegrasikan algoritma penghilangan artefak otomatis, berbagai teknik ekstraksi fitur, metode penskalaan fitur yang dipersonalisasi, pendekatan pemilihan fitur berbasis teori informasi, dan model klasifikasi berbasis mesin vektor dukungan proksimal. Hasil eksperimen menunjukkan bahwa sinyal EEG yang dikumpulkan secara nirkabel dapat digunakan untuk mengklasifikasikan tingkat beban memori yang berbeda untuk sembilan peserta. Akurasi klasifikasi antara tingkat beban terendah (0-back) dan tingkat beban aktif (1-, 2-, 3-back) mendekati 100%. Akurasi klasifikasi terbaik untuk 1- versus 2-back adalah 80%, dan 1- versus 3-back adalah 84%. Studi ini menunjukkan bahwa sistem akuisisi nirkabel dan teknik analisis data canggih serta pengenalan pola menjanjikan untuk mencapai pemantauan dan identifikasi tingkat beban mental secara real-time bagi manusia yang terlibat dalam berbagai aktivitas kognitif di masyarakat modern.Klik di sini untuk membaca laporan lengkap
Sistem Manusia-Mesin, IEEE, 2015
Abstrak
Penilaian beban mental menggunakan ukuran fisiologis, terutama sinyal EEG (elektroensefalografi), adalah area yang aktif. Baru-baru ini, sejumlah sistem akuisisi nirkabel untuk mengukur EEG dan sinyal fisiologis lainnya telah tersedia. Beberapa studi telah menerapkan sistem nirkabel semacam itu untuk menilai beban kognitif dan mengevaluasi kinerjanya. Makalah ini menyajikan langkah awal untuk mengeksplorasi kelayakan sistem nirkabel yang populer (headset EMOTIV EPOC) untuk menilai tingkat beban memori dalam tugas n-back yang terkenal. Kami mengembangkan kerangka pemrosesan sinyal dan klasifikasi, yang mengintegrasikan algoritma penghilangan artefak otomatis, berbagai teknik ekstraksi fitur, metode penskalaan fitur yang dipersonalisasi, pendekatan pemilihan fitur berbasis teori informasi, dan model klasifikasi berbasis mesin vektor dukungan proksimal. Hasil eksperimen menunjukkan bahwa sinyal EEG yang dikumpulkan secara nirkabel dapat digunakan untuk mengklasifikasikan tingkat beban memori yang berbeda untuk sembilan peserta. Akurasi klasifikasi antara tingkat beban terendah (0-back) dan tingkat beban aktif (1-, 2-, 3-back) mendekati 100%. Akurasi klasifikasi terbaik untuk 1- versus 2-back adalah 80%, dan 1- versus 3-back adalah 84%. Studi ini menunjukkan bahwa sistem akuisisi nirkabel dan teknik analisis data canggih serta pengenalan pola menjanjikan untuk mencapai pemantauan dan identifikasi tingkat beban mental secara real-time bagi manusia yang terlibat dalam berbagai aktivitas kognitif di masyarakat modern.Klik di sini untuk membaca laporan lengkap
Sistem Manusia-Mesin, IEEE, 2015
Abstrak
Penilaian beban mental menggunakan ukuran fisiologis, terutama sinyal EEG (elektroensefalografi), adalah area yang aktif. Baru-baru ini, sejumlah sistem akuisisi nirkabel untuk mengukur EEG dan sinyal fisiologis lainnya telah tersedia. Beberapa studi telah menerapkan sistem nirkabel semacam itu untuk menilai beban kognitif dan mengevaluasi kinerjanya. Makalah ini menyajikan langkah awal untuk mengeksplorasi kelayakan sistem nirkabel yang populer (headset EMOTIV EPOC) untuk menilai tingkat beban memori dalam tugas n-back yang terkenal. Kami mengembangkan kerangka pemrosesan sinyal dan klasifikasi, yang mengintegrasikan algoritma penghilangan artefak otomatis, berbagai teknik ekstraksi fitur, metode penskalaan fitur yang dipersonalisasi, pendekatan pemilihan fitur berbasis teori informasi, dan model klasifikasi berbasis mesin vektor dukungan proksimal. Hasil eksperimen menunjukkan bahwa sinyal EEG yang dikumpulkan secara nirkabel dapat digunakan untuk mengklasifikasikan tingkat beban memori yang berbeda untuk sembilan peserta. Akurasi klasifikasi antara tingkat beban terendah (0-back) dan tingkat beban aktif (1-, 2-, 3-back) mendekati 100%. Akurasi klasifikasi terbaik untuk 1- versus 2-back adalah 80%, dan 1- versus 3-back adalah 84%. Studi ini menunjukkan bahwa sistem akuisisi nirkabel dan teknik analisis data canggih serta pengenalan pola menjanjikan untuk mencapai pemantauan dan identifikasi tingkat beban mental secara real-time bagi manusia yang terlibat dalam berbagai aktivitas kognitif di masyarakat modern.Klik di sini untuk membaca laporan lengkap
