要旨

本研究の目的は、学習パフォーマンスやモチベーションの重要な側面であり、認知トレーニングアプローチの評価において貴重な情報源となり得る精神的負荷（メンタルワークロード）を追跡するために、モバイル脳波（EEG）セットアップを使用できるかどうかを評価することであった。

25名の健康な被験者が、タブレットベースでタスクを提示し、自己装着型のモバイル脳波デバイスを用いて2回の評価時点で脳波データを収集する、完全モバイルセットアップを使用して、3レベルのN-backテストを実施した。認知負荷のレベルを区別するために、標準的な分散分析と人工ニューラルネットワークを含む二重の分析アプローチが選択された。我々の知見は、異なる周波数帯における各脳葉間の変化に反映されるように、このセットアップが認知負荷の変化を検出するのに実行可能であることを示している。特に、認知負荷が増加するにつれて、後頭葉アルファ波の減少、および前頭葉、頭頂葉、後頭葉シータ波の増加が観察された。統合された機械学習モデルにより、最も明確な認知負荷のレベルを86%の精度で識別することができた。

結論

本研究では、認知負荷を検出するために、脳波測定と組み合わせた認知トレーニングタスク用の完全モバイルセットアップをテストした。このセットアップは、モバイル脳波デバイスと、コグニティブタスクを表示するタブレットを組み合わせたもので、容易な装着と自己検査の実施を可能にする。行動データの分析により、タスクの難易度に応じてタスクパフォーマンスに差があることが確認された。さらに、タスクの難易度が高くなると、後頭葉のアルファ周波数帯域パワーが減少し、前頭葉のシータ周波数帯域パワーが増加することが確認され、我々の主な仮説が裏付けられた。加えて、自動認知負荷分類により、機械学習アプローチが最も明確な認知負荷のレベルを86%の精度で識別することが明らかになった。我々の研究結果は、帯域パワーの変化に反映されるような認知負荷の明確なレベルを検出するために、完全モバイルセットアップが実現可能であることを示唆している。さらに、電極装着の最初の対面トレーニングセッションを行うことで、主観的に評価された使いやすさは十分なレベルに達した。より広い年齢層や患者グループを含む、より多様なサンプルで結果を評価するために、今後の調査が必要である。

記事の全文はこちらからお読みいただけます