초록

본 연구의 목적은 학습 성과 및 동기 부여의 중요한 측면이며 이에 따라 인지 훈련 접근법의 평가에 있어 가치 있는 정보원이 될 수 있는 정신적 작업 부하를 추적하는 데 모바일 뇌파검사(EEG) 설정을 사용할 수 있는지 평가하는 것이었습니다.

25명의 건강한 피험자가 두 번의 평가 시점에서 태블릿 기반의 과제 제시와 자가 장착형 모바일 EEG 장치를 통한 EEG 데이터 수집을 포함하는 완전한 모바일 설정을 사용하여 3단계 N-back 테스트를 수행했습니다. 인지 부하의 단계를 구별하기 위해 표준 분산 분석과 인공 신경망을 포함하는 이중 분석 접근 방식을 선택했습니다. 우리의 연구 결과는 서로 다른 주파수 대역에서 엽(lobe) 전반의 변화로 나타나듯이, 이 설정이 인지 부하의 변화를 탐지하는 데 적절하다는 것을 나타냅니다. 특히 인지 부하가 증가함에 따라 후두엽 알파파의 감소와 전두엽, 두정엽, 후두엽 세타파의 증가를 관찰했습니다. 가장 뚜렷한 인지 부하 단계는 통합된 머신 러닝 모델을 통해 86%의 정확도로 판별할 수 있었습니다.

결론

이번 연구에서 우리는 인지 부하를 감지하기 위해 EEG 기록과 결합된 인지 훈련 과제용 완전 모바일 설정을 테스트했습니다. 이 설정은 자가 테스트를 쉽게 장착하고 수행할 수 있도록 인지 과제를 표시하는 태블릿과 결합된 모바일 EEG 장치를 기반으로 했습니다. 행동 데이터를 분석한 결과, 과제 난이도에 따라 과제 수행 능력에 차이가 있음이 확인되었습니다. 또한, 과제의 높은 난이도에 따라 후두엽 알파 주파수 대역 전력이 감소하고 전두엽 세타 주파수 대역 전력이 증가함을 발견하여 우리의 주요 가설을 확인했습니다. 아울러, 자동 인지 노력 분류 결과 머신 러닝 접근법이 가장 뚜렷한 인지 부하 단계를 86%의 정확도로 판별하는 것으로 나타났습니다. 우리의 결과는 대역 전력 변화에 의해 반영되는 것과 같은 뚜렷한 단계의 인지 부하를 감지하는 완전 모바일 설정의 타당성을 시사합니다. 또한 주관적으로 평가된 사용성은 전극 장착에 대한 초기 대면 교육 세션을 거치면 적절한 수준입니다. 더 넓은 연령대와 환자군을 포함한 더 다양한 표본에서 결과를 평가하기 위해 향후 연구가 필요합니다.

전체 기사 읽기