Meten van mentale werkdruk met een mobiele EEG-sensor
Quoc Minh Lai
Bijgewerkt op
4 aug 2021
Meten van mentale werkdruk met een mobiele EEG-sensor
Quoc Minh Lai
Bijgewerkt op
4 aug 2021
Meten van mentale werkdruk met een mobiele EEG-sensor
Quoc Minh Lai
Bijgewerkt op
4 aug 2021
Abstract
Het doel van het huidige onderzoek was om te beoordelen of een mobiele elektro-encefalografie (EEG) opstelling kan worden gebruikt om de mentale werkbelasting te volgen, wat een belangrijk aspect is van leerprestaties en motivatie en dus een waardevolle bron van informatie kan zijn bij de evaluatie van cognitieve trainingsbenaderingen.
Vijfentwintig gezonde proefpersonen voerden een N-back-test op drie niveaus uit met behulp van een volledig mobiele opstelling, inclusief tablet-gebaseerde presentatie van de taak en EEG-gegevensverzameling met een zelfgemonteerd mobiel EEG-apparaat op twee meettijdstippen. Er werd gekozen voor een tweevoudige analysebenadering, bestaande uit een standaard variantieanalyse en een kunstmatig neuraal netwerk om de niveaus van cognitieve belasting te onderscheiden. Onze bevindingen geven aan dat de opstelling haalbaar is voor het detecteren van veranderingen in cognitieve belasting, zoals weerspiegeld door veranderingen in verschillende kwabben in verschillende frequentiebanden. In het bijzonder namen we een afname van occipitale alfa-activiteit en een toename van frontale, pariëtale en occipitale theta-activiteit waargenomen bij toenemende cognitieve belasting. De meest uitgesproken niveaus van cognitieve belasting konden door de geïntegreerde machine learning-modellen worden onderscheiden met een nauwkeurigheid van 86%.
Conclusies
In het huidige onderzoek hebben we een volledig mobiele opstelling getest voor cognitieve trainingstaken in combinatie met EEG-registratie om cognitieve belasting te detecteren. De opstelling was gebaseerd op een mobiel EEG-apparaat in combinatie met een tablet om de cognitieve taak weer te geven, zodat het eenvoudig gemonteerd kon worden en zelfstesten uitgevoerd konden worden. Analyse van de gedragsgegevens bevestigde verschillen in taakprestaties afhankelijk van de moeilijkheidsgraad van de taak. Bovendien vonden we een afname van het vermogen in de occipitale alfa-frequentieband en een toename van het vermogen in de frontale theta-frequentieband bij een hogere moeilijkheidsgraad van de taak, wat onze belangrijkste hypothese bevestigt. Daarnaast onthulde automatische classificatie van cognitieve inspanning dat de machine learning-benadering onderscheid maakt tussen de meest uitgesproken niveaus van cognitieve belasting met een nauwkeurigheid van 86%. Onze bevindingen suggereren de haalbaarheid van de volledig mobiele opstelling om verschillende niveaus van cognitieve belasting te detecteren, zoals weerspiegeld door veranderingen in het bandvermogen. Bovendien is de subjectief beoordeelde bruikbaarheid adequaat met een initiële persoonlijke trainingssessie voor het plaatsen van de elektroden. Toekomstig onderzoek is nodig om de resultaten te evalueren in meer diverse steekproeven, inclusief een bredere leeftijdscategorie en patiëntengroepen.
Abstract
Het doel van het huidige onderzoek was om te beoordelen of een mobiele elektro-encefalografie (EEG) opstelling kan worden gebruikt om de mentale werkbelasting te volgen, wat een belangrijk aspect is van leerprestaties en motivatie en dus een waardevolle bron van informatie kan zijn bij de evaluatie van cognitieve trainingsbenaderingen.
Vijfentwintig gezonde proefpersonen voerden een N-back-test op drie niveaus uit met behulp van een volledig mobiele opstelling, inclusief tablet-gebaseerde presentatie van de taak en EEG-gegevensverzameling met een zelfgemonteerd mobiel EEG-apparaat op twee meettijdstippen. Er werd gekozen voor een tweevoudige analysebenadering, bestaande uit een standaard variantieanalyse en een kunstmatig neuraal netwerk om de niveaus van cognitieve belasting te onderscheiden. Onze bevindingen geven aan dat de opstelling haalbaar is voor het detecteren van veranderingen in cognitieve belasting, zoals weerspiegeld door veranderingen in verschillende kwabben in verschillende frequentiebanden. In het bijzonder namen we een afname van occipitale alfa-activiteit en een toename van frontale, pariëtale en occipitale theta-activiteit waargenomen bij toenemende cognitieve belasting. De meest uitgesproken niveaus van cognitieve belasting konden door de geïntegreerde machine learning-modellen worden onderscheiden met een nauwkeurigheid van 86%.
Conclusies
In het huidige onderzoek hebben we een volledig mobiele opstelling getest voor cognitieve trainingstaken in combinatie met EEG-registratie om cognitieve belasting te detecteren. De opstelling was gebaseerd op een mobiel EEG-apparaat in combinatie met een tablet om de cognitieve taak weer te geven, zodat het eenvoudig gemonteerd kon worden en zelfstesten uitgevoerd konden worden. Analyse van de gedragsgegevens bevestigde verschillen in taakprestaties afhankelijk van de moeilijkheidsgraad van de taak. Bovendien vonden we een afname van het vermogen in de occipitale alfa-frequentieband en een toename van het vermogen in de frontale theta-frequentieband bij een hogere moeilijkheidsgraad van de taak, wat onze belangrijkste hypothese bevestigt. Daarnaast onthulde automatische classificatie van cognitieve inspanning dat de machine learning-benadering onderscheid maakt tussen de meest uitgesproken niveaus van cognitieve belasting met een nauwkeurigheid van 86%. Onze bevindingen suggereren de haalbaarheid van de volledig mobiele opstelling om verschillende niveaus van cognitieve belasting te detecteren, zoals weerspiegeld door veranderingen in het bandvermogen. Bovendien is de subjectief beoordeelde bruikbaarheid adequaat met een initiële persoonlijke trainingssessie voor het plaatsen van de elektroden. Toekomstig onderzoek is nodig om de resultaten te evalueren in meer diverse steekproeven, inclusief een bredere leeftijdscategorie en patiëntengroepen.
Abstract
Het doel van het huidige onderzoek was om te beoordelen of een mobiele elektro-encefalografie (EEG) opstelling kan worden gebruikt om de mentale werkbelasting te volgen, wat een belangrijk aspect is van leerprestaties en motivatie en dus een waardevolle bron van informatie kan zijn bij de evaluatie van cognitieve trainingsbenaderingen.
Vijfentwintig gezonde proefpersonen voerden een N-back-test op drie niveaus uit met behulp van een volledig mobiele opstelling, inclusief tablet-gebaseerde presentatie van de taak en EEG-gegevensverzameling met een zelfgemonteerd mobiel EEG-apparaat op twee meettijdstippen. Er werd gekozen voor een tweevoudige analysebenadering, bestaande uit een standaard variantieanalyse en een kunstmatig neuraal netwerk om de niveaus van cognitieve belasting te onderscheiden. Onze bevindingen geven aan dat de opstelling haalbaar is voor het detecteren van veranderingen in cognitieve belasting, zoals weerspiegeld door veranderingen in verschillende kwabben in verschillende frequentiebanden. In het bijzonder namen we een afname van occipitale alfa-activiteit en een toename van frontale, pariëtale en occipitale theta-activiteit waargenomen bij toenemende cognitieve belasting. De meest uitgesproken niveaus van cognitieve belasting konden door de geïntegreerde machine learning-modellen worden onderscheiden met een nauwkeurigheid van 86%.
Conclusies
In het huidige onderzoek hebben we een volledig mobiele opstelling getest voor cognitieve trainingstaken in combinatie met EEG-registratie om cognitieve belasting te detecteren. De opstelling was gebaseerd op een mobiel EEG-apparaat in combinatie met een tablet om de cognitieve taak weer te geven, zodat het eenvoudig gemonteerd kon worden en zelfstesten uitgevoerd konden worden. Analyse van de gedragsgegevens bevestigde verschillen in taakprestaties afhankelijk van de moeilijkheidsgraad van de taak. Bovendien vonden we een afname van het vermogen in de occipitale alfa-frequentieband en een toename van het vermogen in de frontale theta-frequentieband bij een hogere moeilijkheidsgraad van de taak, wat onze belangrijkste hypothese bevestigt. Daarnaast onthulde automatische classificatie van cognitieve inspanning dat de machine learning-benadering onderscheid maakt tussen de meest uitgesproken niveaus van cognitieve belasting met een nauwkeurigheid van 86%. Onze bevindingen suggereren de haalbaarheid van de volledig mobiele opstelling om verschillende niveaus van cognitieve belasting te detecteren, zoals weerspiegeld door veranderingen in het bandvermogen. Bovendien is de subjectief beoordeelde bruikbaarheid adequaat met een initiële persoonlijke trainingssessie voor het plaatsen van de elektroden. Toekomstig onderzoek is nodig om de resultaten te evalueren in meer diverse steekproeven, inclusief een bredere leeftijdscategorie en patiëntengroepen.
Lees verder