Daag je geheugen uit! Speel de nieuwe N-Back-game in de Emotiv App
Daag je geheugen uit! Speel de nieuwe N-Back-game in de Emotiv App
Daag je geheugen uit! Speel de nieuwe N-Back-game in de Emotiv App
Het volgen van mentale werkbelasting met een mobiele EEG-sensor
Delen:
Samenvatting
Het doel van het huidige onderzoek was om te beoordelen of een mobiele elektro-encefalografie-opstelling (EEG) kan worden gebruikt om mentale werkbelasting te volgen, wat een belangrijk aspect is van leerprestaties en motivatie en daardoor een waardevolle informatiebron kan vormen bij de evaluatie van cognitieve trainingsbenaderingen.
Vijfentwintig gezonde proefpersonen voerden een N-back-test op drie niveaus uit met een volledig mobiele opstelling, waaronder tabletgebaseerde presentatie van de taak en EEG-gegevensverzameling met een zelfgeplaatst mobiel EEG-apparaat op twee meetmomenten. Er werd gekozen voor een tweevoudige analysemethode, 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 geschikt is voor het detecteren van veranderingen in cognitieve belasting, zoals weerspiegeld door veranderingen over de hersenkwabben in verschillende frequentiebanden. In het bijzonder zagen we een afname van occipitale alfa en een toename van frontale, pariëtale en occipitale theta bij toenemende cognitieve belasting. De meest duidelijke niveaus van cognitieve belasting konden door de geïntegreerde machinelearningmodellen 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 eenvoudige montage en zelftesten mogelijk waren. Analyse van de gedragsgegevens bevestigde verschillen in taakprestaties afhankelijk van de moeilijkheidsgraad van de taak. Verder vonden we een afname van het vermogen in de occipitale alfafrequentieband en een toename van het vermogen in de frontale thetafrequentieband bij een hogere taakmoeilijkheid, waarmee onze hoofdhypothese werd bevestigd. Daarnaast liet automatische classificatie van cognitieve inspanning zien dat de machinelearningaanpak onderscheid maakt tussen de meest duidelijke niveaus van cognitieve belasting met een nauwkeurigheid van 86%. Onze bevindingen suggereren dat de volledig mobiele opstelling geschikt is om duidelijke niveaus van cognitieve belasting te detecteren, zoals weerspiegeld door veranderingen in bandvermogen. Daarnaast is de subjectief beoordeelde bruikbaarheid adequaat met een initiële fysieke trainingssessie voor het plaatsen van de elektroden. Toekomstig onderzoek is nodig om de resultaten te evalueren in meer diverse steekproeven, waaronder een bredere leeftijdsrange en patiëntengroepen.
Samenvatting
Het doel van het huidige onderzoek was om te beoordelen of een mobiele elektro-encefalografie-opstelling (EEG) kan worden gebruikt om mentale werkbelasting te volgen, wat een belangrijk aspect is van leerprestaties en motivatie en daardoor een waardevolle informatiebron kan vormen bij de evaluatie van cognitieve trainingsbenaderingen.
Vijfentwintig gezonde proefpersonen voerden een N-back-test op drie niveaus uit met een volledig mobiele opstelling, waaronder tabletgebaseerde presentatie van de taak en EEG-gegevensverzameling met een zelfgeplaatst mobiel EEG-apparaat op twee meetmomenten. Er werd gekozen voor een tweevoudige analysemethode, 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 geschikt is voor het detecteren van veranderingen in cognitieve belasting, zoals weerspiegeld door veranderingen over de hersenkwabben in verschillende frequentiebanden. In het bijzonder zagen we een afname van occipitale alfa en een toename van frontale, pariëtale en occipitale theta bij toenemende cognitieve belasting. De meest duidelijke niveaus van cognitieve belasting konden door de geïntegreerde machinelearningmodellen 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 eenvoudige montage en zelftesten mogelijk waren. Analyse van de gedragsgegevens bevestigde verschillen in taakprestaties afhankelijk van de moeilijkheidsgraad van de taak. Verder vonden we een afname van het vermogen in de occipitale alfafrequentieband en een toename van het vermogen in de frontale thetafrequentieband bij een hogere taakmoeilijkheid, waarmee onze hoofdhypothese werd bevestigd. Daarnaast liet automatische classificatie van cognitieve inspanning zien dat de machinelearningaanpak onderscheid maakt tussen de meest duidelijke niveaus van cognitieve belasting met een nauwkeurigheid van 86%. Onze bevindingen suggereren dat de volledig mobiele opstelling geschikt is om duidelijke niveaus van cognitieve belasting te detecteren, zoals weerspiegeld door veranderingen in bandvermogen. Daarnaast is de subjectief beoordeelde bruikbaarheid adequaat met een initiële fysieke trainingssessie voor het plaatsen van de elektroden. Toekomstig onderzoek is nodig om de resultaten te evalueren in meer diverse steekproeven, waaronder een bredere leeftijdsrange en patiëntengroepen.
Samenvatting
Het doel van het huidige onderzoek was om te beoordelen of een mobiele elektro-encefalografie-opstelling (EEG) kan worden gebruikt om mentale werkbelasting te volgen, wat een belangrijk aspect is van leerprestaties en motivatie en daardoor een waardevolle informatiebron kan vormen bij de evaluatie van cognitieve trainingsbenaderingen.
Vijfentwintig gezonde proefpersonen voerden een N-back-test op drie niveaus uit met een volledig mobiele opstelling, waaronder tabletgebaseerde presentatie van de taak en EEG-gegevensverzameling met een zelfgeplaatst mobiel EEG-apparaat op twee meetmomenten. Er werd gekozen voor een tweevoudige analysemethode, 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 geschikt is voor het detecteren van veranderingen in cognitieve belasting, zoals weerspiegeld door veranderingen over de hersenkwabben in verschillende frequentiebanden. In het bijzonder zagen we een afname van occipitale alfa en een toename van frontale, pariëtale en occipitale theta bij toenemende cognitieve belasting. De meest duidelijke niveaus van cognitieve belasting konden door de geïntegreerde machinelearningmodellen 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 eenvoudige montage en zelftesten mogelijk waren. Analyse van de gedragsgegevens bevestigde verschillen in taakprestaties afhankelijk van de moeilijkheidsgraad van de taak. Verder vonden we een afname van het vermogen in de occipitale alfafrequentieband en een toename van het vermogen in de frontale thetafrequentieband bij een hogere taakmoeilijkheid, waarmee onze hoofdhypothese werd bevestigd. Daarnaast liet automatische classificatie van cognitieve inspanning zien dat de machinelearningaanpak onderscheid maakt tussen de meest duidelijke niveaus van cognitieve belasting met een nauwkeurigheid van 86%. Onze bevindingen suggereren dat de volledig mobiele opstelling geschikt is om duidelijke niveaus van cognitieve belasting te detecteren, zoals weerspiegeld door veranderingen in bandvermogen. Daarnaast is de subjectief beoordeelde bruikbaarheid adequaat met een initiële fysieke trainingssessie voor het plaatsen van de elektroden. Toekomstig onderzoek is nodig om de resultaten te evalueren in meer diverse steekproeven, waaronder een bredere leeftijdsrange en patiëntengroepen.
