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 gebruik van draadloze EEG-signalen om de geheugenbelasting in de n-back-taak te beoordelen
Delen:
Mens-Machine Systems, IEEE, 2015
Samenvatting
Beoordeling van mentale werkbelasting met behulp van fysiologische metingen, met name EEG-signalen (elektro-encefalografie), is een actief onderzoeksgebied. Onlangs zijn er een aantal draadloze acquisitiesystemen beschikbaar gekomen om EEG en andere fysiologische signalen te meten. Er zijn weinig studies die dergelijke draadloze systemen hebben toegepast om cognitieve werkbelasting te beoordelen en hun prestaties te evalueren. Dit artikel presenteert een eerste stap om de haalbaarheid te onderzoeken van een populair draadloos systeem (EMOTIV EPOC-headset) om geheugenwerkbelastingniveaus te beoordelen in een bekende n-back-taak. We hebben een raamwerk voor signaalverwerking en classificatie ontwikkeld, dat een automatisch algoritme voor artefactverwijdering, een breed spectrum aan technieken voor kenmerkextractie, een gepersonaliseerde methode voor kenmerkschaling, een op informatietheorie gebaseerde benadering voor kenmerkselectie en een op proximal support vector machine gebaseerd classificatiemodel integreerde. De experimentele resultaten tonen aan dat de draadloos verzamelde EEG-signalen kunnen worden gebruikt om verschillende niveaus van geheugenwerkbelasting te classificeren voor negen deelnemers. De classificatienauwkeurigheden tussen het laagste werkbelastingniveau (0-back) en actieve werkbelastingniveaus (1-, 2-, 3-back) lagen dicht bij 100%. De beste classificatienauwkeurigheid voor 1- versus 2-back was 80%, en voor 1- versus 3-back was 84%. Deze studie geeft aan dat het draadloze acquisitiesysteem en de geavanceerde data-analyse- en patroonherkenningstechnieken veelbelovend zijn om realtime monitoring en identificatie van mentale werkbelastingniveaus te bereiken voor mensen die betrokken zijn bij een grote verscheidenheid aan cognitieve activiteiten in de moderne samenleving.Klik hier om het volledige rapport te lezen
Mens-Machine Systems, IEEE, 2015
Samenvatting
Beoordeling van mentale werkbelasting met behulp van fysiologische metingen, met name EEG-signalen (elektro-encefalografie), is een actief onderzoeksgebied. Onlangs zijn er een aantal draadloze acquisitiesystemen beschikbaar gekomen om EEG en andere fysiologische signalen te meten. Er zijn weinig studies die dergelijke draadloze systemen hebben toegepast om cognitieve werkbelasting te beoordelen en hun prestaties te evalueren. Dit artikel presenteert een eerste stap om de haalbaarheid te onderzoeken van een populair draadloos systeem (EMOTIV EPOC-headset) om geheugenwerkbelastingniveaus te beoordelen in een bekende n-back-taak. We hebben een raamwerk voor signaalverwerking en classificatie ontwikkeld, dat een automatisch algoritme voor artefactverwijdering, een breed spectrum aan technieken voor kenmerkextractie, een gepersonaliseerde methode voor kenmerkschaling, een op informatietheorie gebaseerde benadering voor kenmerkselectie en een op proximal support vector machine gebaseerd classificatiemodel integreerde. De experimentele resultaten tonen aan dat de draadloos verzamelde EEG-signalen kunnen worden gebruikt om verschillende niveaus van geheugenwerkbelasting te classificeren voor negen deelnemers. De classificatienauwkeurigheden tussen het laagste werkbelastingniveau (0-back) en actieve werkbelastingniveaus (1-, 2-, 3-back) lagen dicht bij 100%. De beste classificatienauwkeurigheid voor 1- versus 2-back was 80%, en voor 1- versus 3-back was 84%. Deze studie geeft aan dat het draadloze acquisitiesysteem en de geavanceerde data-analyse- en patroonherkenningstechnieken veelbelovend zijn om realtime monitoring en identificatie van mentale werkbelastingniveaus te bereiken voor mensen die betrokken zijn bij een grote verscheidenheid aan cognitieve activiteiten in de moderne samenleving.Klik hier om het volledige rapport te lezen
Mens-Machine Systems, IEEE, 2015
Samenvatting
Beoordeling van mentale werkbelasting met behulp van fysiologische metingen, met name EEG-signalen (elektro-encefalografie), is een actief onderzoeksgebied. Onlangs zijn er een aantal draadloze acquisitiesystemen beschikbaar gekomen om EEG en andere fysiologische signalen te meten. Er zijn weinig studies die dergelijke draadloze systemen hebben toegepast om cognitieve werkbelasting te beoordelen en hun prestaties te evalueren. Dit artikel presenteert een eerste stap om de haalbaarheid te onderzoeken van een populair draadloos systeem (EMOTIV EPOC-headset) om geheugenwerkbelastingniveaus te beoordelen in een bekende n-back-taak. We hebben een raamwerk voor signaalverwerking en classificatie ontwikkeld, dat een automatisch algoritme voor artefactverwijdering, een breed spectrum aan technieken voor kenmerkextractie, een gepersonaliseerde methode voor kenmerkschaling, een op informatietheorie gebaseerde benadering voor kenmerkselectie en een op proximal support vector machine gebaseerd classificatiemodel integreerde. De experimentele resultaten tonen aan dat de draadloos verzamelde EEG-signalen kunnen worden gebruikt om verschillende niveaus van geheugenwerkbelasting te classificeren voor negen deelnemers. De classificatienauwkeurigheden tussen het laagste werkbelastingniveau (0-back) en actieve werkbelastingniveaus (1-, 2-, 3-back) lagen dicht bij 100%. De beste classificatienauwkeurigheid voor 1- versus 2-back was 80%, en voor 1- versus 3-back was 84%. Deze studie geeft aan dat het draadloze acquisitiesysteem en de geavanceerde data-analyse- en patroonherkenningstechnieken veelbelovend zijn om realtime monitoring en identificatie van mentale werkbelastingniveaus te bereiken voor mensen die betrokken zijn bij een grote verscheidenheid aan cognitieve activiteiten in de moderne samenleving.Klik hier om het volledige rapport te lezen
