Resumo

O objetivo da presente investigação foi avaliar se a configuração de eletroencefalografia (EEG) móvel pode ser utilizada para monitorar a carga mental de trabalho, que é um aspecto importante do desempenho de aprendizagem e da motivação e pode, portanto, representar uma fonte valiosa de informação na avaliação de abordagens de treinamento cognitivo.

Vinte e cinco sujeitos saudáveis realizaram um teste N-back de três níveis usando uma configuração totalmente móvel que incluiu a apresentação da tarefa em tablet e a coleta de dados de EEG com um dispositivo de EEG móvel montado pelo próprio participante em dois momentos de avaliação. Foi escolhida uma abordagem de análise em duas etapas, incluindo uma análise de variância padrão e uma rede neural artificial para distinguir os níveis de carga cognitiva. Nossas descobertas indicam que a configuração é viável para detectar alterações na carga cognitiva, refletidas por alterações nos lobos em diferentes bandas de frequência. Em particular, observamos uma diminuição do alfa occipital e um aumento do teta frontal, parietal e occipital com o aumento da carga cognitiva. Os níveis mais distintos de carga cognitiva puderam ser discriminados pelos modelos integrados de aprendizado de máquina com uma precisão de 86%.

Conclusões

Na atual investigação, testamos uma configuração totalmente móvel para tarefas de treinamento cognitivo combinada com registro de EEG para detectar a carga cognitiva. A configuração foi baseada em um dispositivo de EEG móvel combinado com um tablet para exibir a tarefa cognitiva para permitir fácil montagem e realização de autoteste. A análise dos dados comportamentais confirmou diferenças no desempenho das tarefas dependendo da dificuldade da tarefa. Além disso, encontramos uma diminuição da potência da banda de frequência alfa occipital e um aumento da potência da banda de frequência teta frontal diante da maior dificuldade da tarefa, confirmando nossa hipótese principal. Além disso, a classificação automática do esforço cognitivo revelou que a abordagem de aprendizado de máquina discrimina entre os níveis mais distintos de carga cognitiva com uma precisão de 86%. Nossas descobertas sugerem a viabilidade da configuração totalmente móvel para detectar níveis distintos de carga cognitiva, conforme refletido por alterações na potência de banda. Além disso, a usabilidade avaliada subjetivamente é adequada com uma sessão de treinamento presencial inicial da montagem dos eletrodos. Investigações futuras são necessárias para avaliar os resultados em amostras mais diversas, incluindo uma faixa etária mais ampla e grupos de pacientes.

Leia o artigo completo aqui