挑戰您的記憶力！在Emotiv App中玩新的N-Back遊戲
使用移動 EEG 傳感器跟蹤心理負荷
分享：
摘要
本研究的目的是評估移動式腦電圖（EEG）設置是否可以用於追蹤心理工作負荷，這是學習表現和動機的重要方面，因而在評估認知訓練方法時可能是一個寶貴的信息來源。
二十五名健康受試者在完全移動的設置中進行三級N-back測試，包括基於平板電腦的任務展示和使用自裝式移動EEG設備的EEG數據收集，於兩個評估時間點進行。選擇了雙重分析方法，包括標準的變異數分析和人工神經網絡來區分認知負荷的水平。我們的研究結果顯示，該設置是可行的，可以檢測到認知負荷變化，這體現在不同頻帶的不同腦葉變化中。特別是，我們觀察到隨著認知負荷增加，枕葉α頻率減少，額葉、頂葉和枕葉θ頻率增加。整合的機器學習模型可以以86%的準確率區分出最明顯的認知負荷水平。
結論
在當前的研究中，我們測試了一個完全移動化的認知訓練任務設置，結合EEG記錄以檢測認知負荷。該設置基於結合平板顯示認知任務的移動EEG設備，允許輕鬆安裝並進行自我測試。行為數據分析確認了根據任務難度，任務表現有所不同。此外，我們發現隨著任務難度的增加，枕葉α頻率帶功率減少，額葉θ頻率帶功率增加，這證實了我們的主要假設。此外，自動認知努力分類顯示出，機器學習方法能以86%的準確率區分最明顯的認知負荷水平。我們的研究結果表明，該完全移動化設置有能力檢測反映在頻帶功率變化中的不同認知負荷水平。此外，初次電極安裝的面對面訓練課程能夠使主觀評定的可用性達到適當標準。未來的研究需要在包含更廣泛年齡範圍和患者組別的多樣化樣本中評估結果。
摘要
本研究的目的是評估移動式腦電圖（EEG）設置是否可以用於追蹤心理工作負荷，這是學習表現和動機的重要方面，因而在評估認知訓練方法時可能是一個寶貴的信息來源。
二十五名健康受試者在完全移動的設置中進行三級N-back測試，包括基於平板電腦的任務展示和使用自裝式移動EEG設備的EEG數據收集，於兩個評估時間點進行。選擇了雙重分析方法，包括標準的變異數分析和人工神經網絡來區分認知負荷的水平。我們的研究結果顯示，該設置是可行的，可以檢測到認知負荷變化，這體現在不同頻帶的不同腦葉變化中。特別是，我們觀察到隨著認知負荷增加，枕葉α頻率減少，額葉、頂葉和枕葉θ頻率增加。整合的機器學習模型可以以86%的準確率區分出最明顯的認知負荷水平。
結論
在當前的研究中，我們測試了一個完全移動化的認知訓練任務設置，結合EEG記錄以檢測認知負荷。該設置基於結合平板顯示認知任務的移動EEG設備，允許輕鬆安裝並進行自我測試。行為數據分析確認了根據任務難度，任務表現有所不同。此外，我們發現隨著任務難度的增加，枕葉α頻率帶功率減少，額葉θ頻率帶功率增加，這證實了我們的主要假設。此外，自動認知努力分類顯示出，機器學習方法能以86%的準確率區分最明顯的認知負荷水平。我們的研究結果表明，該完全移動化設置有能力檢測反映在頻帶功率變化中的不同認知負荷水平。此外，初次電極安裝的面對面訓練課程能夠使主觀評定的可用性達到適當標準。未來的研究需要在包含更廣泛年齡範圍和患者組別的多樣化樣本中評估結果。
摘要
本研究的目的是評估移動式腦電圖（EEG）設置是否可以用於追蹤心理工作負荷，這是學習表現和動機的重要方面，因而在評估認知訓練方法時可能是一個寶貴的信息來源。
二十五名健康受試者在完全移動的設置中進行三級N-back測試，包括基於平板電腦的任務展示和使用自裝式移動EEG設備的EEG數據收集，於兩個評估時間點進行。選擇了雙重分析方法，包括標準的變異數分析和人工神經網絡來區分認知負荷的水平。我們的研究結果顯示，該設置是可行的，可以檢測到認知負荷變化，這體現在不同頻帶的不同腦葉變化中。特別是，我們觀察到隨著認知負荷增加，枕葉α頻率減少，額葉、頂葉和枕葉θ頻率增加。整合的機器學習模型可以以86%的準確率區分出最明顯的認知負荷水平。
結論
在當前的研究中，我們測試了一個完全移動化的認知訓練任務設置，結合EEG記錄以檢測認知負荷。該設置基於結合平板顯示認知任務的移動EEG設備，允許輕鬆安裝並進行自我測試。行為數據分析確認了根據任務難度，任務表現有所不同。此外，我們發現隨著任務難度的增加，枕葉α頻率帶功率減少，額葉θ頻率帶功率增加，這證實了我們的主要假設。此外，自動認知努力分類顯示出，機器學習方法能以86%的準確率區分最明顯的認知負荷水平。我們的研究結果表明，該完全移動化設置有能力檢測反映在頻帶功率變化中的不同認知負荷水平。此外，初次電極安裝的面對面訓練課程能夠使主觀評定的可用性達到適當標準。未來的研究需要在包含更廣泛年齡範圍和患者組別的多樣化樣本中評估結果。
