挑戰您的記憶力！在Emotiv App中玩新的N-Back遊戲

立即下載

  • 挑戰您的記憶力！在Emotiv App中玩新的N-Back遊戲

    立即下載

  • 挑戰您的記憶力！在Emotiv App中玩新的N-Back遊戲

    立即下載

首頁

／

新聞

／

如何使用腦電圖創造最佳學習環境

如何使用腦電圖創造最佳學習環境

Heidi Duran

分享：

由 Dr. Roshini Randeniya

教育是我們社會的基本支柱，提供豐富的學習環境對社會進步至關重要。教育神經科學是一個快速發展的跨學科領域，旨在理解教學和學習的神經機制。

過去二十年來，便攜式EEG技術的進步使研究人員能夠在教室和電子學習中使用EEG頭戴設備，以創造最佳的學習環境[1]。在本文中，我們看看Emotiv的EEG頭戴設備如何改變我們的教學和學習方式。

優化教育內容

設計引人入勝的教育內容需要來自學生的持續主觀反饋。傳統上，確定課程內容的有效性是通過在課程完成後的自我報告反饋措施來完成的。

然而，由於依賴主觀記憶，確切孤立課程交付中的哪些方面可改進通常很困難。由於其高時間分辨率（即測量腦部反應在毫秒範圍的能力），EEG能夠索引預意識過程，這些過程僅靠自我報告措施無法識別。在優化課程內容時，最有用的衡量指標是注意力水平和認知負荷——大腦為保留資訊而付出的努力量的衡量。注意力通常通過分析當有人在學習時EEG中觀察到的不同腦波來測量——如與疲勞相關的阿爾法波和與警覺或專注相關的貝塔波。認知負荷是一個更複雜的衡量標準，也可以通過不同水平的阿爾法波和西塔波進行索引。

研究人員開發了帶有EEG的系統，可以監控注意力，允許評估整個課程中的注意力水平。Zhou等成功展示了一個實時系統，能夠監控從事大規模開放在線課程（MOOCs）的電子學習學生的認知負荷，這為實時優化課程內容鋪平了道路[2]。

輕鬆分析認知狀態

測量認知狀態，如這些先前研究中所述，可能需要一些技術技能和專業知識。幸運的是，數據科學的進步現在使得使用預先建立的算法測量認知狀態成為可能，只需最低的技術專業知識。Emotiv使得使用Performance Metrics成為可能：機器學習算法開發，用於識別不同的腦狀態，包括專注、興奮、參與、挫折、壓力和放鬆。

這些算法是使用設計來引發特定認知狀態的控制實驗建立的，對優化教育內容非常有用。這些Emotiv Performance Metrics已被用於比較基於遊戲的學習與傳統書面學習，儘管研究表明在這兩種學習方法之間的認知狀態沒有差異[3]。其他研究人員已經演示了Performance Metrics在將年齡小至5至7歲的兒童基於參與、壓力和專注等認知狀態進行分組，以評估擴增實境環境中的活動效果。



上圖：(A) EEG可以用於測量高中教室中學生的腦波（來源：Dikker等[4]）。 (B) 學生的腦波可顯示出與其他學生的高同步性，這對於那些在課堂上參與度較高的學生（左圖）是被發現的。與其他學生的低同步性（右圖）則發現於參與度較低的學生。

提升學習環境

不僅是教育材料的內容重要，何時何地學習對確保學生有良好的學習經歷同樣重要。研究人員測量了在不同教室時間的阿爾法波水平，發現中晨高中課程的阿爾法波比清晨少，並建議中晨可能是最佳學習時間[4]。

無線EEG還被用於比較現實與虛擬環境，顯示在兩種環境中提供同等水平的注意力和動力的能力[5]。這可能為身體殘障人士提供了一個更豐富的學習體驗，他們無法親自參加課程。研究人員還使用EEG對教室中的社會動態進行了研究。配有EEG頭戴設備的一組學生可以被評估在共同學習過程中他們的神經活動有多同步[6][7]。這種EEG數據收集方法稱為EEG協同掃描，是朝著實時推斷團體注意力和改善教室中的社會動態的方向邁出的一步。

讓教育觸手可及

一些身體或感官困難可能會限制學生在課堂上的學習經歷。然而，存在EEG基礎工具正在改善學生的經歷。大腦-電腦接口（BCI）技術的進步使得基於EEG的打字成為可能[8][9]，這幫助身體有困難的學生在學習時在計算設備上做講義。能夠基於EEG回答是-否類型問題的BCI也允許視障學生使用計算機進行考試評估，這原本需要一名考官[10]。

個性化學習經驗

為學生提供個人家教可能昂貴但在一般教育系統無法應對學習中之獨特需求時往往是必要的。智能補習系統 （ITS）是一類由人工智能支持的計算機學習軟體，可以充當個人家教。

這些系統的目的是即時適應並提供個性化反饋以增強學生的學習。研究人員目前正在通過將其與EEG集成來推進ITS系統。在一項研究中，研究人員使用EEG檢測學生對不同類型教育視頻的參與度（動畫內容與人類教師視頻），這讓ITS學習和自動生成學生會感興趣的內容。

當您從教學過程中移除人為因素時，追蹤學生的認知負荷變得越發重要，以防止壓力和屏幕疲勞。為了解決這個問題，研究人員開發了一個基於EEG數據的表情數據庫，積極檢測學生在使用ITS時是否感到無聊、投入、興奮或挫折[11]。

這種EEG發展為ITS系統不斷學習和適應個別學生鋪平了道路；通過在他們疲勞時建議休息或在他們投入時繼續教學，提供更有效的學習體驗。



上圖：紐約大學（NYU） BrainWaves 計劃中的學生佩戴EMOTIV EEG大腦技術進行遊戲。

EEG作為STEM學習工具

Emotiv EEG設備和軟體易於使用，是啟發下一代科學、技術、工程和數學（STEM）科學家的優秀入門工具。

Emotiv設備和軟體目前在大學本科學位課程中使用，不僅在心理學和神經科學中，而且在生物醫學工程中。Kurent展示了一個成功的案例，將Emotiv EPOC設備整合到高中和大學水平的教育過程中，以促進BCI設備的發展。Kosmayana等發現將EEG-BCI系統納入學校課程可提升學業表現。麥覺理大學已經證明了在其認知與腦科學學士學位課程中成功納入Emotiv設備，讓學生親自接觸實驗設計和EEG數據分析[14]。

此外，White-Foy證明年齡僅12歲的兒童可以成功學習BCI技術並設置小型EEG研究項目[13]。學生使用在線資源將Emotiv Insight設備集成到Raspberry Pi（微型計算機）上，該設備將EEG轉換成命令來控制遙控星際大戰玩具（BB-8）並引導它通過迷宮。



上圖：中學NeuroLab。11-18歲學生整合Raspberry Pi和BB-8機器人與Emotiv設備，並使用腦電命令導引BB-8通過迷宮（與NeuroLabs共同允許分享）

我們可以看到，低成本、移動的Emotiv EEG設備不僅為教育者提供卓越內容的教育計畫品質提升方法，並且伴隨著BCI的發展，也提出為有獨特需求的個體提供豐富的教育環境。



EMOTIV如何協助

需要幫助？聯繫我們

封面圖片來源： Trevor Day School

參考文獻

  1. J. Xu 和 B. Zhong, “Review on portable EEG technology in educational research,” Computers in Human Behavior, vol. 81, pp. 340–349, Apr. 2018, doi: 10.1016/j.chb.2017.12.037.

  2. Zhou Y, Xu T, Cai Y, Wu X, Dong B. Monitoring cognitive workload in online videos learning through an EEG-based brain-computer interface. Lect Notes Comput Sci Subser Lect Notes Artif Intell Lect Notes Bioinforma. 2017;10295 LNCS:64-73. doi:10.1007/978-3-319-58509-3_7

  3. Pireva K, Tahir R, Shariq Imran A, Chaudhary N. Evaluating learners’ emotional states by monitoring brain waves for comparing game-based learning approach to pen-and-paper. In: 2019 IEEE Frontiers in Education Conference (FIE). ; 2019:1-8. doi:10.1109/FIE43999.2019.9097262

  4. Dikker S, Haegens S, Bevilacqua D, et al. Morning brain: real-world neural evidence that high school class times matter. Soc Cogn Affect Neurosci. 2020;15(11):1193-1202. doi:10.1093/scan/nsaa142

  5. Romero-Soto FO, Ibarra-Zárate DI, Alonso-Valerdi LM. Comparative Analysis of Alpha Power Spectral Density in Real and Virtual Environments. In: Vol 75. ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22

  6. Dikker S, Wan L, Davidesco I, et al. Brain-to-Brain Synchrony Tracks Real-World Dynamic Group Interactions in the Classroom. Curr Biol. 2017;27(9):1375-1380. doi:10.1016/j.cub.2017.04.002

  7. Poulsen AT, Kamronn S, Dmochowski J, Parra LC, Hansen LK. EEG in the classroom: Synchronised neural recordings during video presentation. Sci Rep. 2017;7(1):43916. doi:10.1038/srep43916

  8. Al-Negheimish H, Al-Andas L, Al-Mofeez L, Al-Abdullatif A, Al-Khalifa N, Al-Wabil A. Brainwave Typing: Comparative Study of P300 and Motor Imagery for Typing Using Dry-Electrode EEG Devices. In: Stephanidis C, ed. HCI International 2013 - Posters’ Extended Abstracts. Communications in Computer and Information Science. Springer; 2013:569-573. doi:10.1007/978-3-642-39473-7_113

  9. Zhang X, Yao L, Sheng QZ, Kanhere SS, Gu T, Zhang D. Converting Your Thoughts to Texts: Enabling Brain Typing via Deep Feature Learning of EEG Signals. In: 2018 IEEE International Conference on Pervasive Computing and Communications (PerCom). ; 2018:1-10. doi:10.1109/PERCOM.2018.8444575

  10. Yosrita E, Heryadi Y, Wulandhari LA, Budiharto W. EEG Based Identification of Words on Exam Models with Yes-No Answers for Students with Visual Impairments. In: ; 2019. doi:10.1109/TALE48000.2019.9225903

  11. Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H. Building a Face Expression Recognizer and a Face Expression Database for an Intelligent Tutoring System. In: 2017 IEEE 17th International Conference on Advanced Learning Technologies (ICALT). ; 2017:391-393. doi:10.1109/ICALT.2017.141

  12. Kurent P. Integration of the future technologies to high schools and colleges. In: 2017 40th International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO). ; 2017:858-861. doi:10.23919/MIPRO.2017.7973541

  13. White-Foy J. Neuroscience for Students: a project to introduce EEG and Brain-Computer-Interface technology to secondary school children. Praxis Teacher Research. Published November 29, 2019. Accessed June 15, 2022. https://praxis-teacher-research.org/neuroscience-for-students/

  14. Kosmyna, Nataliya, Nathalie Soetaert, and Cassandra Scheirer. "A Pilot Study of Using Brain-Computer Interfaces in Classrooms for Promoting Formal Educational Activities." Proceedings of the Future Technologies Conference. Springer, Cham, 2021.

  15. Alvarez, V., Bower, M., de Freitas, S., Gregory, S. and De Wit, B., 2016. The use of wearable technologies in Australian universities: Examples from environmental science, cognitive and brain sciences and teacher training. Mobile learning futures–sustaining quality research and practice in mobile learning, 25.

  16. Rodríguez, A.O.R., Riaño, M.A., García, P.A.G., Marín, C.E.M., Crespo, R.G. and Wu, X., 2020. Emotional characterization of children through a learning environment using learning analytics and AR-Sandbox. Journal of Ambient Intelligence and Humanized Computing, 11(11), pp.5353-5367.

由 Dr. Roshini Randeniya

教育是我們社會的基本支柱，提供豐富的學習環境對社會進步至關重要。教育神經科學是一個快速發展的跨學科領域，旨在理解教學和學習的神經機制。

過去二十年來，便攜式EEG技術的進步使研究人員能夠在教室和電子學習中使用EEG頭戴設備，以創造最佳的學習環境[1]。在本文中，我們看看Emotiv的EEG頭戴設備如何改變我們的教學和學習方式。

優化教育內容

設計引人入勝的教育內容需要來自學生的持續主觀反饋。傳統上，確定課程內容的有效性是通過在課程完成後的自我報告反饋措施來完成的。

然而，由於依賴主觀記憶，確切孤立課程交付中的哪些方面可改進通常很困難。由於其高時間分辨率（即測量腦部反應在毫秒範圍的能力），EEG能夠索引預意識過程，這些過程僅靠自我報告措施無法識別。在優化課程內容時，最有用的衡量指標是注意力水平和認知負荷——大腦為保留資訊而付出的努力量的衡量。注意力通常通過分析當有人在學習時EEG中觀察到的不同腦波來測量——如與疲勞相關的阿爾法波和與警覺或專注相關的貝塔波。認知負荷是一個更複雜的衡量標準，也可以通過不同水平的阿爾法波和西塔波進行索引。

研究人員開發了帶有EEG的系統，可以監控注意力，允許評估整個課程中的注意力水平。Zhou等成功展示了一個實時系統，能夠監控從事大規模開放在線課程（MOOCs）的電子學習學生的認知負荷，這為實時優化課程內容鋪平了道路[2]。

輕鬆分析認知狀態

測量認知狀態，如這些先前研究中所述，可能需要一些技術技能和專業知識。幸運的是，數據科學的進步現在使得使用預先建立的算法測量認知狀態成為可能，只需最低的技術專業知識。Emotiv使得使用Performance Metrics成為可能：機器學習算法開發，用於識別不同的腦狀態，包括專注、興奮、參與、挫折、壓力和放鬆。

這些算法是使用設計來引發特定認知狀態的控制實驗建立的，對優化教育內容非常有用。這些Emotiv Performance Metrics已被用於比較基於遊戲的學習與傳統書面學習，儘管研究表明在這兩種學習方法之間的認知狀態沒有差異[3]。其他研究人員已經演示了Performance Metrics在將年齡小至5至7歲的兒童基於參與、壓力和專注等認知狀態進行分組，以評估擴增實境環境中的活動效果。



上圖：(A) EEG可以用於測量高中教室中學生的腦波（來源：Dikker等[4]）。 (B) 學生的腦波可顯示出與其他學生的高同步性，這對於那些在課堂上參與度較高的學生（左圖）是被發現的。與其他學生的低同步性（右圖）則發現於參與度較低的學生。

提升學習環境

不僅是教育材料的內容重要，何時何地學習對確保學生有良好的學習經歷同樣重要。研究人員測量了在不同教室時間的阿爾法波水平，發現中晨高中課程的阿爾法波比清晨少，並建議中晨可能是最佳學習時間[4]。

無線EEG還被用於比較現實與虛擬環境，顯示在兩種環境中提供同等水平的注意力和動力的能力[5]。這可能為身體殘障人士提供了一個更豐富的學習體驗，他們無法親自參加課程。研究人員還使用EEG對教室中的社會動態進行了研究。配有EEG頭戴設備的一組學生可以被評估在共同學習過程中他們的神經活動有多同步[6][7]。這種EEG數據收集方法稱為EEG協同掃描，是朝著實時推斷團體注意力和改善教室中的社會動態的方向邁出的一步。

讓教育觸手可及

一些身體或感官困難可能會限制學生在課堂上的學習經歷。然而，存在EEG基礎工具正在改善學生的經歷。大腦-電腦接口（BCI）技術的進步使得基於EEG的打字成為可能[8][9]，這幫助身體有困難的學生在學習時在計算設備上做講義。能夠基於EEG回答是-否類型問題的BCI也允許視障學生使用計算機進行考試評估，這原本需要一名考官[10]。

個性化學習經驗

為學生提供個人家教可能昂貴但在一般教育系統無法應對學習中之獨特需求時往往是必要的。智能補習系統 （ITS）是一類由人工智能支持的計算機學習軟體，可以充當個人家教。

這些系統的目的是即時適應並提供個性化反饋以增強學生的學習。研究人員目前正在通過將其與EEG集成來推進ITS系統。在一項研究中，研究人員使用EEG檢測學生對不同類型教育視頻的參與度（動畫內容與人類教師視頻），這讓ITS學習和自動生成學生會感興趣的內容。

當您從教學過程中移除人為因素時，追蹤學生的認知負荷變得越發重要，以防止壓力和屏幕疲勞。為了解決這個問題，研究人員開發了一個基於EEG數據的表情數據庫，積極檢測學生在使用ITS時是否感到無聊、投入、興奮或挫折[11]。

這種EEG發展為ITS系統不斷學習和適應個別學生鋪平了道路；通過在他們疲勞時建議休息或在他們投入時繼續教學，提供更有效的學習體驗。



上圖：紐約大學（NYU） BrainWaves 計劃中的學生佩戴EMOTIV EEG大腦技術進行遊戲。

EEG作為STEM學習工具

Emotiv EEG設備和軟體易於使用，是啟發下一代科學、技術、工程和數學（STEM）科學家的優秀入門工具。

Emotiv設備和軟體目前在大學本科學位課程中使用，不僅在心理學和神經科學中，而且在生物醫學工程中。Kurent展示了一個成功的案例，將Emotiv EPOC設備整合到高中和大學水平的教育過程中，以促進BCI設備的發展。Kosmayana等發現將EEG-BCI系統納入學校課程可提升學業表現。麥覺理大學已經證明了在其認知與腦科學學士學位課程中成功納入Emotiv設備，讓學生親自接觸實驗設計和EEG數據分析[14]。

此外，White-Foy證明年齡僅12歲的兒童可以成功學習BCI技術並設置小型EEG研究項目[13]。學生使用在線資源將Emotiv Insight設備集成到Raspberry Pi（微型計算機）上，該設備將EEG轉換成命令來控制遙控星際大戰玩具（BB-8）並引導它通過迷宮。



上圖：中學NeuroLab。11-18歲學生整合Raspberry Pi和BB-8機器人與Emotiv設備，並使用腦電命令導引BB-8通過迷宮（與NeuroLabs共同允許分享）

我們可以看到，低成本、移動的Emotiv EEG設備不僅為教育者提供卓越內容的教育計畫品質提升方法，並且伴隨著BCI的發展，也提出為有獨特需求的個體提供豐富的教育環境。



EMOTIV如何協助

需要幫助？聯繫我們

封面圖片來源： Trevor Day School

參考文獻

  1. J. Xu 和 B. Zhong, “Review on portable EEG technology in educational research,” Computers in Human Behavior, vol. 81, pp. 340–349, Apr. 2018, doi: 10.1016/j.chb.2017.12.037.

  2. Zhou Y, Xu T, Cai Y, Wu X, Dong B. Monitoring cognitive workload in online videos learning through an EEG-based brain-computer interface. Lect Notes Comput Sci Subser Lect Notes Artif Intell Lect Notes Bioinforma. 2017;10295 LNCS:64-73. doi:10.1007/978-3-319-58509-3_7

  3. Pireva K, Tahir R, Shariq Imran A, Chaudhary N. Evaluating learners’ emotional states by monitoring brain waves for comparing game-based learning approach to pen-and-paper. In: 2019 IEEE Frontiers in Education Conference (FIE). ; 2019:1-8. doi:10.1109/FIE43999.2019.9097262

  4. Dikker S, Haegens S, Bevilacqua D, et al. Morning brain: real-world neural evidence that high school class times matter. Soc Cogn Affect Neurosci. 2020;15(11):1193-1202. doi:10.1093/scan/nsaa142

  5. Romero-Soto FO, Ibarra-Zárate DI, Alonso-Valerdi LM. Comparative Analysis of Alpha Power Spectral Density in Real and Virtual Environments. In: Vol 75. ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22

  6. Dikker S, Wan L, Davidesco I, et al. Brain-to-Brain Synchrony Tracks Real-World Dynamic Group Interactions in the Classroom. Curr Biol. 2017;27(9):1375-1380. doi:10.1016/j.cub.2017.04.002

  7. Poulsen AT, Kamronn S, Dmochowski J, Parra LC, Hansen LK. EEG in the classroom: Synchronised neural recordings during video presentation. Sci Rep. 2017;7(1):43916. doi:10.1038/srep43916

  8. Al-Negheimish H, Al-Andas L, Al-Mofeez L, Al-Abdullatif A, Al-Khalifa N, Al-Wabil A. Brainwave Typing: Comparative Study of P300 and Motor Imagery for Typing Using Dry-Electrode EEG Devices. In: Stephanidis C, ed. HCI International 2013 - Posters’ Extended Abstracts. Communications in Computer and Information Science. Springer; 2013:569-573. doi:10.1007/978-3-642-39473-7_113

  9. Zhang X, Yao L, Sheng QZ, Kanhere SS, Gu T, Zhang D. Converting Your Thoughts to Texts: Enabling Brain Typing via Deep Feature Learning of EEG Signals. In: 2018 IEEE International Conference on Pervasive Computing and Communications (PerCom). ; 2018:1-10. doi:10.1109/PERCOM.2018.8444575

  10. Yosrita E, Heryadi Y, Wulandhari LA, Budiharto W. EEG Based Identification of Words on Exam Models with Yes-No Answers for Students with Visual Impairments. In: ; 2019. doi:10.1109/TALE48000.2019.9225903

  11. Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H. Building a Face Expression Recognizer and a Face Expression Database for an Intelligent Tutoring System. In: 2017 IEEE 17th International Conference on Advanced Learning Technologies (ICALT). ; 2017:391-393. doi:10.1109/ICALT.2017.141

  12. Kurent P. Integration of the future technologies to high schools and colleges. In: 2017 40th International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO). ; 2017:858-861. doi:10.23919/MIPRO.2017.7973541

  13. White-Foy J. Neuroscience for Students: a project to introduce EEG and Brain-Computer-Interface technology to secondary school children. Praxis Teacher Research. Published November 29, 2019. Accessed June 15, 2022. https://praxis-teacher-research.org/neuroscience-for-students/

  14. Kosmyna, Nataliya, Nathalie Soetaert, and Cassandra Scheirer. "A Pilot Study of Using Brain-Computer Interfaces in Classrooms for Promoting Formal Educational Activities." Proceedings of the Future Technologies Conference. Springer, Cham, 2021.

  15. Alvarez, V., Bower, M., de Freitas, S., Gregory, S. and De Wit, B., 2016. The use of wearable technologies in Australian universities: Examples from environmental science, cognitive and brain sciences and teacher training. Mobile learning futures–sustaining quality research and practice in mobile learning, 25.

  16. Rodríguez, A.O.R., Riaño, M.A., García, P.A.G., Marín, C.E.M., Crespo, R.G. and Wu, X., 2020. Emotional characterization of children through a learning environment using learning analytics and AR-Sandbox. Journal of Ambient Intelligence and Humanized Computing, 11(11), pp.5353-5367.

由 Dr. Roshini Randeniya

教育是我們社會的基本支柱，提供豐富的學習環境對社會進步至關重要。教育神經科學是一個快速發展的跨學科領域，旨在理解教學和學習的神經機制。

過去二十年來，便攜式EEG技術的進步使研究人員能夠在教室和電子學習中使用EEG頭戴設備，以創造最佳的學習環境[1]。在本文中，我們看看Emotiv的EEG頭戴設備如何改變我們的教學和學習方式。

優化教育內容

設計引人入勝的教育內容需要來自學生的持續主觀反饋。傳統上，確定課程內容的有效性是通過在課程完成後的自我報告反饋措施來完成的。

然而，由於依賴主觀記憶，確切孤立課程交付中的哪些方面可改進通常很困難。由於其高時間分辨率（即測量腦部反應在毫秒範圍的能力），EEG能夠索引預意識過程，這些過程僅靠自我報告措施無法識別。在優化課程內容時，最有用的衡量指標是注意力水平和認知負荷——大腦為保留資訊而付出的努力量的衡量。注意力通常通過分析當有人在學習時EEG中觀察到的不同腦波來測量——如與疲勞相關的阿爾法波和與警覺或專注相關的貝塔波。認知負荷是一個更複雜的衡量標準，也可以通過不同水平的阿爾法波和西塔波進行索引。

研究人員開發了帶有EEG的系統，可以監控注意力，允許評估整個課程中的注意力水平。Zhou等成功展示了一個實時系統，能夠監控從事大規模開放在線課程（MOOCs）的電子學習學生的認知負荷，這為實時優化課程內容鋪平了道路[2]。

輕鬆分析認知狀態

測量認知狀態，如這些先前研究中所述，可能需要一些技術技能和專業知識。幸運的是，數據科學的進步現在使得使用預先建立的算法測量認知狀態成為可能，只需最低的技術專業知識。Emotiv使得使用Performance Metrics成為可能：機器學習算法開發，用於識別不同的腦狀態，包括專注、興奮、參與、挫折、壓力和放鬆。

這些算法是使用設計來引發特定認知狀態的控制實驗建立的，對優化教育內容非常有用。這些Emotiv Performance Metrics已被用於比較基於遊戲的學習與傳統書面學習，儘管研究表明在這兩種學習方法之間的認知狀態沒有差異[3]。其他研究人員已經演示了Performance Metrics在將年齡小至5至7歲的兒童基於參與、壓力和專注等認知狀態進行分組，以評估擴增實境環境中的活動效果。



上圖：(A) EEG可以用於測量高中教室中學生的腦波（來源：Dikker等[4]）。 (B) 學生的腦波可顯示出與其他學生的高同步性，這對於那些在課堂上參與度較高的學生（左圖）是被發現的。與其他學生的低同步性（右圖）則發現於參與度較低的學生。

提升學習環境

不僅是教育材料的內容重要，何時何地學習對確保學生有良好的學習經歷同樣重要。研究人員測量了在不同教室時間的阿爾法波水平，發現中晨高中課程的阿爾法波比清晨少，並建議中晨可能是最佳學習時間[4]。

無線EEG還被用於比較現實與虛擬環境，顯示在兩種環境中提供同等水平的注意力和動力的能力[5]。這可能為身體殘障人士提供了一個更豐富的學習體驗，他們無法親自參加課程。研究人員還使用EEG對教室中的社會動態進行了研究。配有EEG頭戴設備的一組學生可以被評估在共同學習過程中他們的神經活動有多同步[6][7]。這種EEG數據收集方法稱為EEG協同掃描，是朝著實時推斷團體注意力和改善教室中的社會動態的方向邁出的一步。

讓教育觸手可及

一些身體或感官困難可能會限制學生在課堂上的學習經歷。然而，存在EEG基礎工具正在改善學生的經歷。大腦-電腦接口（BCI）技術的進步使得基於EEG的打字成為可能[8][9]，這幫助身體有困難的學生在學習時在計算設備上做講義。能夠基於EEG回答是-否類型問題的BCI也允許視障學生使用計算機進行考試評估，這原本需要一名考官[10]。

個性化學習經驗

為學生提供個人家教可能昂貴但在一般教育系統無法應對學習中之獨特需求時往往是必要的。智能補習系統 （ITS）是一類由人工智能支持的計算機學習軟體，可以充當個人家教。

這些系統的目的是即時適應並提供個性化反饋以增強學生的學習。研究人員目前正在通過將其與EEG集成來推進ITS系統。在一項研究中，研究人員使用EEG檢測學生對不同類型教育視頻的參與度（動畫內容與人類教師視頻），這讓ITS學習和自動生成學生會感興趣的內容。

當您從教學過程中移除人為因素時，追蹤學生的認知負荷變得越發重要，以防止壓力和屏幕疲勞。為了解決這個問題，研究人員開發了一個基於EEG數據的表情數據庫，積極檢測學生在使用ITS時是否感到無聊、投入、興奮或挫折[11]。

這種EEG發展為ITS系統不斷學習和適應個別學生鋪平了道路；通過在他們疲勞時建議休息或在他們投入時繼續教學，提供更有效的學習體驗。



上圖：紐約大學（NYU） BrainWaves 計劃中的學生佩戴EMOTIV EEG大腦技術進行遊戲。

EEG作為STEM學習工具

Emotiv EEG設備和軟體易於使用，是啟發下一代科學、技術、工程和數學（STEM）科學家的優秀入門工具。

Emotiv設備和軟體目前在大學本科學位課程中使用，不僅在心理學和神經科學中，而且在生物醫學工程中。Kurent展示了一個成功的案例，將Emotiv EPOC設備整合到高中和大學水平的教育過程中，以促進BCI設備的發展。Kosmayana等發現將EEG-BCI系統納入學校課程可提升學業表現。麥覺理大學已經證明了在其認知與腦科學學士學位課程中成功納入Emotiv設備，讓學生親自接觸實驗設計和EEG數據分析[14]。

此外，White-Foy證明年齡僅12歲的兒童可以成功學習BCI技術並設置小型EEG研究項目[13]。學生使用在線資源將Emotiv Insight設備集成到Raspberry Pi（微型計算機）上，該設備將EEG轉換成命令來控制遙控星際大戰玩具（BB-8）並引導它通過迷宮。



上圖：中學NeuroLab。11-18歲學生整合Raspberry Pi和BB-8機器人與Emotiv設備，並使用腦電命令導引BB-8通過迷宮（與NeuroLabs共同允許分享）

我們可以看到，低成本、移動的Emotiv EEG設備不僅為教育者提供卓越內容的教育計畫品質提升方法，並且伴隨著BCI的發展，也提出為有獨特需求的個體提供豐富的教育環境。



EMOTIV如何協助

需要幫助？聯繫我們

封面圖片來源： Trevor Day School

參考文獻

  1. J. Xu 和 B. Zhong, “Review on portable EEG technology in educational research,” Computers in Human Behavior, vol. 81, pp. 340–349, Apr. 2018, doi: 10.1016/j.chb.2017.12.037.

  2. Zhou Y, Xu T, Cai Y, Wu X, Dong B. Monitoring cognitive workload in online videos learning through an EEG-based brain-computer interface. Lect Notes Comput Sci Subser Lect Notes Artif Intell Lect Notes Bioinforma. 2017;10295 LNCS:64-73. doi:10.1007/978-3-319-58509-3_7

  3. Pireva K, Tahir R, Shariq Imran A, Chaudhary N. Evaluating learners’ emotional states by monitoring brain waves for comparing game-based learning approach to pen-and-paper. In: 2019 IEEE Frontiers in Education Conference (FIE). ; 2019:1-8. doi:10.1109/FIE43999.2019.9097262

  4. Dikker S, Haegens S, Bevilacqua D, et al. Morning brain: real-world neural evidence that high school class times matter. Soc Cogn Affect Neurosci. 2020;15(11):1193-1202. doi:10.1093/scan/nsaa142

  5. Romero-Soto FO, Ibarra-Zárate DI, Alonso-Valerdi LM. Comparative Analysis of Alpha Power Spectral Density in Real and Virtual Environments. In: Vol 75. ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22

  6. Dikker S, Wan L, Davidesco I, et al. Brain-to-Brain Synchrony Tracks Real-World Dynamic Group Interactions in the Classroom. Curr Biol. 2017;27(9):1375-1380. doi:10.1016/j.cub.2017.04.002

  7. Poulsen AT, Kamronn S, Dmochowski J, Parra LC, Hansen LK. EEG in the classroom: Synchronised neural recordings during video presentation. Sci Rep. 2017;7(1):43916. doi:10.1038/srep43916

  8. Al-Negheimish H, Al-Andas L, Al-Mofeez L, Al-Abdullatif A, Al-Khalifa N, Al-Wabil A. Brainwave Typing: Comparative Study of P300 and Motor Imagery for Typing Using Dry-Electrode EEG Devices. In: Stephanidis C, ed. HCI International 2013 - Posters’ Extended Abstracts. Communications in Computer and Information Science. Springer; 2013:569-573. doi:10.1007/978-3-642-39473-7_113

  9. Zhang X, Yao L, Sheng QZ, Kanhere SS, Gu T, Zhang D. Converting Your Thoughts to Texts: Enabling Brain Typing via Deep Feature Learning of EEG Signals. In: 2018 IEEE International Conference on Pervasive Computing and Communications (PerCom). ; 2018:1-10. doi:10.1109/PERCOM.2018.8444575

  10. Yosrita E, Heryadi Y, Wulandhari LA, Budiharto W. EEG Based Identification of Words on Exam Models with Yes-No Answers for Students with Visual Impairments. In: ; 2019. doi:10.1109/TALE48000.2019.9225903

  11. Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H. Building a Face Expression Recognizer and a Face Expression Database for an Intelligent Tutoring System. In: 2017 IEEE 17th International Conference on Advanced Learning Technologies (ICALT). ; 2017:391-393. doi:10.1109/ICALT.2017.141

  12. Kurent P. Integration of the future technologies to high schools and colleges. In: 2017 40th International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO). ; 2017:858-861. doi:10.23919/MIPRO.2017.7973541

  13. White-Foy J. Neuroscience for Students: a project to introduce EEG and Brain-Computer-Interface technology to secondary school children. Praxis Teacher Research. Published November 29, 2019. Accessed June 15, 2022. https://praxis-teacher-research.org/neuroscience-for-students/

  14. Kosmyna, Nataliya, Nathalie Soetaert, and Cassandra Scheirer. "A Pilot Study of Using Brain-Computer Interfaces in Classrooms for Promoting Formal Educational Activities." Proceedings of the Future Technologies Conference. Springer, Cham, 2021.

  15. Alvarez, V., Bower, M., de Freitas, S., Gregory, S. and De Wit, B., 2016. The use of wearable technologies in Australian universities: Examples from environmental science, cognitive and brain sciences and teacher training. Mobile learning futures–sustaining quality research and practice in mobile learning, 25.

  16. Rodríguez, A.O.R., Riaño, M.A., García, P.A.G., Marín, C.E.M., Crespo, R.G. and Wu, X., 2020. Emotional characterization of children through a learning environment using learning analytics and AR-Sandbox. Journal of Ambient Intelligence and Humanized Computing, 11(11), pp.5353-5367.

繼續閱讀

殘奧會：AI 驅動的腦機介面創造歷史

閱讀更多