脑电图（EEG）如何用于构建最佳学习环境
Roshini Randeniya 医生
更新于
2024年9月12日
脑电图（EEG）如何用于构建最佳学习环境
Roshini Randeniya 医生
更新于
2024年9月12日
脑电图（EEG）如何用于构建最佳学习环境
Roshini Randeniya 医生
更新于
2024年9月12日
教育是我们社会的基石，提供丰富的学习环境对于社会进步至关重要。教育神经科学是一个快速发展的跨学科领域，旨在理解教学和学习的神经学机制。
在过去的二十年中，便携式脑电图（EEG）技术的进步使研究人员能够在教室和电子学习中应用EEG头戴式设备，从而为学生创造最佳的学习环境[1]。在这篇文章中，我们将探讨Emotiv的EEG头戴式设备如何被用来改变我们的教学和学习方式。
优化教学内容
设计有吸引力的教育内容需要来自学生持续的主观反馈。传统上，确定一门课程内容的有效性是通过在课程结束时进行自报式反馈评估来完成的。
然而，由于依赖主观记忆，通常很难准确找出课程交付中哪些方面可以得到改进。由于脑电图（EEG）具有高时间分辨率（即其在毫秒级测量大脑反应的能力），它能够索引前意识过程，而这些过程如果是仅靠自报测量方法是无法识别的。在优化课程内容时，最有用的指标是注意力水平和认知负荷 —— 认知负荷是衡量大脑为保留信息所付出努力程度的指标。注意力通常是通过分析在一边学习一边观察到的EEG中的不同脑波来测量的，例如 alpha 波（通常与疲劳有关）和 beta 波（通常与警觉或专注有关）的水平。认知负荷是一个更复杂的指标，也可以通过不同水平的 alpha 波和 theta 波来进行索引。
研究人员已经开发了带有脑电图的系统来监测注意力，从而可以评估整个课程过程中的注意力水平。Zhou等人成功展示了一个实时系统，该系统可以监测参与大规模在线开放课程（MOOC）的在线学习学生的认知负荷，这为实时优化课程内容铺平了道路 [2]。
轻松分析认知状态
正如在先前的这些研究中所显示的那样，测量认知状态可能需要一些技术技巧和专业知识。幸运的是，数据科学的进步使人们能够以极少的技术专业知识，使用预先构建的算法来测量认知状态。Emotiv支持使用Performance Metrics（性能指标）：开发用于识别脑电图（EEG）中不同的脑状态（包括专注、兴奋、参与、挫败、压力和放松）的机器学习算法。
这些算法是通过专门针对引发特定认知状态的受控实验构建的，可用于优化教学内容。这些Emotiv性能指标已被用于比较基于游戏的学习与传统的纸笔学习，尽管研究表明这两种学习方法之间的认知状态没有差异[3]。其他研究人员已经展示了性能指标在根据参与度、压力和专注力等认知状态对5-7岁的小朋友进行分组的实用性，以评估在增强现实环境中活动的有效性。
上图：(A) 脑电图可用于测量高中课堂中学生的脑波（来自：Dikker等 [4]）。 (B) 学生的脑波可以显示出与其他学生高度的同步性，据研究发现，在课堂中参与度更高的学生其同步性更高（左图）。与其他学生同步性低（右图）的是在课堂中参与度较低的学生。
改善学习环境
不仅教育教材的内容重要，我们在何时何地进行学习，对于确保学生获得良好的学习体验也同样具有重要意义。研究人员测量了不同课堂时间段内 alpha 波的水平，并发现上午高中的课程展现出的 alpha 波少于清晨，由此提出上午或许是最佳的学习时间[4]。
无线脑电图（EEG）还被用于比较真实环境与虚拟环境，展示了在两种环境中提供同等水平的注意力和动力的能力[5]。这可为身体有残疾、无法亲自到校上课的人群铺平通往更丰富学习体验的道路。研究人员还使用EEG对课堂上的社会动力学进行了研究。可以通过佩戴脑电图头戴设备的学生群体，来评估他们在共同学习过程中神经活动的同步程度[6][7]。这种EEG数据收集方法被称为EEG hyperscanning（EEG超扫描），是朝着实时推断群体注意力和改善课堂中社会动力学迈出的一步。
让所有人都能接受教育
某些身体或感官上的困难可能会限制学生在课堂上的学习体验。不过，有些基于脑电图（EEG）的工具可以改善这些体验。脑机接口（BCI）技术的进步使基于EEG的打字成为可能 [8][9]，这有助于面临身体困难的学生在学习时可以在他们的计算设备上记录心理笔记。使基于EEG的能够回答“是否”类型问题的BCIs，也使有视力障碍的学生可以使用基于计算机的测试来进行评估，而在以前，这必须要通过面试官才能完成 [10]。
个性化的学习体验
为学生提供私人导师可能很昂贵，但在普通教育系统无法满足独特的学习需求时，这通常必不可少。智能导师系统（ITS）是一类在人工智能支持下的、可充当个人导师的基于计算机的学习软件。
这些系统的目标是进行适应并为学生提供实时的个性化反馈，以增强他们的学习体验。研究人员目前正通过将ITS系统与EEG集成来推进这项技术。在一项研究中，研究人员使用EEG来检测学生对不同类型的教育视频（动画内容对比有真人教师的视频）的参与度，这使得ITS能够进行学习并自动生成学生会更感兴趣的内容。
当你从教学过程中去除人的因素时，在进行基于计算机的学习计划时，跟踪学生的认知负荷以防止压力和屏幕疲劳就变得越来越重要。为了应对这一点，研究人员开发了一个基于EEG数据的面部表情数据库，该数据库在学生使用ITS时，主动检测他们处于无聊、参与、兴奋还是挫败状态 [11]。
这一项使用脑电图（EEG）的发展为让ITS系统不断学习并适应每个学生的个性化需求铺平了道路；通过在他们疲倦时建议休息，或在他们参与时继续教学，为学生提供更有效的学习体验。
上图：纽约大学 (NYU) BrainWaves 项目的学生在佩戴着Emotiv EEG大脑技术设备进行游戏。
EEG作为STEM学习工具
Emotiv EEG设备和软件易于使用，同时不失为启发下一代科学、技术、工程和数学（STEM）科学家的优秀入门工具。
Emotiv设备和软件目前正应用于高校本科课程，不仅在心理学和神经科学，也应用于生物医学工程。Kurent 展示了一个将 Emotiv EPOC 设备成功整合到高中和大学教育过程中的例子，推动了BCI设备的发展。Kosmayana 等人发现，在学校课程中引入EEG-BCI系统能够提升学业表现。麦考瑞大学已展示出成功将Emotiv设备纳入其认知与脑科学学士课程中，为学生提供实验设计和EEG数据分析的实操经验 [14]。
此外，White-Foy 表明，仅有 12 岁的孩子也可以成功学习BCI技术，并设置小型的EEG研究项目[13]。学生们利用在线资源将一个 Emotiv Insight 设备与一个 Raspberry Pi（微型计算机）集成，该微型计算机可以将EEG转换为命令来控制一个遥控的星球大战玩具（BB-8），并导航它通过迷宫。
上图：中学NeuroLab。11-18岁的学生将Raspberry Pi 和 BB-8 机器人与Emotiv设备集成，并通过意念命令引导 BB-8 穿过迷宫（共享自 NeuroLabs 许可授权）
我们可以看到，低成本，便携移动式的Emotiv EEG设备不仅为教育者提供了提高教育课程质量的方法，以交付优秀的内容，而且结合BCI的发展，它也致力于为有特殊需求的个体提供丰富的教育环境。
Emotiv 能如何帮助您
通过 Emotiv EEG Lab Starter Kits 改善学生的学习体验。
使用 EmotivPRO Builder 构建实验并分析数据。
在 EmotivLABS 上发布远程实验以获取数据。
使用我们的 open-source data set（开源数据集）。
需要帮助？联系我们
封面图片来源：Trevor Day School
参考文献
J. Xu and B. Zhong，“教育研究中便携式脑电图技术综述”，《人类行为中的计算机》（Computers in Human Behavior），第81卷，第340-349页，2018年4月，doi：10.1016/j.chb.2017.12.037。
Zhou Y, Xu T, Cai Y, Wu X, Dong B。通过基于EEG的脑机接口监测在线视频学习中的认知负荷。人工智能与生物信息学学术报告集。2017;10295 LNCS:64-73. doi:10.1007/978-3-319-58509-3_7
Pireva K, Tahir R, Shariq Imran A, Chaudhary N。通过监测脑电波评估学习者的情绪状态，以比较基于游戏的学习方法与传统的纸笔方式。 见：2019 IEEE Frontiers in Education Conference (FIE). ; 2019:1-8. doi:10.1109/FIE43999.2019.9097262
Dikker S, Haegens S, Bevilacqua D, 等。清晨大脑：真实世界中高中上课时间重要性的神经学证据。社会认知与情感神经学。2020;15(11):1193-1202. doi:10.1093/scan/nsaa142
Romero-Soto FO, Ibarra-Zárate DI, Alonso-Valerdi LM。真实和虚拟环境中Alpha波功率谱密度的比较分析。 见：Vol 75. ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22
Dikker S, Wan L, Davidesco I, 等。大脑对大脑同步追踪课堂上真实世界动态团体互动。现代生物学（Curr Biol）。2017;27(9):1375-1380. doi:10.1016/j.cub.2017.04.002
Poulsen AT, Kamronn S, Dmochowski J, Parra LC, Hansen LK。课堂中的脑电图：视频呈现过程中的同步神经记录。科学报告。2017;7(1):43916. doi:10.1038/srep43916
Al-Negheimish H, Al-Andas L, Al-Mofeez L, Al-Abdullatif A, Al-Khalifa N, Al-Wabil A。脑波输入：使用干电极EEG设备进行输入的P300与运动想象的比较研究。 见：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
Zhang X, Yao L, Sheng QZ, Kanhere SS, Gu T, Zhang D。将你的想法转换为文本：通过脑电信号深度特征学习实现大脑打字。 见：2018 IEEE International Conference on Pervasive Computing and Communications (PerCom). ; 2018:1-10. doi:10.1109/PERCOM.2018.8444575
Yosrita E, Heryadi Y, Wulandhari LA, Budiharto W。在有“是-否”回答的考试模式中基于大脑电图对视觉受损学生进行单词识别。 见：; 2019. doi:10.1109/TALE48000.2019.9225903
Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H。为智能导师系统构建面部表情识别器和面部表情数据库。 见：2017 IEEE 17th International Conference on Advanced Learning Technologies (ICALT). ; 2017:391-393. doi:10.1109/ICALT.2017.141
Kurent P。未来技术在高中和大学的整合。 见：2017 40th International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO). ; 2017:858-861. doi:10.23919/MIPRO.2017.7973541
White-Foy J。学生神经科学：一个向中学生介绍脑电图和脑机接口技术的项目。Praxis 教师研究。2019年11月29日发表。2022年6月15日访问。https://praxis-teacher-research.org/neuroscience-for-students/
Kosmyna, Nataliya, Nathalie Soetaert, and Cassandra Scheirer。“在课堂中使用脑机接口促进正式教育活动的实验研究。” 未来技术会议论文集。Springer, Cham, 2021。
Alvarez, V., Bower, M., de Freitas, S., Gregory, S. and De Wit, B., 2016。可穿戴技术在澳大利亚大学的使用：以环境科学、认知与脑科学以及教师培训为例。移动学习未来：维持移动学习的质量研究与实践，25。
Rodríguez, A.O.R., Riaño, M.A., García, P.A.G., Marín, C.E.M., Crespo, R.G. and Wu, X., 2020。通过使用学习分析技术和AR-Sandbox的学习环境实现儿童的情感表征。《环境智能与人性化计算杂志》（Journal of Ambient Intelligence and Humanized Computing）, 11(11), 第5353-5367页。
教育是我们社会的基石，提供丰富的学习环境对于社会进步至关重要。教育神经科学是一个快速发展的跨学科领域，旨在理解教学和学习的神经学机制。
在过去的二十年中，便携式脑电图（EEG）技术的进步使研究人员能够在教室和电子学习中应用EEG头戴式设备，从而为学生创造最佳的学习环境[1]。在这篇文章中，我们将探讨Emotiv的EEG头戴式设备如何被用来改变我们的教学和学习方式。
优化教学内容
设计有吸引力的教育内容需要来自学生持续的主观反馈。传统上，确定一门课程内容的有效性是通过在课程结束时进行自报式反馈评估来完成的。
然而，由于依赖主观记忆，通常很难准确找出课程交付中哪些方面可以得到改进。由于脑电图（EEG）具有高时间分辨率（即其在毫秒级测量大脑反应的能力），它能够索引前意识过程，而这些过程如果是仅靠自报测量方法是无法识别的。在优化课程内容时，最有用的指标是注意力水平和认知负荷 —— 认知负荷是衡量大脑为保留信息所付出努力程度的指标。注意力通常是通过分析在一边学习一边观察到的EEG中的不同脑波来测量的，例如 alpha 波（通常与疲劳有关）和 beta 波（通常与警觉或专注有关）的水平。认知负荷是一个更复杂的指标，也可以通过不同水平的 alpha 波和 theta 波来进行索引。
研究人员已经开发了带有脑电图的系统来监测注意力，从而可以评估整个课程过程中的注意力水平。Zhou等人成功展示了一个实时系统，该系统可以监测参与大规模在线开放课程（MOOC）的在线学习学生的认知负荷，这为实时优化课程内容铺平了道路 [2]。
轻松分析认知状态
正如在先前的这些研究中所显示的那样，测量认知状态可能需要一些技术技巧和专业知识。幸运的是，数据科学的进步使人们能够以极少的技术专业知识，使用预先构建的算法来测量认知状态。Emotiv支持使用Performance Metrics（性能指标）：开发用于识别脑电图（EEG）中不同的脑状态（包括专注、兴奋、参与、挫败、压力和放松）的机器学习算法。
这些算法是通过专门针对引发特定认知状态的受控实验构建的，可用于优化教学内容。这些Emotiv性能指标已被用于比较基于游戏的学习与传统的纸笔学习，尽管研究表明这两种学习方法之间的认知状态没有差异[3]。其他研究人员已经展示了性能指标在根据参与度、压力和专注力等认知状态对5-7岁的小朋友进行分组的实用性，以评估在增强现实环境中活动的有效性。
上图：(A) 脑电图可用于测量高中课堂中学生的脑波（来自：Dikker等 [4]）。 (B) 学生的脑波可以显示出与其他学生高度的同步性，据研究发现，在课堂中参与度更高的学生其同步性更高（左图）。与其他学生同步性低（右图）的是在课堂中参与度较低的学生。
改善学习环境
不仅教育教材的内容重要，我们在何时何地进行学习，对于确保学生获得良好的学习体验也同样具有重要意义。研究人员测量了不同课堂时间段内 alpha 波的水平，并发现上午高中的课程展现出的 alpha 波少于清晨，由此提出上午或许是最佳的学习时间[4]。
无线脑电图（EEG）还被用于比较真实环境与虚拟环境，展示了在两种环境中提供同等水平的注意力和动力的能力[5]。这可为身体有残疾、无法亲自到校上课的人群铺平通往更丰富学习体验的道路。研究人员还使用EEG对课堂上的社会动力学进行了研究。可以通过佩戴脑电图头戴设备的学生群体，来评估他们在共同学习过程中神经活动的同步程度[6][7]。这种EEG数据收集方法被称为EEG hyperscanning（EEG超扫描），是朝着实时推断群体注意力和改善课堂中社会动力学迈出的一步。
让所有人都能接受教育
某些身体或感官上的困难可能会限制学生在课堂上的学习体验。不过，有些基于脑电图（EEG）的工具可以改善这些体验。脑机接口（BCI）技术的进步使基于EEG的打字成为可能 [8][9]，这有助于面临身体困难的学生在学习时可以在他们的计算设备上记录心理笔记。使基于EEG的能够回答“是否”类型问题的BCIs，也使有视力障碍的学生可以使用基于计算机的测试来进行评估，而在以前，这必须要通过面试官才能完成 [10]。
个性化的学习体验
为学生提供私人导师可能很昂贵，但在普通教育系统无法满足独特的学习需求时，这通常必不可少。智能导师系统（ITS）是一类在人工智能支持下的、可充当个人导师的基于计算机的学习软件。
这些系统的目标是进行适应并为学生提供实时的个性化反馈，以增强他们的学习体验。研究人员目前正通过将ITS系统与EEG集成来推进这项技术。在一项研究中，研究人员使用EEG来检测学生对不同类型的教育视频（动画内容对比有真人教师的视频）的参与度，这使得ITS能够进行学习并自动生成学生会更感兴趣的内容。
当你从教学过程中去除人的因素时，在进行基于计算机的学习计划时，跟踪学生的认知负荷以防止压力和屏幕疲劳就变得越来越重要。为了应对这一点，研究人员开发了一个基于EEG数据的面部表情数据库，该数据库在学生使用ITS时，主动检测他们处于无聊、参与、兴奋还是挫败状态 [11]。
这一项使用脑电图（EEG）的发展为让ITS系统不断学习并适应每个学生的个性化需求铺平了道路；通过在他们疲倦时建议休息，或在他们参与时继续教学，为学生提供更有效的学习体验。
上图：纽约大学 (NYU) BrainWaves 项目的学生在佩戴着Emotiv EEG大脑技术设备进行游戏。
EEG作为STEM学习工具
Emotiv EEG设备和软件易于使用，同时不失为启发下一代科学、技术、工程和数学（STEM）科学家的优秀入门工具。
Emotiv设备和软件目前正应用于高校本科课程，不仅在心理学和神经科学，也应用于生物医学工程。Kurent 展示了一个将 Emotiv EPOC 设备成功整合到高中和大学教育过程中的例子，推动了BCI设备的发展。Kosmayana 等人发现，在学校课程中引入EEG-BCI系统能够提升学业表现。麦考瑞大学已展示出成功将Emotiv设备纳入其认知与脑科学学士课程中，为学生提供实验设计和EEG数据分析的实操经验 [14]。
此外，White-Foy 表明，仅有 12 岁的孩子也可以成功学习BCI技术，并设置小型的EEG研究项目[13]。学生们利用在线资源将一个 Emotiv Insight 设备与一个 Raspberry Pi（微型计算机）集成，该微型计算机可以将EEG转换为命令来控制一个遥控的星球大战玩具（BB-8），并导航它通过迷宫。
上图：中学NeuroLab。11-18岁的学生将Raspberry Pi 和 BB-8 机器人与Emotiv设备集成，并通过意念命令引导 BB-8 穿过迷宫（共享自 NeuroLabs 许可授权）
我们可以看到，低成本，便携移动式的Emotiv EEG设备不仅为教育者提供了提高教育课程质量的方法，以交付优秀的内容，而且结合BCI的发展，它也致力于为有特殊需求的个体提供丰富的教育环境。
Emotiv 能如何帮助您
通过 Emotiv EEG Lab Starter Kits 改善学生的学习体验。
使用 EmotivPRO Builder 构建实验并分析数据。
在 EmotivLABS 上发布远程实验以获取数据。
使用我们的 open-source data set（开源数据集）。
需要帮助？联系我们
封面图片来源：Trevor Day School
参考文献
J. Xu and B. Zhong，“教育研究中便携式脑电图技术综述”，《人类行为中的计算机》（Computers in Human Behavior），第81卷，第340-349页，2018年4月，doi：10.1016/j.chb.2017.12.037。
Zhou Y, Xu T, Cai Y, Wu X, Dong B。通过基于EEG的脑机接口监测在线视频学习中的认知负荷。人工智能与生物信息学学术报告集。2017;10295 LNCS:64-73. doi:10.1007/978-3-319-58509-3_7
Pireva K, Tahir R, Shariq Imran A, Chaudhary N。通过监测脑电波评估学习者的情绪状态，以比较基于游戏的学习方法与传统的纸笔方式。 见：2019 IEEE Frontiers in Education Conference (FIE). ; 2019:1-8. doi:10.1109/FIE43999.2019.9097262
Dikker S, Haegens S, Bevilacqua D, 等。清晨大脑：真实世界中高中上课时间重要性的神经学证据。社会认知与情感神经学。2020;15(11):1193-1202. doi:10.1093/scan/nsaa142
Romero-Soto FO, Ibarra-Zárate DI, Alonso-Valerdi LM。真实和虚拟环境中Alpha波功率谱密度的比较分析。 见：Vol 75. ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22
Dikker S, Wan L, Davidesco I, 等。大脑对大脑同步追踪课堂上真实世界动态团体互动。现代生物学（Curr Biol）。2017;27(9):1375-1380. doi:10.1016/j.cub.2017.04.002
Poulsen AT, Kamronn S, Dmochowski J, Parra LC, Hansen LK。课堂中的脑电图：视频呈现过程中的同步神经记录。科学报告。2017;7(1):43916. doi:10.1038/srep43916
Al-Negheimish H, Al-Andas L, Al-Mofeez L, Al-Abdullatif A, Al-Khalifa N, Al-Wabil A。脑波输入：使用干电极EEG设备进行输入的P300与运动想象的比较研究。 见：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
Zhang X, Yao L, Sheng QZ, Kanhere SS, Gu T, Zhang D。将你的想法转换为文本：通过脑电信号深度特征学习实现大脑打字。 见：2018 IEEE International Conference on Pervasive Computing and Communications (PerCom). ; 2018:1-10. doi:10.1109/PERCOM.2018.8444575
Yosrita E, Heryadi Y, Wulandhari LA, Budiharto W。在有“是-否”回答的考试模式中基于大脑电图对视觉受损学生进行单词识别。 见：; 2019. doi:10.1109/TALE48000.2019.9225903
Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H。为智能导师系统构建面部表情识别器和面部表情数据库。 见：2017 IEEE 17th International Conference on Advanced Learning Technologies (ICALT). ; 2017:391-393. doi:10.1109/ICALT.2017.141
Kurent P。未来技术在高中和大学的整合。 见：2017 40th International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO). ; 2017:858-861. doi:10.23919/MIPRO.2017.7973541
White-Foy J。学生神经科学：一个向中学生介绍脑电图和脑机接口技术的项目。Praxis 教师研究。2019年11月29日发表。2022年6月15日访问。https://praxis-teacher-research.org/neuroscience-for-students/
Kosmyna, Nataliya, Nathalie Soetaert, and Cassandra Scheirer。“在课堂中使用脑机接口促进正式教育活动的实验研究。” 未来技术会议论文集。Springer, Cham, 2021。
Alvarez, V., Bower, M., de Freitas, S., Gregory, S. and De Wit, B., 2016。可穿戴技术在澳大利亚大学的使用：以环境科学、认知与脑科学以及教师培训为例。移动学习未来：维持移动学习的质量研究与实践，25。
Rodríguez, A.O.R., Riaño, M.A., García, P.A.G., Marín, C.E.M., Crespo, R.G. and Wu, X., 2020。通过使用学习分析技术和AR-Sandbox的学习环境实现儿童的情感表征。《环境智能与人性化计算杂志》（Journal of Ambient Intelligence and Humanized Computing）, 11(11), 第5353-5367页。
教育是我们社会的基石，提供丰富的学习环境对于社会进步至关重要。教育神经科学是一个快速发展的跨学科领域，旨在理解教学和学习的神经学机制。
在过去的二十年中，便携式脑电图（EEG）技术的进步使研究人员能够在教室和电子学习中应用EEG头戴式设备，从而为学生创造最佳的学习环境[1]。在这篇文章中，我们将探讨Emotiv的EEG头戴式设备如何被用来改变我们的教学和学习方式。
优化教学内容
设计有吸引力的教育内容需要来自学生持续的主观反馈。传统上，确定一门课程内容的有效性是通过在课程结束时进行自报式反馈评估来完成的。
然而，由于依赖主观记忆，通常很难准确找出课程交付中哪些方面可以得到改进。由于脑电图（EEG）具有高时间分辨率（即其在毫秒级测量大脑反应的能力），它能够索引前意识过程，而这些过程如果是仅靠自报测量方法是无法识别的。在优化课程内容时，最有用的指标是注意力水平和认知负荷 —— 认知负荷是衡量大脑为保留信息所付出努力程度的指标。注意力通常是通过分析在一边学习一边观察到的EEG中的不同脑波来测量的，例如 alpha 波（通常与疲劳有关）和 beta 波（通常与警觉或专注有关）的水平。认知负荷是一个更复杂的指标，也可以通过不同水平的 alpha 波和 theta 波来进行索引。
研究人员已经开发了带有脑电图的系统来监测注意力，从而可以评估整个课程过程中的注意力水平。Zhou等人成功展示了一个实时系统，该系统可以监测参与大规模在线开放课程（MOOC）的在线学习学生的认知负荷，这为实时优化课程内容铺平了道路 [2]。
轻松分析认知状态
正如在先前的这些研究中所显示的那样，测量认知状态可能需要一些技术技巧和专业知识。幸运的是，数据科学的进步使人们能够以极少的技术专业知识，使用预先构建的算法来测量认知状态。Emotiv支持使用Performance Metrics（性能指标）：开发用于识别脑电图（EEG）中不同的脑状态（包括专注、兴奋、参与、挫败、压力和放松）的机器学习算法。
这些算法是通过专门针对引发特定认知状态的受控实验构建的，可用于优化教学内容。这些Emotiv性能指标已被用于比较基于游戏的学习与传统的纸笔学习，尽管研究表明这两种学习方法之间的认知状态没有差异[3]。其他研究人员已经展示了性能指标在根据参与度、压力和专注力等认知状态对5-7岁的小朋友进行分组的实用性，以评估在增强现实环境中活动的有效性。
上图：(A) 脑电图可用于测量高中课堂中学生的脑波（来自：Dikker等 [4]）。 (B) 学生的脑波可以显示出与其他学生高度的同步性，据研究发现，在课堂中参与度更高的学生其同步性更高（左图）。与其他学生同步性低（右图）的是在课堂中参与度较低的学生。
改善学习环境
不仅教育教材的内容重要，我们在何时何地进行学习，对于确保学生获得良好的学习体验也同样具有重要意义。研究人员测量了不同课堂时间段内 alpha 波的水平，并发现上午高中的课程展现出的 alpha 波少于清晨，由此提出上午或许是最佳的学习时间[4]。
无线脑电图（EEG）还被用于比较真实环境与虚拟环境，展示了在两种环境中提供同等水平的注意力和动力的能力[5]。这可为身体有残疾、无法亲自到校上课的人群铺平通往更丰富学习体验的道路。研究人员还使用EEG对课堂上的社会动力学进行了研究。可以通过佩戴脑电图头戴设备的学生群体，来评估他们在共同学习过程中神经活动的同步程度[6][7]。这种EEG数据收集方法被称为EEG hyperscanning（EEG超扫描），是朝着实时推断群体注意力和改善课堂中社会动力学迈出的一步。
让所有人都能接受教育
某些身体或感官上的困难可能会限制学生在课堂上的学习体验。不过，有些基于脑电图（EEG）的工具可以改善这些体验。脑机接口（BCI）技术的进步使基于EEG的打字成为可能 [8][9]，这有助于面临身体困难的学生在学习时可以在他们的计算设备上记录心理笔记。使基于EEG的能够回答“是否”类型问题的BCIs，也使有视力障碍的学生可以使用基于计算机的测试来进行评估，而在以前，这必须要通过面试官才能完成 [10]。
个性化的学习体验
为学生提供私人导师可能很昂贵，但在普通教育系统无法满足独特的学习需求时，这通常必不可少。智能导师系统（ITS）是一类在人工智能支持下的、可充当个人导师的基于计算机的学习软件。
这些系统的目标是进行适应并为学生提供实时的个性化反馈，以增强他们的学习体验。研究人员目前正通过将ITS系统与EEG集成来推进这项技术。在一项研究中，研究人员使用EEG来检测学生对不同类型的教育视频（动画内容对比有真人教师的视频）的参与度，这使得ITS能够进行学习并自动生成学生会更感兴趣的内容。
当你从教学过程中去除人的因素时，在进行基于计算机的学习计划时，跟踪学生的认知负荷以防止压力和屏幕疲劳就变得越来越重要。为了应对这一点，研究人员开发了一个基于EEG数据的面部表情数据库，该数据库在学生使用ITS时，主动检测他们处于无聊、参与、兴奋还是挫败状态 [11]。
这一项使用脑电图（EEG）的发展为让ITS系统不断学习并适应每个学生的个性化需求铺平了道路；通过在他们疲倦时建议休息，或在他们参与时继续教学，为学生提供更有效的学习体验。
上图：纽约大学 (NYU) BrainWaves 项目的学生在佩戴着Emotiv EEG大脑技术设备进行游戏。
EEG作为STEM学习工具
Emotiv EEG设备和软件易于使用，同时不失为启发下一代科学、技术、工程和数学（STEM）科学家的优秀入门工具。
Emotiv设备和软件目前正应用于高校本科课程，不仅在心理学和神经科学，也应用于生物医学工程。Kurent 展示了一个将 Emotiv EPOC 设备成功整合到高中和大学教育过程中的例子，推动了BCI设备的发展。Kosmayana 等人发现，在学校课程中引入EEG-BCI系统能够提升学业表现。麦考瑞大学已展示出成功将Emotiv设备纳入其认知与脑科学学士课程中，为学生提供实验设计和EEG数据分析的实操经验 [14]。
此外，White-Foy 表明，仅有 12 岁的孩子也可以成功学习BCI技术，并设置小型的EEG研究项目[13]。学生们利用在线资源将一个 Emotiv Insight 设备与一个 Raspberry Pi（微型计算机）集成，该微型计算机可以将EEG转换为命令来控制一个遥控的星球大战玩具（BB-8），并导航它通过迷宫。
上图：中学NeuroLab。11-18岁的学生将Raspberry Pi 和 BB-8 机器人与Emotiv设备集成，并通过意念命令引导 BB-8 穿过迷宫（共享自 NeuroLabs 许可授权）
我们可以看到，低成本，便携移动式的Emotiv EEG设备不仅为教育者提供了提高教育课程质量的方法，以交付优秀的内容，而且结合BCI的发展，它也致力于为有特殊需求的个体提供丰富的教育环境。
Emotiv 能如何帮助您
通过 Emotiv EEG Lab Starter Kits 改善学生的学习体验。
使用 EmotivPRO Builder 构建实验并分析数据。
在 EmotivLABS 上发布远程实验以获取数据。
使用我们的 open-source data set（开源数据集）。
需要帮助？联系我们
封面图片来源：Trevor Day School
参考文献
J. Xu and B. Zhong，“教育研究中便携式脑电图技术综述”，《人类行为中的计算机》（Computers in Human Behavior），第81卷，第340-349页，2018年4月，doi：10.1016/j.chb.2017.12.037。
Zhou Y, Xu T, Cai Y, Wu X, Dong B。通过基于EEG的脑机接口监测在线视频学习中的认知负荷。人工智能与生物信息学学术报告集。2017;10295 LNCS:64-73. doi:10.1007/978-3-319-58509-3_7
Pireva K, Tahir R, Shariq Imran A, Chaudhary N。通过监测脑电波评估学习者的情绪状态，以比较基于游戏的学习方法与传统的纸笔方式。 见：2019 IEEE Frontiers in Education Conference (FIE). ; 2019:1-8. doi:10.1109/FIE43999.2019.9097262
Dikker S, Haegens S, Bevilacqua D, 等。清晨大脑：真实世界中高中上课时间重要性的神经学证据。社会认知与情感神经学。2020;15(11):1193-1202. doi:10.1093/scan/nsaa142
Romero-Soto FO, Ibarra-Zárate DI, Alonso-Valerdi LM。真实和虚拟环境中Alpha波功率谱密度的比较分析。 见：Vol 75. ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22
Dikker S, Wan L, Davidesco I, 等。大脑对大脑同步追踪课堂上真实世界动态团体互动。现代生物学（Curr Biol）。2017;27(9):1375-1380. doi:10.1016/j.cub.2017.04.002
Poulsen AT, Kamronn S, Dmochowski J, Parra LC, Hansen LK。课堂中的脑电图：视频呈现过程中的同步神经记录。科学报告。2017;7(1):43916. doi:10.1038/srep43916
Al-Negheimish H, Al-Andas L, Al-Mofeez L, Al-Abdullatif A, Al-Khalifa N, Al-Wabil A。脑波输入：使用干电极EEG设备进行输入的P300与运动想象的比较研究。 见：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
Zhang X, Yao L, Sheng QZ, Kanhere SS, Gu T, Zhang D。将你的想法转换为文本：通过脑电信号深度特征学习实现大脑打字。 见：2018 IEEE International Conference on Pervasive Computing and Communications (PerCom). ; 2018:1-10. doi:10.1109/PERCOM.2018.8444575
Yosrita E, Heryadi Y, Wulandhari LA, Budiharto W。在有“是-否”回答的考试模式中基于大脑电图对视觉受损学生进行单词识别。 见：; 2019. doi:10.1109/TALE48000.2019.9225903
Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H。为智能导师系统构建面部表情识别器和面部表情数据库。 见：2017 IEEE 17th International Conference on Advanced Learning Technologies (ICALT). ; 2017:391-393. doi:10.1109/ICALT.2017.141
Kurent P。未来技术在高中和大学的整合。 见：2017 40th International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO). ; 2017:858-861. doi:10.23919/MIPRO.2017.7973541
White-Foy J。学生神经科学：一个向中学生介绍脑电图和脑机接口技术的项目。Praxis 教师研究。2019年11月29日发表。2022年6月15日访问。https://praxis-teacher-research.org/neuroscience-for-students/
Kosmyna, Nataliya, Nathalie Soetaert, and Cassandra Scheirer。“在课堂中使用脑机接口促进正式教育活动的实验研究。” 未来技术会议论文集。Springer, Cham, 2021。
Alvarez, V., Bower, M., de Freitas, S., Gregory, S. and De Wit, B., 2016。可穿戴技术在澳大利亚大学的使用：以环境科学、认知与脑科学以及教师培训为例。移动学习未来：维持移动学习的质量研究与实践，25。
Rodríguez, A.O.R., Riaño, M.A., García, P.A.G., Marín, C.E.M., Crespo, R.G. and Wu, X., 2020。通过使用学习分析技术和AR-Sandbox的学习环境实现儿童的情感表征。《环境智能与人性化计算杂志》（Journal of Ambient Intelligence and Humanized Computing）, 11(11), 第5353-5367页。
继续阅读