使用移动 EEG 传感器跟踪心理负担
分享：
摘要
本研究的目的是评估移动脑电图（EEG）设备是否可以用于追踪心理负荷，这是学习表现和动机的一个重要方面，因此可能代表了评估认知训练方法中的一个宝贵信息来源。
二十五名健康受试者使用完全移动的设置进行了三水平的N-back测试，包括基于平板的任务呈现和在两个评估时间点上通过自装移动EEG设备进行的EEG数据收集。我们选择了一种双重分析方法，包括方差的标准分析和人工神经网络，以区分认知负荷的水平。我们的发现表明，该设备可以有效检测认知负荷的变化，因为不同频段中的叶片之间的变化被反映出来。特别地，我们观察到在增加认知负荷的情况下，枕叶α波的减少以及额叶、顶叶和枕叶θ波的增加。通过集成的机器学习模型，最明显的认知负荷水平可以被区分，准确率为86%。
结论
在当前的研究中，我们测试了一种完全移动的设置，用于结合EEG记录的认知训练任务，以检测认知负荷。该设备是基于移动EEG设备与平板电脑相结合，以展示认知任务，从而便于自我测试和安装。行为数据的分析证实了任务表现上因任务难度而存在差异。此外，我们发现，在任务难度较高时，枕叶α波频带功率降低，额前θ波频带功率增加，证实了我们的主要假设。此外，自动认知努力分类表明，机器学习方法可以区分最明显的认知负荷水平，准确率为86%。我们的发现表明，完全移动的设置能够检测到不同的认知负荷水平，如频带功率变化所反映的。此外，主观评估的可用性在进行电极装置的初始面对面培训后是足够的。未来的研究需要在更多样化的样本中评估结果，包括更广泛的年龄范围和患者组。
摘要
本研究的目的是评估移动脑电图（EEG）设备是否可以用于追踪心理负荷，这是学习表现和动机的一个重要方面，因此可能代表了评估认知训练方法中的一个宝贵信息来源。
二十五名健康受试者使用完全移动的设置进行了三水平的N-back测试，包括基于平板的任务呈现和在两个评估时间点上通过自装移动EEG设备进行的EEG数据收集。我们选择了一种双重分析方法，包括方差的标准分析和人工神经网络，以区分认知负荷的水平。我们的发现表明，该设备可以有效检测认知负荷的变化，因为不同频段中的叶片之间的变化被反映出来。特别地，我们观察到在增加认知负荷的情况下，枕叶α波的减少以及额叶、顶叶和枕叶θ波的增加。通过集成的机器学习模型，最明显的认知负荷水平可以被区分，准确率为86%。
结论
在当前的研究中，我们测试了一种完全移动的设置，用于结合EEG记录的认知训练任务，以检测认知负荷。该设备是基于移动EEG设备与平板电脑相结合，以展示认知任务，从而便于自我测试和安装。行为数据的分析证实了任务表现上因任务难度而存在差异。此外，我们发现，在任务难度较高时，枕叶α波频带功率降低，额前θ波频带功率增加，证实了我们的主要假设。此外，自动认知努力分类表明，机器学习方法可以区分最明显的认知负荷水平，准确率为86%。我们的发现表明，完全移动的设置能够检测到不同的认知负荷水平，如频带功率变化所反映的。此外，主观评估的可用性在进行电极装置的初始面对面培训后是足够的。未来的研究需要在更多样化的样本中评估结果，包括更广泛的年龄范围和患者组。
摘要
本研究的目的是评估移动脑电图（EEG）设备是否可以用于追踪心理负荷，这是学习表现和动机的一个重要方面，因此可能代表了评估认知训练方法中的一个宝贵信息来源。
二十五名健康受试者使用完全移动的设置进行了三水平的N-back测试，包括基于平板的任务呈现和在两个评估时间点上通过自装移动EEG设备进行的EEG数据收集。我们选择了一种双重分析方法，包括方差的标准分析和人工神经网络，以区分认知负荷的水平。我们的发现表明，该设备可以有效检测认知负荷的变化，因为不同频段中的叶片之间的变化被反映出来。特别地，我们观察到在增加认知负荷的情况下，枕叶α波的减少以及额叶、顶叶和枕叶θ波的增加。通过集成的机器学习模型，最明显的认知负荷水平可以被区分，准确率为86%。
结论
在当前的研究中，我们测试了一种完全移动的设置，用于结合EEG记录的认知训练任务，以检测认知负荷。该设备是基于移动EEG设备与平板电脑相结合，以展示认知任务，从而便于自我测试和安装。行为数据的分析证实了任务表现上因任务难度而存在差异。此外，我们发现，在任务难度较高时，枕叶α波频带功率降低，额前θ波频带功率增加，证实了我们的主要假设。此外，自动认知努力分类表明，机器学习方法可以区分最明显的认知负荷水平，准确率为86%。我们的发现表明，完全移动的设置能够检测到不同的认知负荷水平，如频带功率变化所反映的。此外，主观评估的可用性在进行电极装置的初始面对面培训后是足够的。未来的研究需要在更多样化的样本中评估结果，包括更广泛的年龄范围和患者组。
