如何利用脑电图创造最佳学习环境

作者 Dr. Roshini Randeniya

教育是我们社会的一个基本支柱，提供丰富的学习环境对于社会的进步至关重要。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机制。

在过去二十年中，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使用EEG耳机，为学生创造最佳学习环境 [1]。在这篇文章中，我们将探讨EMOTIV的EEG耳机如何改变我们的教学和学习方式。

优化教育内容

设计引人入胜的教育内容需要来自学生的持续主观反馈。传统上，确定课程内容的有效性通常通过课程完成后的自我报告反馈措施来进行。

然而，由于依赖于主观记忆，往往很难孤立出课程交付中可以改善的具体方面。由于其高时间分辨率（即测量脑反应的时间范围为毫秒），EEG能够索引潜意识过程，这些过程在仅仅依靠自我报告措施时会被忽视。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 - 衡量大脑保持信息所施加的努力。注意力通常通过分析学习过程中观察到的不同脑波来测量，例如alpha波（通常与疲惫相关）和beta波（通常与警觉或专注相关）的水平。认知负荷，这是一种更复杂的测量，也可以通过alpha和theta波的不同水平进行索引。

研究人员开发了能够监测注意力的EEG系统，允许在整个课程中评估注意力水平。Zhou等人成功展示了一个实时系统，用于监测参与大规模在线课程（MOOCs）的电子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

测量认知状态，如先前研究中所示，可能需要一些技术技能和专业知识。幸运的是，数据科学的进步现在使得可以使用预构建的算法来测量认知状态，而只需最少的技术专业知识。Emotiv使得使用绩效指标成为可能：开发用于识别不同脑状态的机器学习算法，包括专注、兴奋、参与、挫折、压力和放松的EEG。

这些算法是通过设计受控实验来引发特定认知状态而构建的，能够有效优化教育内容。这些Emotiv绩效指标已被用于比较基于游戏的学习与传统的纸笔学习，尽管研究显示两种学习方法之间在认知状态上没有差异 [3]。其他研究人员展示了利用绩效指标将5-7岁儿童根据参与、压力和专注等认知状态分类，以评估增强现实环境中活动的有效性。

上述： (A) EEG可用于测量高中教室学生的脑波（来源：Dikker等人 [4]）。 (B) 学生的脑波在与更加专注的学生之间表现出高度同步（左）。低同步与其他学生（右）在不太参与的学生中被找到。

提升学习环境

不仅教育材料的内容重要，学习的时间和地点同样重要，以确保学生能有良好的学习体验。研究人员在不同的课堂时间测量alpha波的水平，发现上午中期的高中课程显示的alpha波低于早晨，并建议上午中期可能是学习的最佳时间 [4]。

无线EEG也被用于比较真实与虚拟环境，证明在两种环境中提供相等的注意力和动机水平的能力 [5]。这可能为身体残疾人士提供更丰富的学习体验铺平了道路，使其无法亲自参加课堂。研究人员还利用EEG对课堂的社交动态进行研究。配备EEG耳机的一组学生可以评估他们在共同学习过程中神经活动的同步性 [6][7]。这种EEG数据收集方法被称为EEG超扫描，是实时推断小组注意力和改善课堂社交动态的一步。

让教育对每个人都可及

一些身体或感官困难可能限制学生在课堂上的学习体验。然而，有一些基于EEG的工具正在改善学生的体验。脑-计算机接口（BCI）技术的进步使EEG基础的打字成为可能 [8][9]，这帮助有身体困难的学生在学习时在其计算设备上做心理笔记。可以通过EEG基础的回答“是-否”类型问题的BCI， 使视力受损的学生可以使用基于计算机的考试来进行评估，这在其他情况下需要面试者 [10]。

个性化学习体验

为学生提供个人导师可能很昂贵，但在普通教育系统无法满足独特学习需求时，这往往是必要的。智能辅导系统（ITS）是一类基于计算机的学习软件，具备人工智能，可以充当个人导师。

这些系统的目的是适应并为学生提供实时的个性化反馈，以增强他们的学习。研究人员目前正在通过将ITS系统与EEG集成来推进ITS系统。在一项研究中，研究人员利用EEG检测学生对不同类型的教育视频（动画内容与人类教师的视频）的参与程度，这使得ITS能够学习并自动生成学生会发现更有趣的内容。

当你从教学过程中移除人类元素时，跟踪学生的认知负荷变得非常重要，以防止在使用基于计算机的学习程序时产生压力和屏幕疲劳。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，能够主动检测学生在使用ITS时是否感到无聊、参与、兴奋或沮丧 [11]。

这种与EEG的发展为ITS系统持续学习和适应个别学生铺平了道路；通过在学生疲劳时建议休息，或在他们参与时继续教学，为学生提供更有效的学习体验。

上述：纽约大学（NYU） BrainWaves 项目的学生在佩戴EMOTIV EEG脑技术的情况下玩游戏。

EEG作为STEM学习工具

Emotiv EEG设备和软件易于使用，也是激励下一代科学、技术、工程和数学（STEM）科学家的优秀入门工具。

Emotiv设备和软件目前正在用于大学本科课程中，不仅限于心理学和神经科学，还包括生物医学工程。Kurent展示了在高中和大学层面将Emotiv EPOC设备整合到教育过程中的成功例子。Kosmayana等人发现，将EEG-BCI系统纳入学校课程能提高学业成绩。麦考瑞大学已经成功地在其认知与脑科学学士课程中纳入了Emotiv设备，使学生在实验设计和EEG数据分析方面获得实践经验 [14]。

此外，White-Foy证明，甚至12岁以下的儿童也能成功学习BCI技术，并设置小规模的EEG研究项目 [13]。学生使用在线资源将EMOTIV Insight设备与Raspberry Pi（一个微型计算机）集成，实时翻译EEG为控制遥控玩具（BB-8）以及通过迷宫。

上述：中学NeuroLab。11-18岁学生集成Raspberry Pi和BB-8机器人与Emotiv设备，并利用心理命令控制BB-8穿越迷宫（经NeuroLabs许可分享）

我们可以看到，低成本、移动的Emotiv EEG设备不仅为教育工作者提供增强教育项目质量的方法，以便传递卓越内容，而且结合BCI的进展，建议为具有独特需求的个人提供丰富的教育环境。

EMOTIV如何提供帮助

• 通过EMOTIV EEG Lab Starter Kits改善您的学生学习体验。

• 使用EmotivPRO Builder构建实验并分析数据。

• 启动远程实验以获取EmotivLABS的数据。

• 使用我们的 开放源数据集。

需要帮助？ 联系我们

 封面图片来源：Trevor Day School

参考文献

1. J. Xu和B. Zhong，“教育研究中便携式EEG技术的评审，” Computers in Human Behavior，第81卷，第340-349页，2018年4月，doi: 10.1016/j.chb.2017.12.037。

2. 周勇、许天、蔡宇、吴晓、董波。通过基于EEG的脑-计算机接口监测在线视频学习中的认知负荷。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。通过监测脑波评估学习者的情感状态，比较基于游戏的学习方法和纸笔学习。在：2019年IEEE教育前沿会议（FIE）。; 2019:1-8. doi:10.1109/FIE43999.2019.9097262

4. Dikker S、Haegens S、Bevilacqua D等。早间大脑：高中的课堂时间重要性的真实世界神经证据。社会认知影响神经科学。2020;15(11):1193-1202. doi:10.1093/scan/nsaa142

5. Romero-Soto FO、Ibarra-Zárate DI、Alonso-Valerdi LM。真实和虚拟环境中阿尔法波谱密度的比较分析。在：第75卷。; 2020:156-163. doi:10.1007/978-3-030-30648-9_22

6. Dikker S、Wan L、Davidesco I等。大脑对大脑同步跟踪课堂中的真实世界动态小组互动。当前生物学。2017;27(9):1375-1380. doi:10.1016/j.cub.2017.04.002

7. Poulsen AT、Kamronn S、Dmochowski J、Parra LC、Hansen LK。课堂中的EEG：视频展示期间同步的神经记录。科学报告。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。脑波打字：P300和运动意象在使用干电极EEG设备打字时的比较研究。在：Stephanidis C，编辑。HCI国际2013 - 海报扩展摘要。计算机与信息科学交流。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。将您的思想转换为文本：通过EEG信号的深度特征学习实现脑打字。在：2018年IEEE国际会议上普遍计算与通信（PerCom）。; 2018:1-10. doi:10.1109/PERCOM.2018.8444575

10. Yosrita E、Heryadi Y、Wulandhari LA、Budiharto W。针对视觉障碍学生的基于EEG的“是-否”问题考试模型中的词识别。在：; 2019. doi:10.1109/TALE48000.2019.9225903

11. Zatarain-Cabada R、Barrón-Estrada ML、González-Hernández F、Rodriguez-Rangel H。为智能辅导系统构建面部表情识别器和面部表情数据库。在：2017年IEEE第17届国际先进学习技术会议（ICALT）。; 2017:391-393. doi:10.1109/ICALT.2017.141

12. Kurent P。将未来技术整合到高中和大学。在：2017年第40届信息和通信技术、电子和微电子国际会议（MIPRO）。; 2017:858-861. doi:10.23919/MIPRO.2017.7973541

13. White-Foy J。为学生提供神经科学：向中学生介绍EEG和脑-计算机接口技术的项目。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/

14. Kosmyna, Nataliya, Nathalie Soetaert和Cassandra Scheirer。"在课堂上使用脑-计算机接口促进正式教育活动的初步研究。《未来技术会议论文集》。Springer, Cham, 2021。

15. Alvarez, V.、Bower, M.、de Freitas, S.、Gregory, S.和De Wit, B.，2016。可穿戴技术在澳大利亚大学中的应用：来自环境科学、认知和脑科学以及师资培训的例子。移动学习未来——在移动学习中维持高质量研究和实践，25。

16. Rodríguez, A.O.R.、Riaño, M.A.、García, P.A.G.、Marín, C.E.M.、Crespo, R.G.和Wu, X.，2020。通过学习分析和AR-Sandbox使用学习环境对儿童进行情感表征。《环境智能与人性化计算杂志》，11(11)，第5353-5367页。