如何利用脑电图创造最佳学习环境

由 Dr. Roshini Randeniya 提供

教育是我们社会的根本支柱，提供丰富的学习环境对社会进步至关重要。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机制。

在过去的二十年中，便携式脑电图（EEG）技术的发展使研究人员能够在课堂和电子学习中使用 EEG 头戴设备，为学生创造最佳学习环境 [1]。在本文中，我们将探讨 EMOTIV 的 EEG 头戴设备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，课程内容的有效性是在课程完成后通过自我报告的反馈措施来确定的。

然而，由于依赖主观记忆，通常很难准确隔离课程传递的哪些方面可以得到改善。由于其高时间分辨率（即测量大脑反应的时间量级为毫秒），EEG 能够索引潜意识的过程，而这些过程在仅仅依赖自我报告的测量时是无法被识别的。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 - 这是衡量大脑在保持信息时所付出努力的指标。注意力 通常通过分析学习时 EEG 中观察到的不同脑波来测量 - 例如，α波（通常与疲劳相关）和β波（通常与警觉或专注相关）的水平。认知负荷是一个更复杂的测量，也可以通过不同水平的 α 和 θ 波进行索引。

研究人员开发了能够监测注意力的 EEG 系统，使得可以评估整个课程中的注意力水平。Zhou 等人成功展示了一个实时系统，监测参与大规模开放在线课程（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

如同这些之前的研究，测量认知状态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能够使用预构建的算法来测量认知状态，只需很少的技术专长。Emotiv 使得可以使用 性能指标：机器学习算法，旨在识别不同的脑状态，包括专注、兴奋、参与、挫折、压力和放松状态。

这些算法是基于设计为引发特定认知状态的控制实验构建的，并有助于优化教育内容。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，尽管研究显示两种学习方法之间的认知状态没有差异 [3]。其他研究人员已证明性能指标在根据参与、压力和专注等认知状态将5-7岁儿童分组方面的实用性，以评估增强现实环境中活动的有效性。

上图： (A) EEG 可用于测量高中课堂中学生的脑波（来源：Dikker et al. [4]）。 (B) 学生的脑波可以与其他学生表现出高度同步性，发现这一现象的学生在课堂中更为专注（左）。发现与其他学生（右）的低同步性，表现出这些学生在课堂中参与较少。

增强学习环境

教育材料的内容固然重要，但学习的时间和地点同样对确保学生良好的学习体验至关重要。研究人员在不同的课堂时间测量 α 波的水平，发现中午的高中课程显示的 α 波少于早晨课程，并建议中午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，证实在两种环境中提供相等的注意力和动机水平的能力 [5]。这可能为身体残疾的人提供更丰富的学习体验铺平道路，他们无法亲自出席课堂。研究人员还使用 EEG 进行课堂社交动态研究。配备 EEG 头戴设备的一组学生可以在共同学习过程中评估他们的神经活动同步程度 [6][7]。这种 EEG 数据收集方法称为 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。

让教育对所有人开放

一些身体或感官困难可能会限制学生在课堂上的学习体验。不过，有一些基于 EEG 的工具正在改善学生的体验。脑-机接口（BCI）技术的进步使得基于 EEG 的打字成为可能 [8][9]，这可以帮助有身体困难的学生在学习时在其计算设备上做笔记。BCI 允许使用基于 EEG 的“是-否”类型问题的回答，也使得有视觉障碍的学生可以通过计算机进行评估，这在其他情况下则需要面试官 [10]。

个性化学习体验

为学生提供个人辅导教师可能代价高昂，但在常规教育系统无法满足独特学习需求时往往是必要的。智能辅导系统（ITS）是一种计算机基础的学习软件，搭载人工智能，能够充当个人辅导教师。

这些系统的目标是适应并实时为学生提供个性化反馈，以增强他们的学习。研究人员目前正在通过将 ITS 系统与 EEG 整合来推动 ITS 系统的发展。在一项研究中，研究人员使用 EEG 来检测学生对不同类型教育视频（动画内容与人类教师的视频）的参与程度，允许 ITS 学习并自动生成学生认为更有趣的内容。

当你在教学过程中削弱人类元素时，跟踪学生在使用计算机学习程序时的认知负荷变得愈加重要，以防止压力和屏幕疲劳。为此，研究人员开发了一种基于 EEG 数据的面部表情数据库，主动检测学生在使用 ITS 时是否感到无聊、参与、兴奋或挫败感 [11]。

这项基于 EEG 的发展正在为 ITS 系统的持续学习和适应个别学生铺平道路；通过在他们感到疲惫时建议休息，或在他们感到参与时继续教学，从而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 EMOTIV EEG 脑技术时玩游戏。

EEG 作为 STEM 学习工具

Emotiv EEG 设备和软件易于使用，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 设备和软件目前被用于大学本科课程，不仅在心理学和神经科学中，还是在生物医学工程中。Kurent 展示了将 Emotiv EPOC 设备整合到高中和大学教育过程中的成功实例，以促进 BCI 设备的发展。Kosmayana 等人发现将 EEG-BCI 系统纳入学校课程有助于提高学业表现。麦考瑞大学已经成功展示了将 Emotiv 设备纳入其认知与脑科学学士课程中，使学生能够获得实验设计和 EEG 数据分析的实践经验 [14]。

此外，White-Foy 表明，12 岁的孩子可以成功学习 BCI 技术并设置小规模 EEG 研究项目 [13]。学生们利用在线资源将 EMOTIV Insight 设备与树莓派（微型计算机）集成，同时将 EEG 转换为控制遥控“星球大战”玩具（BB-8）的命令，并使其通过迷宫导航。

上图：中学神经实验室。11-18 岁的学生将树莓派与 BB-8 机器人以及 Emotiv 设备集成，并利用心理命令引导 BB-8 穿过迷宫（经神经实验室许可分享）

我们可以看到，低成本的、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，以便提供卓越内容，并与 BCI 的发展共同提议为有独特需求的个体提供丰富的教育环境。

EMOTIV 如何帮助

• 通过 EMOTIV EEG 实验室入门套件 改善您学生的学习体验。

• 使用 EmotivPRO Builder 构建实验并分析数据。

• 启动远程实验以获取关于 EmotivLABS 的数据。

• 使用我们的 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

1. J. Xu 和 B. Zhong, “关于教育研究中便携式 EEG 技术的评述，” 计算机与人类行为，第 81 卷，第 340-349 页，2018年4月，doi: 10.1016/j.chb.2017.12.037.

2. 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。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，以比较基于游戏的学习方法和纸笔学习。In: 2019 IEEE 教育前沿会议 (FIE). ; 2019:1-8. doi:10.1109/FIE43999.2019.9097262

4. Dikker S, Haegens S, Bevilacqua D, 等人. 早晨的大脑：高中的课程时间影响真实世界神经证据。社会认知情感神经科学。2020;15(11):1193-1202. doi:10.1093/scan/nsaa142

5. Romero-Soto FO, Ibarra-Zárate DI, Alonso-Valerdi LM. 真实与虚拟环境中 α 功率谱密度的比较分析。In: 第 75 卷。 ; 2020:156-163. doi:10.1007/978-3-030-30648-9_22

6. Dikker S, Wan L, Davidesco I, 等人. 脑对脑同步跟踪教室中的真实世界动态小组互动。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. 教室中的 EEG：在视频展示期间的同步神经记录。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：使用干电极 EEG 设备进行 P300 和运动想象打字的比较研究。In: Stephanidis C, ed. HCI International 2013 - 海报扩展摘要。计算机与信息科学的通信。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. 将您的思想转化为文本：通过深度特征学习 EEG 信号启用脑打字。In: 2018 IEEE 国际计算机普及与通信会议 (PerCom). ; 2018:1-10. doi:10.1109/PERCOM.2018.8444575

10. Yosrita E, Heryadi Y, Wulandhari LA, Budiharto W. 基于 EEG 的对视觉障碍学生的考题模型的识别。In: ; 2019. doi:10.1109/TALE48000.2019.9225903

11. Zatarain-Cabada R, Barrón-Estrada ML, González-Hernández F, Rodriguez-Rangel H. 为智能辅导系统建立面部表情识别器和面部表情数据库。In: 2017 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中。In: 2017 第 40 届国际信息与通信技术、电子与微电子大会 (MIPRO). ; 2017:858-861. doi:10.23919/MIPRO.2017.7973541

13. White-Foy J. 为学生提供神经科学：一个向中学生介绍 EEG 和脑-机接口技术的项目。教师实践研究。2019年11月29日发布。2022年6月15日访问。 https://praxis-teacher-research.org/neuroscience-for-students/

14. Kosmyna, Nataliya, Nathalie Soetaert, 和 Cassandra Scheirer. "在教室中使用脑-机接口来促进正式教育活动的试点研究。"未来技术会议的会议录。施普林格，查姆，2021年。

15. Alvarez, V., Bower, M., de Freitas, S., Gregory, S. 和 De Wit, B., 2016年。可穿戴技术在澳大利亚大学中的使用：来自环境科学、认知与脑科学和教师培训的示例。移动学习未来——维持质量研究和实践于移动学习，25。

16. Rodríguez, A.O.R., Riaño, M.A., García, P.A.G., Marín, C.E.M., Crespo, R.G. 和 Wu, X., 2020年。通过学习分析和 AR 沙箱使用学习环境对儿童的情感特征进行分析。《环境智能与人类计算期刊》，11(11)，第5353-5367页。