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
教育是我们社会的重要支柱，而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机制。
在过去的二十年里，便携式脑电图（EEG）技术的进步使研究人员能够在课堂和在线学习中使用EEG头戴设备，为学生创造最佳的学习环境 [1]。在这篇文章中，我们将了解如何使用 Emotiv 的EEG头戴设备来改变我们的教学和学习方式。
优化教育内容
设计具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我报告的反馈评估来进行的。
然而，由于依赖主观记忆，通常很难准确隔离课程讲授中哪些方面可以得到改进。由于EEG具有高时间分辨率（即在一毫秒尺度内测量大脑反应的能力），它能够索引前意识过程，而这些过程在单纯的自我报告测量中无法被识别。在优化课程内容时，最有用的指标是专注度水平和认知负荷——即大脑为了保留信息而付出的努力程度。专注度通常是通过分析某人在学习时EEG中观察到的不同脑电波来衡量的——例如阿尔法波（通常与疲劳有关）和贝塔波（通常与保持警觉或专注有关）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阿尔法波和西塔波来索引。
研究人员已经开发出了可以通过EEG监测专注度的系统，从而可以评估整个课程中的专注度水平。Zhou等人成功演示了一个实时系统，用于监测参与大规模开放在线课程（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]。
让分析认知状态变得简单
衡量认知状态，如先前的研究所展示的，可能需要一些技术技巧和专业知识。幸运的是，数据科学的进步使我们现在能够使用预建算法以极少的技术专业知识来衡量认知状态。Emotiv 使得使用性能指标（Performance Metrics）成为可能：这些机器学习算法旨在识别EEG中不同的脑电状态，包括专注、兴奋、参与、沮丧、压力和放松。
这些算法是通过设计用于诱发特定认知状态的受控实验构建的，对于优化教育内容非常有用。这些 Emotiv 性能指标已被用于比较游戏化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]。其他研究人员已经证明了性能指标在根据参与度、压力和专注等认知状态对5-7岁儿童进行分组方面的实用性，以此来评估增强现实环境中活动的有效性。
上方：(A) EEG可用于测量高中课堂中学生的脑电波（来自：Dikker等 [4]）。 (B) 学生的脑电波可以显示出与其他学生的高度同步，这在课堂上参与度更高的学生中（左）被发现。而与普通学生的低同步性（右）则在参与度较低的学生中被发现。
改善学习环境
不仅教育材料的内容非常重要，我们在何时何地学习对于确保学生获得良好的学习体验也同样重要。研究人员测量了不同课堂时间段的阿尔法波水平，发现上午中段的高中课堂显示的阿尔法波少于清晨，这表明上午中段可能是最佳的学习时间 [4]。
无线EEG也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专注度和动力度的能力 [5]。这可能为那些有身体残疾、无法亲自到课堂上课的人士铺平一条获得更丰富学习体验的道路。研究人员还利用EEG对课堂上的社交动态进行了研究。佩戴EEG头戴设备的一组学生可以被评估他们在共同的学习过程中神经活动同步的程度 [6][7]。这种EEG数据收集方法，称为EEG超扫描（EEG hyperscanning），是向实时推断群体关注度和改善课堂社交动态迈出的一步。
让每个人都能接受教育
一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。然而，目前已经有一些基于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用他们的计算机设备进行心智记录。促成基于EEG的“是/否”型问答脑机接口（BCI）也使得有视觉障碍的学生能够使用计算机考试进行评估，否则这将需要一名面试官 [10]。
个性化学习体验
为学生提供私人导师可能价格昂贵，但当普通教育系统无力应对个性化的学习需求时，这通常又是必要的。智能辅导系统（ITS）是一类拥有人工智能支持的基于计算机的学习软件，其可以充当私人导师。
这些系统的目的在于自适应并为学生提供实时个性化反馈以增强他们的学习。研究人员目前正通过结合EEG来改进智能辅导系统。在一项研究中，研究人员使用EEG来检测学生对不同类型教学视频（动画内容对比有真人类教师的视频）的参与度，这使得智能辅导系统能够学习并自动生成学生会觉得更有趣的内容。
当你在教学过程中去掉人的要素时，在使用基于计算机的学习程序时记录学生的认知负荷以防止压力和屏幕疲劳变得越来越重要。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，用于主动检测学生在使用智能辅导系统时是感到无聊、参与、兴奋还是沮丧 [11]。
结合了EEG的此项进展正为智能辅导系统不断学习并适应个体学生踩平道路。它通过在学生疲劳时建议休息、或者在他们专注时继续教学，来为学生提供更有效的学习体验。
上方：纽约大学（NYU）BrainWaves项目的学生佩戴着 Emotiv 脑电图大脑技术进行游戏。
作为STEM学习工具的EEG
Emotiv 的EEG设备和软件易于使用，并且是一个出色的入门工具，也可以激发下一代科学、技术、工程和数学（STEM）科学家。
Emotiv 设备和软件目前正被用于大学本科阶段的课程，不仅在心理学和神经科学中，也在生物医学工程中。Kurent 分享了一个成功的范例：将 Emotiv EPOC 设备整合到高中和大学级别的教育过程中，以推进脑机接口（BCI）设备的发展。Kosmayana等人发现，将EEG-BCI系统纳入学校课程可以提升学术表现。麦考瑞大学已经演示了将 Emotiv 设备成功纳入其认知与脑科学学士课程的先例，让学生们在实验设计和EEG数据分析中获得一手实践经验 [14]。
此外，White-Foy 证明了小至12岁的儿童也可以成功学习BCI技术并建立小规模的EEG研究项目 [13]。学生们利用在线资源将一个Emotiv Insight设备整合至树莓派（Raspberry Pi，一种微型计算机）中，后者将EEG转换为控制远程星球大战玩具（BB-8）的命令，并导航它穿过迷宫。
上方：中学神经实验室（NeuroLab）。11-18岁的学生将树莓派和 BB-8 机器人与 Emotiv 设备相结合，并使用思维命令控制 BB-8 走过迷宫（共享内容已获 NeuroLabs 许可）
我们可以看到，低色成本、移动的 Emotiv 脑电图（EEG）设备不仅提供了增强教学方案质量的方法，帮助教育工作者讲授优秀的课程内容，而且结合脑机接口（BCI）的发展，它还为有独特需求的人士提供了一个丰富的教育环境。
EMOTIV 怎么能帮到您
通过使用Emotiv EEG Lab 实验室新手入门套装改善您学生的学习体验。
使用EmotivPRO Builder来构建实验及分析数据。
开启在线远程实验，在EmotivLABS上获取数据。
使用我们的开源数据集。
需要帮助？联系我们
封面图片来源：特雷弗时代学校（Trevor Day School）
参考文献
J. Xu and 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.
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
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
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
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
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
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
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
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
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
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
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
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/
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.
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.
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.
教育是我们社会的重要支柱，而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机制。
在过去的二十年里，便携式脑电图（EEG）技术的进步使研究人员能够在课堂和在线学习中使用EEG头戴设备，为学生创造最佳的学习环境 [1]。在这篇文章中，我们将了解如何使用 Emotiv 的EEG头戴设备来改变我们的教学和学习方式。
优化教育内容
设计具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我报告的反馈评估来进行的。
然而，由于依赖主观记忆，通常很难准确隔离课程讲授中哪些方面可以得到改进。由于EEG具有高时间分辨率（即在一毫秒尺度内测量大脑反应的能力），它能够索引前意识过程，而这些过程在单纯的自我报告测量中无法被识别。在优化课程内容时，最有用的指标是专注度水平和认知负荷——即大脑为了保留信息而付出的努力程度。专注度通常是通过分析某人在学习时EEG中观察到的不同脑电波来衡量的——例如阿尔法波（通常与疲劳有关）和贝塔波（通常与保持警觉或专注有关）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阿尔法波和西塔波来索引。
研究人员已经开发出了可以通过EEG监测专注度的系统，从而可以评估整个课程中的专注度水平。Zhou等人成功演示了一个实时系统，用于监测参与大规模开放在线课程（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]。
让分析认知状态变得简单
衡量认知状态，如先前的研究所展示的，可能需要一些技术技巧和专业知识。幸运的是，数据科学的进步使我们现在能够使用预建算法以极少的技术专业知识来衡量认知状态。Emotiv 使得使用性能指标（Performance Metrics）成为可能：这些机器学习算法旨在识别EEG中不同的脑电状态，包括专注、兴奋、参与、沮丧、压力和放松。
这些算法是通过设计用于诱发特定认知状态的受控实验构建的，对于优化教育内容非常有用。这些 Emotiv 性能指标已被用于比较游戏化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]。其他研究人员已经证明了性能指标在根据参与度、压力和专注等认知状态对5-7岁儿童进行分组方面的实用性，以此来评估增强现实环境中活动的有效性。
上方：(A) EEG可用于测量高中课堂中学生的脑电波（来自：Dikker等 [4]）。 (B) 学生的脑电波可以显示出与其他学生的高度同步，这在课堂上参与度更高的学生中（左）被发现。而与普通学生的低同步性（右）则在参与度较低的学生中被发现。
改善学习环境
不仅教育材料的内容非常重要，我们在何时何地学习对于确保学生获得良好的学习体验也同样重要。研究人员测量了不同课堂时间段的阿尔法波水平，发现上午中段的高中课堂显示的阿尔法波少于清晨，这表明上午中段可能是最佳的学习时间 [4]。
无线EEG也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专注度和动力度的能力 [5]。这可能为那些有身体残疾、无法亲自到课堂上课的人士铺平一条获得更丰富学习体验的道路。研究人员还利用EEG对课堂上的社交动态进行了研究。佩戴EEG头戴设备的一组学生可以被评估他们在共同的学习过程中神经活动同步的程度 [6][7]。这种EEG数据收集方法，称为EEG超扫描（EEG hyperscanning），是向实时推断群体关注度和改善课堂社交动态迈出的一步。
让每个人都能接受教育
一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。然而，目前已经有一些基于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用他们的计算机设备进行心智记录。促成基于EEG的“是/否”型问答脑机接口（BCI）也使得有视觉障碍的学生能够使用计算机考试进行评估，否则这将需要一名面试官 [10]。
个性化学习体验
为学生提供私人导师可能价格昂贵，但当普通教育系统无力应对个性化的学习需求时，这通常又是必要的。智能辅导系统（ITS）是一类拥有人工智能支持的基于计算机的学习软件，其可以充当私人导师。
这些系统的目的在于自适应并为学生提供实时个性化反馈以增强他们的学习。研究人员目前正通过结合EEG来改进智能辅导系统。在一项研究中，研究人员使用EEG来检测学生对不同类型教学视频（动画内容对比有真人类教师的视频）的参与度，这使得智能辅导系统能够学习并自动生成学生会觉得更有趣的内容。
当你在教学过程中去掉人的要素时，在使用基于计算机的学习程序时记录学生的认知负荷以防止压力和屏幕疲劳变得越来越重要。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，用于主动检测学生在使用智能辅导系统时是感到无聊、参与、兴奋还是沮丧 [11]。
结合了EEG的此项进展正为智能辅导系统不断学习并适应个体学生踩平道路。它通过在学生疲劳时建议休息、或者在他们专注时继续教学，来为学生提供更有效的学习体验。
上方：纽约大学（NYU）BrainWaves项目的学生佩戴着 Emotiv 脑电图大脑技术进行游戏。
作为STEM学习工具的EEG
Emotiv 的EEG设备和软件易于使用，并且是一个出色的入门工具，也可以激发下一代科学、技术、工程和数学（STEM）科学家。
Emotiv 设备和软件目前正被用于大学本科阶段的课程，不仅在心理学和神经科学中，也在生物医学工程中。Kurent 分享了一个成功的范例：将 Emotiv EPOC 设备整合到高中和大学级别的教育过程中，以推进脑机接口（BCI）设备的发展。Kosmayana等人发现，将EEG-BCI系统纳入学校课程可以提升学术表现。麦考瑞大学已经演示了将 Emotiv 设备成功纳入其认知与脑科学学士课程的先例，让学生们在实验设计和EEG数据分析中获得一手实践经验 [14]。
此外，White-Foy 证明了小至12岁的儿童也可以成功学习BCI技术并建立小规模的EEG研究项目 [13]。学生们利用在线资源将一个Emotiv Insight设备整合至树莓派（Raspberry Pi，一种微型计算机）中，后者将EEG转换为控制远程星球大战玩具（BB-8）的命令，并导航它穿过迷宫。
上方：中学神经实验室（NeuroLab）。11-18岁的学生将树莓派和 BB-8 机器人与 Emotiv 设备相结合，并使用思维命令控制 BB-8 走过迷宫（共享内容已获 NeuroLabs 许可）
我们可以看到，低色成本、移动的 Emotiv 脑电图（EEG）设备不仅提供了增强教学方案质量的方法，帮助教育工作者讲授优秀的课程内容，而且结合脑机接口（BCI）的发展，它还为有独特需求的人士提供了一个丰富的教育环境。
EMOTIV 怎么能帮到您
通过使用Emotiv EEG Lab 实验室新手入门套装改善您学生的学习体验。
使用EmotivPRO Builder来构建实验及分析数据。
开启在线远程实验，在EmotivLABS上获取数据。
使用我们的开源数据集。
需要帮助？联系我们
封面图片来源：特雷弗时代学校（Trevor Day School）
参考文献
J. Xu and 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.
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
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
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
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
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
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
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
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
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
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
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
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/
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.
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.
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.
教育是我们社会的重要支柱，而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机制。
在过去的二十年里，便携式脑电图（EEG）技术的进步使研究人员能够在课堂和在线学习中使用EEG头戴设备，为学生创造最佳的学习环境 [1]。在这篇文章中，我们将了解如何使用 Emotiv 的EEG头戴设备来改变我们的教学和学习方式。
优化教育内容
设计具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我报告的反馈评估来进行的。
然而，由于依赖主观记忆，通常很难准确隔离课程讲授中哪些方面可以得到改进。由于EEG具有高时间分辨率（即在一毫秒尺度内测量大脑反应的能力），它能够索引前意识过程，而这些过程在单纯的自我报告测量中无法被识别。在优化课程内容时，最有用的指标是专注度水平和认知负荷——即大脑为了保留信息而付出的努力程度。专注度通常是通过分析某人在学习时EEG中观察到的不同脑电波来衡量的——例如阿尔法波（通常与疲劳有关）和贝塔波（通常与保持警觉或专注有关）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阿尔法波和西塔波来索引。
研究人员已经开发出了可以通过EEG监测专注度的系统，从而可以评估整个课程中的专注度水平。Zhou等人成功演示了一个实时系统，用于监测参与大规模开放在线课程（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]。
让分析认知状态变得简单
衡量认知状态，如先前的研究所展示的，可能需要一些技术技巧和专业知识。幸运的是，数据科学的进步使我们现在能够使用预建算法以极少的技术专业知识来衡量认知状态。Emotiv 使得使用性能指标（Performance Metrics）成为可能：这些机器学习算法旨在识别EEG中不同的脑电状态，包括专注、兴奋、参与、沮丧、压力和放松。
这些算法是通过设计用于诱发特定认知状态的受控实验构建的，对于优化教育内容非常有用。这些 Emotiv 性能指标已被用于比较游戏化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]。其他研究人员已经证明了性能指标在根据参与度、压力和专注等认知状态对5-7岁儿童进行分组方面的实用性，以此来评估增强现实环境中活动的有效性。
上方：(A) EEG可用于测量高中课堂中学生的脑电波（来自：Dikker等 [4]）。 (B) 学生的脑电波可以显示出与其他学生的高度同步，这在课堂上参与度更高的学生中（左）被发现。而与普通学生的低同步性（右）则在参与度较低的学生中被发现。
改善学习环境
不仅教育材料的内容非常重要，我们在何时何地学习对于确保学生获得良好的学习体验也同样重要。研究人员测量了不同课堂时间段的阿尔法波水平，发现上午中段的高中课堂显示的阿尔法波少于清晨，这表明上午中段可能是最佳的学习时间 [4]。
无线EEG也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专注度和动力度的能力 [5]。这可能为那些有身体残疾、无法亲自到课堂上课的人士铺平一条获得更丰富学习体验的道路。研究人员还利用EEG对课堂上的社交动态进行了研究。佩戴EEG头戴设备的一组学生可以被评估他们在共同的学习过程中神经活动同步的程度 [6][7]。这种EEG数据收集方法，称为EEG超扫描（EEG hyperscanning），是向实时推断群体关注度和改善课堂社交动态迈出的一步。
让每个人都能接受教育
一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。然而，目前已经有一些基于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用他们的计算机设备进行心智记录。促成基于EEG的“是/否”型问答脑机接口（BCI）也使得有视觉障碍的学生能够使用计算机考试进行评估，否则这将需要一名面试官 [10]。
个性化学习体验
为学生提供私人导师可能价格昂贵，但当普通教育系统无力应对个性化的学习需求时，这通常又是必要的。智能辅导系统（ITS）是一类拥有人工智能支持的基于计算机的学习软件，其可以充当私人导师。
这些系统的目的在于自适应并为学生提供实时个性化反馈以增强他们的学习。研究人员目前正通过结合EEG来改进智能辅导系统。在一项研究中，研究人员使用EEG来检测学生对不同类型教学视频（动画内容对比有真人类教师的视频）的参与度，这使得智能辅导系统能够学习并自动生成学生会觉得更有趣的内容。
当你在教学过程中去掉人的要素时，在使用基于计算机的学习程序时记录学生的认知负荷以防止压力和屏幕疲劳变得越来越重要。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，用于主动检测学生在使用智能辅导系统时是感到无聊、参与、兴奋还是沮丧 [11]。
结合了EEG的此项进展正为智能辅导系统不断学习并适应个体学生踩平道路。它通过在学生疲劳时建议休息、或者在他们专注时继续教学，来为学生提供更有效的学习体验。
上方：纽约大学（NYU）BrainWaves项目的学生佩戴着 Emotiv 脑电图大脑技术进行游戏。
作为STEM学习工具的EEG
Emotiv 的EEG设备和软件易于使用，并且是一个出色的入门工具，也可以激发下一代科学、技术、工程和数学（STEM）科学家。
Emotiv 设备和软件目前正被用于大学本科阶段的课程，不仅在心理学和神经科学中，也在生物医学工程中。Kurent 分享了一个成功的范例：将 Emotiv EPOC 设备整合到高中和大学级别的教育过程中，以推进脑机接口（BCI）设备的发展。Kosmayana等人发现，将EEG-BCI系统纳入学校课程可以提升学术表现。麦考瑞大学已经演示了将 Emotiv 设备成功纳入其认知与脑科学学士课程的先例，让学生们在实验设计和EEG数据分析中获得一手实践经验 [14]。
此外，White-Foy 证明了小至12岁的儿童也可以成功学习BCI技术并建立小规模的EEG研究项目 [13]。学生们利用在线资源将一个Emotiv Insight设备整合至树莓派（Raspberry Pi，一种微型计算机）中，后者将EEG转换为控制远程星球大战玩具（BB-8）的命令，并导航它穿过迷宫。
上方：中学神经实验室（NeuroLab）。11-18岁的学生将树莓派和 BB-8 机器人与 Emotiv 设备相结合，并使用思维命令控制 BB-8 走过迷宫（共享内容已获 NeuroLabs 许可）
我们可以看到，低色成本、移动的 Emotiv 脑电图（EEG）设备不仅提供了增强教学方案质量的方法，帮助教育工作者讲授优秀的课程内容，而且结合脑机接口（BCI）的发展，它还为有独特需求的人士提供了一个丰富的教育环境。
EMOTIV 怎么能帮到您
通过使用Emotiv EEG Lab 实验室新手入门套装改善您学生的学习体验。
使用EmotivPRO Builder来构建实验及分析数据。
开启在线远程实验，在EmotivLABS上获取数据。
使用我们的开源数据集。
需要帮助？联系我们
封面图片来源：特雷弗时代学校（Trevor Day School）
参考文献
J. Xu and 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.
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
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
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
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
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
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
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
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
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
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
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
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/
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.
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.
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.
继续阅读