如何利用脑电图创造最佳学习环境

Roshini Randeniya 博士

更新于

2024年9月11日

如何利用脑电图创造最佳学习环境

Roshini Randeniya 博士

更新于

2024年9月11日

如何利用脑电图创造最佳学习环境

Roshini Randeniya 博士

更新于

2024年9月11日

教育是我们社会的基本支柱，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，旨在了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头戴式设备，以为学生创造最佳的学习环境[1]。在本文中，我们将了解如何使用 Emotiv 的EEG头戴式设备来改变我们的教学和学习方式。

优化教学内容

设计引人入胜的教育内容需要学生不断提供直观的主观反馈。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反馈评估来完成的。

然而，由于依赖主观记忆，通常很难准确判断哪些方面的课程讲授可以得到改进。由于脑电图（EEG）的高时间分辨率（即其以毫秒级测量大脑反应的能力），它能够索引前意识过程，而仅凭自我报告评估是无法识别这些过程的。在优化课程内容时，最有用的指标是注意力和认知负荷——即大脑为保留信息而付出的努力程度的度量。注意力通常是通过分析某人在学习时在脑电图（EEG）中观察到的不同脑电波来测量的——例如阿尔法波（通常与疲劳有关）和贝塔波（通常与警觉或专注有关）的水平。认知负荷是一个更复杂的度量，也可以通过不同水平的阿尔法波和西塔波来建立索引。

研究人员已经开发出使用EEG监测注意力的系统，从而可以评估整个课程中的注意力水平。Zhou等人成功演示了一个实时系统，该系统可以监控参与大型开放式网络课程（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]。

分析认知状态变得简单

正如这些先前的研究中所说，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，数据科学的进步使得现在可以使用预构建的算法来测量认知状态，而只需极少的技术专业知识。Emotiv 支持使用Performance Metrics：开发出旨在从脑电图（EEG）中识别不同大脑状态（包括专注、兴奋、参与、挫败、压力和放松）的机器学习算法。

这些算法是利用旨在诱发特定认知状态的受控实验构建的，有助于优化教育内容。虽然在一项研究中，显示出两种学习方法之间的认知状态没有差异，但这些 Emotiv Performance Metrics 已被用来比较游戏化学习与传统纸笔学习 [3]。其他研究人员也证明了 Performance Metrics 的功用，即根据参与度、压力和专注度等认知状态对 5-7 岁的儿童进行分组，以判断增强现实环境中的活动有效性。



上图：(A) 脑电图（EEG）可用于测量高中课堂中学生的脑电波（来自：Dikker等[4]）。 (B) 学生的脑电波可以与其他学生表现出高度同步性，这在课堂参与度较高的学生中被发现（左）。对于参与度较低的学生，发现与其他学生的同步性较低（右）。

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拥有良好的学习体验也同样重要。研究人员测量了不同课堂期间阿尔法波的水平，发现上午中段的高中班级显示的阿尔法波少于清晨，并表明上午中段可能是最佳的学习时间 [4]。

无线脑电图（EEG）也已被用于比较真实环境与虚拟环境，表明在两种环境中能够提供相同水平的注意力和动力[5]。对于因肢体残疾而无法亲自上课的人来说，这可能为他们带来更丰富的学习体验开辟道路。研究人员还利用脑电图（EEG）对课堂上的社会动力学进行了研究。可以评估一组佩戴EEG头戴式设备的学生在共同学习过程中其神经活动的同步程度[6][7]。这种EEG数据收集方法称为EEG hyperscanning，是向实时推断群体注意力以及改善课堂社会动力学迈出的一步。

让每个人都能接受教育

一些身体或感官上的困难会限制学生在课堂上的学习体验。但是，一些基于EEG的工具正在改善学生的体验。脑机接口（BCI）技术的进步带来了基于EEG的打字[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记录心智笔记。支持以脑电图（EEG）来回答是/否类型问题的 BCI，也使视力障碍的学生能够使用计算机考试来进行评估，否则这通常需要面试官[10]。

个性化学习体验

为学生提供私人导师可能很昂贵，但当普通教育系统能力不足、无法处理独特的学习需求时，私人导师往往是必要的。智能导师系统（ITS）是一类以人工智能为支撑、可充当私人导师的基于计算机的学习软件。

这些系统的目的在于自适应并向学生提供实时个性化反馈，以增强他们的学习效果。研究人员目前正在通过将ITS与脑电图（EEG）相结合来推进该系统。在一项研究中，研究人员使用EEG检测学生对不同类型教育视频（动画内容与真人教师视频）的参与度，这使 ITS 能够学习并自动生成学生会更感兴趣的内容。

当您从教学过程中移除人为因素时，在使用基于计算机的学习程序时记录学生认知负荷以防止压力和屏幕疲劳，变得越来越重要。为了应对这一挑战，研究人员基于脑电图（EEG）数据开发了一个面语特征数据库，可在使用 ITS 时主动检测学生是否感到无聊、投入、兴奋或受挫 [11]。

脑电图（EEG）的这一发展正在为 ITS 系统持续学习并适应每个学生铺平道路；即当他们疲倦时建议休息，或在他们全身心投入时继续教学，从而为学生提供更有效的学习体验。


上图：纽约大学（NYU）BrainWaves项目的学生佩戴 Emotiv EEG 大脑技术进行游戏。

EEG 是一种 STEM 学习工具

Emotiv EEG 设备和软件易于使用，并且是启发下一代科学、技术、工程和数学（STEM）科学家的优秀入门工具。

Emotiv 设备和软件目前正用于大学本科阶段的课程，不仅教授心理学和神经科学，也用于生物医学工程。Kurent 演示了一个将 Emotiv EPOC 设备集成到高中和大学教育过程中的成功范例，其旨在推动 BCI 设备的发展。Kosmayana 等人发现，在学校课程中引入 EEG-BCI 系统可以提高学业成绩。麦考瑞大学已经展示了在其认知和脑科学学士学位课程中成功引入 Emotiv 设备，这为学生提供了实验设计和脑电图（EEG）数据分析的手动操作经验[14]。

此外，White-Foy 证明了小至 12 岁的儿童也可以成功学习 BCI 技术并建立小型的脑电图（EEG）研究项目 [13]。学生们利用在线资源将一个 EMOTIV Insight 设备集成到 Raspberry Pi（一种微型计算机）中，该计算机可将脑电图（EEG）转化为指令，以控制可遥控的星球大战玩具（BB-8）并在迷宫中导航。



上图：中学 NeuroLab。11-18 岁的学生们将 Raspberry Pi 和 BB-8 机器人与 Emotiv 设备集成，并使用心理指令控制 BB-8 在迷宫中导航（经 NeuroLabs 许可分享）

我们可以看到，低色、移动式的 Emotiv EEG 设备不仅为教育工作者提供了用以提供卓越内容、改善教育项目质量的方法，而且随着 BCI 的发展，还有望为有独特需求的个人提供丰富的教育环境。


EMOTIV 如何提供帮助

需要帮助？联系我们

封面图片来源：Trevor Day School

参考资料

  1. 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.

  2. 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

  3. 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

  4. 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

  5. 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

  6. 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

  7. 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

  8. 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

  9. 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

  10. 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

  11. 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

  12. 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

  13. 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/

  14. 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.

  15. 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.

  16. 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.

脑电图

无障碍性

应用

教育是我们社会的基本支柱，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，旨在了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头戴式设备，以为学生创造最佳的学习环境[1]。在本文中，我们将了解如何使用 Emotiv 的EEG头戴式设备来改变我们的教学和学习方式。

优化教学内容

设计引人入胜的教育内容需要学生不断提供直观的主观反馈。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反馈评估来完成的。

然而，由于依赖主观记忆，通常很难准确判断哪些方面的课程讲授可以得到改进。由于脑电图（EEG）的高时间分辨率（即其以毫秒级测量大脑反应的能力），它能够索引前意识过程，而仅凭自我报告评估是无法识别这些过程的。在优化课程内容时，最有用的指标是注意力和认知负荷——即大脑为保留信息而付出的努力程度的度量。注意力通常是通过分析某人在学习时在脑电图（EEG）中观察到的不同脑电波来测量的——例如阿尔法波（通常与疲劳有关）和贝塔波（通常与警觉或专注有关）的水平。认知负荷是一个更复杂的度量，也可以通过不同水平的阿尔法波和西塔波来建立索引。

研究人员已经开发出使用EEG监测注意力的系统，从而可以评估整个课程中的注意力水平。Zhou等人成功演示了一个实时系统，该系统可以监控参与大型开放式网络课程（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]。

分析认知状态变得简单

正如这些先前的研究中所说，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，数据科学的进步使得现在可以使用预构建的算法来测量认知状态，而只需极少的技术专业知识。Emotiv 支持使用Performance Metrics：开发出旨在从脑电图（EEG）中识别不同大脑状态（包括专注、兴奋、参与、挫败、压力和放松）的机器学习算法。

这些算法是利用旨在诱发特定认知状态的受控实验构建的，有助于优化教育内容。虽然在一项研究中，显示出两种学习方法之间的认知状态没有差异，但这些 Emotiv Performance Metrics 已被用来比较游戏化学习与传统纸笔学习 [3]。其他研究人员也证明了 Performance Metrics 的功用，即根据参与度、压力和专注度等认知状态对 5-7 岁的儿童进行分组，以判断增强现实环境中的活动有效性。



上图：(A) 脑电图（EEG）可用于测量高中课堂中学生的脑电波（来自：Dikker等[4]）。 (B) 学生的脑电波可以与其他学生表现出高度同步性，这在课堂参与度较高的学生中被发现（左）。对于参与度较低的学生，发现与其他学生的同步性较低（右）。

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拥有良好的学习体验也同样重要。研究人员测量了不同课堂期间阿尔法波的水平，发现上午中段的高中班级显示的阿尔法波少于清晨，并表明上午中段可能是最佳的学习时间 [4]。

无线脑电图（EEG）也已被用于比较真实环境与虚拟环境，表明在两种环境中能够提供相同水平的注意力和动力[5]。对于因肢体残疾而无法亲自上课的人来说，这可能为他们带来更丰富的学习体验开辟道路。研究人员还利用脑电图（EEG）对课堂上的社会动力学进行了研究。可以评估一组佩戴EEG头戴式设备的学生在共同学习过程中其神经活动的同步程度[6][7]。这种EEG数据收集方法称为EEG hyperscanning，是向实时推断群体注意力以及改善课堂社会动力学迈出的一步。

让每个人都能接受教育

一些身体或感官上的困难会限制学生在课堂上的学习体验。但是，一些基于EEG的工具正在改善学生的体验。脑机接口（BCI）技术的进步带来了基于EEG的打字[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记录心智笔记。支持以脑电图（EEG）来回答是/否类型问题的 BCI，也使视力障碍的学生能够使用计算机考试来进行评估，否则这通常需要面试官[10]。

个性化学习体验

为学生提供私人导师可能很昂贵，但当普通教育系统能力不足、无法处理独特的学习需求时，私人导师往往是必要的。智能导师系统（ITS）是一类以人工智能为支撑、可充当私人导师的基于计算机的学习软件。

这些系统的目的在于自适应并向学生提供实时个性化反馈，以增强他们的学习效果。研究人员目前正在通过将ITS与脑电图（EEG）相结合来推进该系统。在一项研究中，研究人员使用EEG检测学生对不同类型教育视频（动画内容与真人教师视频）的参与度，这使 ITS 能够学习并自动生成学生会更感兴趣的内容。

当您从教学过程中移除人为因素时，在使用基于计算机的学习程序时记录学生认知负荷以防止压力和屏幕疲劳，变得越来越重要。为了应对这一挑战，研究人员基于脑电图（EEG）数据开发了一个面语特征数据库，可在使用 ITS 时主动检测学生是否感到无聊、投入、兴奋或受挫 [11]。

脑电图（EEG）的这一发展正在为 ITS 系统持续学习并适应每个学生铺平道路；即当他们疲倦时建议休息，或在他们全身心投入时继续教学，从而为学生提供更有效的学习体验。


上图：纽约大学（NYU）BrainWaves项目的学生佩戴 Emotiv EEG 大脑技术进行游戏。

EEG 是一种 STEM 学习工具

Emotiv EEG 设备和软件易于使用，并且是启发下一代科学、技术、工程和数学（STEM）科学家的优秀入门工具。

Emotiv 设备和软件目前正用于大学本科阶段的课程，不仅教授心理学和神经科学，也用于生物医学工程。Kurent 演示了一个将 Emotiv EPOC 设备集成到高中和大学教育过程中的成功范例，其旨在推动 BCI 设备的发展。Kosmayana 等人发现，在学校课程中引入 EEG-BCI 系统可以提高学业成绩。麦考瑞大学已经展示了在其认知和脑科学学士学位课程中成功引入 Emotiv 设备，这为学生提供了实验设计和脑电图（EEG）数据分析的手动操作经验[14]。

此外，White-Foy 证明了小至 12 岁的儿童也可以成功学习 BCI 技术并建立小型的脑电图（EEG）研究项目 [13]。学生们利用在线资源将一个 EMOTIV Insight 设备集成到 Raspberry Pi（一种微型计算机）中，该计算机可将脑电图（EEG）转化为指令，以控制可遥控的星球大战玩具（BB-8）并在迷宫中导航。



上图：中学 NeuroLab。11-18 岁的学生们将 Raspberry Pi 和 BB-8 机器人与 Emotiv 设备集成，并使用心理指令控制 BB-8 在迷宫中导航（经 NeuroLabs 许可分享）

我们可以看到，低色、移动式的 Emotiv EEG 设备不仅为教育工作者提供了用以提供卓越内容、改善教育项目质量的方法，而且随着 BCI 的发展，还有望为有独特需求的个人提供丰富的教育环境。


EMOTIV 如何提供帮助

需要帮助？联系我们

封面图片来源：Trevor Day School

参考资料

  1. 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.

  2. 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

  3. 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

  4. 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

  5. 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

  6. 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

  7. 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

  8. 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

  9. 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

  10. 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

  11. 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

  12. 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

  13. 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/

  14. 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.

  15. 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.

  16. 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.

脑电图

无障碍性

应用

教育是我们社会的基本支柱，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，旨在了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头戴式设备，以为学生创造最佳的学习环境[1]。在本文中，我们将了解如何使用 Emotiv 的EEG头戴式设备来改变我们的教学和学习方式。

优化教学内容

设计引人入胜的教育内容需要学生不断提供直观的主观反馈。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反馈评估来完成的。

然而，由于依赖主观记忆，通常很难准确判断哪些方面的课程讲授可以得到改进。由于脑电图（EEG）的高时间分辨率（即其以毫秒级测量大脑反应的能力），它能够索引前意识过程，而仅凭自我报告评估是无法识别这些过程的。在优化课程内容时，最有用的指标是注意力和认知负荷——即大脑为保留信息而付出的努力程度的度量。注意力通常是通过分析某人在学习时在脑电图（EEG）中观察到的不同脑电波来测量的——例如阿尔法波（通常与疲劳有关）和贝塔波（通常与警觉或专注有关）的水平。认知负荷是一个更复杂的度量，也可以通过不同水平的阿尔法波和西塔波来建立索引。

研究人员已经开发出使用EEG监测注意力的系统，从而可以评估整个课程中的注意力水平。Zhou等人成功演示了一个实时系统，该系统可以监控参与大型开放式网络课程（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]。

分析认知状态变得简单

正如这些先前的研究中所说，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，数据科学的进步使得现在可以使用预构建的算法来测量认知状态，而只需极少的技术专业知识。Emotiv 支持使用Performance Metrics：开发出旨在从脑电图（EEG）中识别不同大脑状态（包括专注、兴奋、参与、挫败、压力和放松）的机器学习算法。

这些算法是利用旨在诱发特定认知状态的受控实验构建的，有助于优化教育内容。虽然在一项研究中，显示出两种学习方法之间的认知状态没有差异，但这些 Emotiv Performance Metrics 已被用来比较游戏化学习与传统纸笔学习 [3]。其他研究人员也证明了 Performance Metrics 的功用，即根据参与度、压力和专注度等认知状态对 5-7 岁的儿童进行分组，以判断增强现实环境中的活动有效性。



上图：(A) 脑电图（EEG）可用于测量高中课堂中学生的脑电波（来自：Dikker等[4]）。 (B) 学生的脑电波可以与其他学生表现出高度同步性，这在课堂参与度较高的学生中被发现（左）。对于参与度较低的学生，发现与其他学生的同步性较低（右）。

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拥有良好的学习体验也同样重要。研究人员测量了不同课堂期间阿尔法波的水平，发现上午中段的高中班级显示的阿尔法波少于清晨，并表明上午中段可能是最佳的学习时间 [4]。

无线脑电图（EEG）也已被用于比较真实环境与虚拟环境，表明在两种环境中能够提供相同水平的注意力和动力[5]。对于因肢体残疾而无法亲自上课的人来说，这可能为他们带来更丰富的学习体验开辟道路。研究人员还利用脑电图（EEG）对课堂上的社会动力学进行了研究。可以评估一组佩戴EEG头戴式设备的学生在共同学习过程中其神经活动的同步程度[6][7]。这种EEG数据收集方法称为EEG hyperscanning，是向实时推断群体注意力以及改善课堂社会动力学迈出的一步。

让每个人都能接受教育

一些身体或感官上的困难会限制学生在课堂上的学习体验。但是，一些基于EEG的工具正在改善学生的体验。脑机接口（BCI）技术的进步带来了基于EEG的打字[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记录心智笔记。支持以脑电图（EEG）来回答是/否类型问题的 BCI，也使视力障碍的学生能够使用计算机考试来进行评估，否则这通常需要面试官[10]。

个性化学习体验

为学生提供私人导师可能很昂贵，但当普通教育系统能力不足、无法处理独特的学习需求时，私人导师往往是必要的。智能导师系统（ITS）是一类以人工智能为支撑、可充当私人导师的基于计算机的学习软件。

这些系统的目的在于自适应并向学生提供实时个性化反馈，以增强他们的学习效果。研究人员目前正在通过将ITS与脑电图（EEG）相结合来推进该系统。在一项研究中，研究人员使用EEG检测学生对不同类型教育视频（动画内容与真人教师视频）的参与度，这使 ITS 能够学习并自动生成学生会更感兴趣的内容。

当您从教学过程中移除人为因素时，在使用基于计算机的学习程序时记录学生认知负荷以防止压力和屏幕疲劳，变得越来越重要。为了应对这一挑战，研究人员基于脑电图（EEG）数据开发了一个面语特征数据库，可在使用 ITS 时主动检测学生是否感到无聊、投入、兴奋或受挫 [11]。

脑电图（EEG）的这一发展正在为 ITS 系统持续学习并适应每个学生铺平道路；即当他们疲倦时建议休息，或在他们全身心投入时继续教学，从而为学生提供更有效的学习体验。


上图：纽约大学（NYU）BrainWaves项目的学生佩戴 Emotiv EEG 大脑技术进行游戏。

EEG 是一种 STEM 学习工具

Emotiv EEG 设备和软件易于使用，并且是启发下一代科学、技术、工程和数学（STEM）科学家的优秀入门工具。

Emotiv 设备和软件目前正用于大学本科阶段的课程，不仅教授心理学和神经科学，也用于生物医学工程。Kurent 演示了一个将 Emotiv EPOC 设备集成到高中和大学教育过程中的成功范例，其旨在推动 BCI 设备的发展。Kosmayana 等人发现，在学校课程中引入 EEG-BCI 系统可以提高学业成绩。麦考瑞大学已经展示了在其认知和脑科学学士学位课程中成功引入 Emotiv 设备，这为学生提供了实验设计和脑电图（EEG）数据分析的手动操作经验[14]。

此外，White-Foy 证明了小至 12 岁的儿童也可以成功学习 BCI 技术并建立小型的脑电图（EEG）研究项目 [13]。学生们利用在线资源将一个 EMOTIV Insight 设备集成到 Raspberry Pi（一种微型计算机）中，该计算机可将脑电图（EEG）转化为指令，以控制可遥控的星球大战玩具（BB-8）并在迷宫中导航。



上图：中学 NeuroLab。11-18 岁的学生们将 Raspberry Pi 和 BB-8 机器人与 Emotiv 设备集成，并使用心理指令控制 BB-8 在迷宫中导航（经 NeuroLabs 许可分享）

我们可以看到，低色、移动式的 Emotiv EEG 设备不仅为教育工作者提供了用以提供卓越内容、改善教育项目质量的方法，而且随着 BCI 的发展，还有望为有独特需求的个人提供丰富的教育环境。


EMOTIV 如何提供帮助

需要帮助？联系我们

封面图片来源：Trevor Day School

参考资料

  1. 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.

  2. 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

  3. 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

  4. 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

  5. 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

  6. 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

  7. 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

  8. 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

  9. 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

  10. 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

  11. 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

  12. 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

  13. 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/

  14. 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.

  15. 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.

  16. 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.

脑电图

无障碍性

应用

继续阅读

残奥会：人工智能驱动的脑-计算机接口创造历史

阅读更多

阅读更多