Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Behavior
Click here for the English version

Behavior

Использование электроэнцефалографии измерений для сравнения конкретных задач Neural эффективностей: Задачи Spatial Intelligence

Published: August 9, 2016 doi: 10.3791/53327
Automatic Translation
1, 1, 1, 2, 2
1Department of Engineering Education, Utah State University, 2Department of Psychology, Utah State University

Summary

Эта рукопись описывает подход к измерению нейронной активности человека при решении пространственно ориентированных инженерных задач. Методология электроэнцефалограмма помогает интерпретировать бета измерения мозговых волн с точки зрения нейронной эффективности, с целью в конечном счете, позволяет сравнения выполнения задач как между типами проблем, так и между участниками.

Abstract

Пространственный интеллект часто связан с успехом в области инженерного образования и инженерных специальностей. Использование электроэнцефалографии позволяет сравнительный расчет нейронной эффективности индивидов, поскольку они выполняют последовательные задачи, требующие пространственного возможность получать решения. Нейронные эффективность здесь определяется как имеющий меньше бета-активации, и, следовательно, расходуя меньшее количество нервных ресурсов, чтобы выполнить задачу, по сравнению с другими группами или другими задачами. Для между группами сравнения задач с аналогичными длительностей, эти измерения могут включить сравнение типа задачи трудности. Для внутридневных-участников и межрегиональных сопоставлений участников, эти измерения обеспечивают потенциальную понимание уровня участника пространственной способности и различные решения инженерных проблем задач. Производительность на выбранных задач могут быть проанализированы и соотнесены с бета-деятельности. Эта работа представляет собой подробный протокол исследования изучения нейронной эффективности студентов ангвыдерживается в решении типичных пространственных способностей и проблем статики. Студенты завершили проблемы, характерные для ментального Режущий Test (MCT), Purdue пространственной визуализации тест-севооборота (PSVT: R), и статики. Занимаясь в решении этих проблем, мозговые волны участников были измерены с ЭЭГ позволяет собирать данные о альфа и бета-мозговой активации волны и использования. Работа выглядит соотносить функциональные характеристики на чистых пространственных задач с пространственно-интенсивных инженерно-технических задач, чтобы определить пути успешной работы в машиностроении и в результате улучшения в области инженерного образования, которые могут последовать.

Introduction

Пространственная способность имеет жизненно важное значение для науки, технологии, инженерии и математики (STEM) полей и образование и коррелирует с успехом в этих областях 1,2,3. Поэтому, важно , чтобы понять развитие как способность к пространственному воздействий решение проблем 4. Пространственная способность была связана с интересом 5, производительность 6, успеха в инженерных и научных кругов 7 успеха в инженерных специалистов 8. Тем не менее, существует не так много работы с указанием конкретных нейронных процессов в решении проблем, характерных для многих пространственных способностей инструментов, ни конкретное содержание инженерного, что является весьма пространственным.

Эта статья представляет собой введение в методы, используемые для сбора и анализа пространственных оценки способности прибора в сочетании с нейронными измерений данных. Цель публикации с Юпитером, чтобы сделать эти методы более доступными для более широкой аудитории. Широкая общественность аппаратное и программное обеспечение WERе используется в данном исследовании. В работе методы, полные результаты / наборы данных не сообщается, равно как и несколько образцов предоставляются. Все изображения были захвачены специально для данной публикации. Методы , подробно описанные ниже , были использованы при подготовке предварительного доклада конференции 9 на основе данных из восьми колледжей второкурсник возраста участников, трое из которых были женщины.

Многие существующие инструменты используются для обозначения уровней пространственной способности, присущей ученым или отдельными лицами. Две действительные и надежные 10,11 инструменты, которые обычно используются для резки Психическая Test (MCT) 12 и тест Purdue пространственной визуализации севооборота (PSVT: R) 13. В то время как первоначально разработаны 14 профессионально эти инструменты тестирования различных этапов развития пространственной визуализации описывается теорией Пиаже 10,15. Использование этих инструментов создает необходимость понять основные физиологические когнитивных явлений existinг, когда люди работают через эти проблемы. По этой причине данное исследование направлено на демонстрации методов, использующих эмпирические физиологические данные, которые могут в конечном счете, улучшить анализ и понимание пространственной мысли, проверки существующих метрик возможности тестирования, а также повысить применимость пространственных оценок для более сложных проблем, характерных для инженерного образования. Многие из этих проблем можно встретить в инженерной статики.

Статика является основополагающим механика курс доставлен к большинству студентов инженерного факультета (например., Биологическая, Механическая, гражданской, окружающей среды, Aerospace Engineering) 16,17. Это одна из первых обширных проблем опыт решения , которые студенты получают в содержании 18 инженерного ядра. Статика включает в себя изучение взаимодействия сил на твердое тело, который находится в состоянии покоя или движется с постоянной скоростью. К сожалению, статика имеет высокую отсевом, вывод, и частота отказов (14%, как показано в инвеУниверситет tigated), и это может быть связано с традиционными моделями предоставления лекций и учебных программ, которые опускаем ключевые направления поддержки, такие как пространственно расширенные подходы к образованию. Например, пространственно расширенные подходы в статике можно ориентировать визуализацию того, как силы взаимодействуют за пределами типичного аналитического анализа и укрепления процедурных знаний студентов с заземленной концептуализации. Эффективность таких мер должна быть исследована с когнитивной точки зрения Нейрологическая.

Электроэнцефалография (ЭЭГ) представляет собой уникальный и мобильный способ измерения озарения активности студентов. Лица , выполняющие задачи , которые вызывают бета - активацию , как правило , очень заняты со спецификой задач и внимательны к тому , что они делают 19,20. Поскольку задача требует увеличения, амплитуда волны растет бета, как это делает размер корковой области частот полосы пропускания занимают. Чем больше нейронов, что огонь внутридиапазон бета частот (альфа: 8 - 12 Гц, бета: 12 - 24 Гц) может быть определена как больше бета мощности. Родственный, поскольку каждый становится более опытным в задаче, амплитуда бета-волны уменьшается, создавая меньше бета-мощности. Это часть нейронной эффективности гипотезы 21-28, в котором больший опыт задач при выполнении задачи связано с уменьшением частоты мощности. Хотя ЭЭГ ранее использовался в исследовании пространственных способностей (часто для умственного вращения и пространственных задач навигации) - и соответствующие данные были выявлены в альфа, бета и тета - группы 27-33 - альфа и бета полосы наблюдались для этого исследование и бета был выбран для дальнейшего анализа представительной в данной работе и в предварительном докладе конференции 9. Процедуры, определенные ниже, таким образом, сосредоточиться на анализе бета-группы, но расследование всех трех групп, в зависимости от регистрируемых данных, рекомендуется в будущем.

нейронная гипотеза эффективность была проверена на различных задач, в том числе шахматы, память, зрительно-пространственной ориентации, балансировка и отдыха. Все показали опыт задачи как фактор пониженной частоты мощности при выполнении обычных задач. Один конкретный исследование 25 представил доказательства того, что, хотя интеллект человека (как измерено с помощью IQ) может помочь человеку приобрести навыки для выполнения задачи, опыт работы с задачей разведки в перевешивает ее вклад в нейронной эффективности. Другими словами, более опытный индивид, тем более эффективным neurally он или она становится.

Существующие исследования нейронные эффективности , включающие пространственные способности были сосредоточены главным образом на пространственное вращение, а также различные наборы проблемы были использованы для сравнения различных групп населения (например., Мужчины / женщины) 27-28. ЭЭГ исследования пространственных задач способности также обеспечили понимание путем сравнения производительности других типов задач (например., Вербальные задачи)27,29,30. Методы обсуждения в данной статье внимание уделяется и сравнивать проблемы с МСТ, PSVT: R, а также статических задач равновесия, которые связаны с пространственной способностью, но не ограничиваются ими пространственного вращения и навигации. Другие пространственные задачи могут быть использованы вместо тех, которые приведены в качестве примеров в этой рукописи. Таким образом, дополнительное понимание может быть получена в будущем в отношении различных групп населения (например., Мужчина / женщина или специалист / начинающий) , чтобы в конечном счете , способствовать улучшению инженерных образовательных практик.

В целях изучения пространственной способности и инженерные способности, мы разработали протокол измерений с использованием ЭЭГ для выявления бета-волны активаций низкой исполнительства высоких участников во время выступления ограниченного батареи конкретных пространственных и инженерных задач. В этом случае термин высокий исполнитель связан с исполнением участника и не отражает количество времени, проведенного в области Организациейобучаемость, так как все участники были примерно на том же этапе их образования. Кроме того, множество проблем участвуют достаточно специфична и основной; Таким образом, термины "эксперт" или "высокопроизводительные" в данном описании не следует рассматривать в смысле эксперта, профессионально занятых инженером, но представляя только высокую производительность в этом узком срезе инженерной механики учебного плана и пространственных способностей инструментов. Нейронные измерения также могут быть использованы для выявления каких-либо грубых тенденций, для которых типы задач может набрать больше когнитивных ресурсов, чем другие, с возможной интерпретации относительно уровня сложности. Эта информация может потенциально обеспечить понимание будущей оценки и принятия мер в отношении пространственной способности. Другое будущее понимание может быть получено, если учесть более конкретные области мозга, что было невозможно в данном исследовании, из-за ограниченного количества каналов, доступных в аппаратных средствах, используемых EEG.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Этическое Заявление Что касается использования человеческих участников

Процедуры, участвующие в этой работе были одобрены Институциональным наблюдательным советом (IRB) в Университете штата Юта для изучения человеческих предметов. Рекомендуется, чтобы любая подобная работа также должна быть одобрена соответствующим IRB. Участникам разрешается прекратить или выйти из исследования в любое время в течение эксперимента.

1. Отбор участников

  1. Выберите участников на добровольной основе студентов в настоящее время обучаются в курсе статике. Убедитесь, что участники были ранее подвергшимися к содержанию статика они будут видеть в то время как в исследовании.
    Примечание: В идеале участники должны иметь воздействие на материал через лекции по меньшей мере за четыре недели до участия в исследовании, так что есть время для консолидации концепций и развития дифференциальных уровней производительности.
  2. Проведение набора с соблюдением всех IRB протоколов. объяснятьвсе процедуры и ограничения к потенциальным участникам подробно. Опишите сферу будущего контакта и как результаты исследования могут быть опубликованы и / или сделаны доступными для участников. Определить какой-либо компенсации для участия в исследовании. Если доброволец выбирает участие в исследовании, предоставить ему или ей с двойным кодированием идентификационным кодом, известным только и под контролем главного исследователя.
    Примечание: Конкретные набора населения потребуется статистический анализ для проверки статистической мощности выборки и количество необходимых участников для анализа индивидуальных различий в Гениальная данных. Если исследователь хочет провести сравнительное исследование между популяциями, то анализ мощности следует проводить для разработки соответствующих размеров из участников группы для обеих популяций.
  3. Выберите мероприятия или проблемы, которые являются репрезентативными опытом желательных для участников.
    Примечание: В этом протоколе, второкурсник уровня инженерногобыли отобраны студенты, обучающиеся в курсе статике. Деятельность сочтут уместными были проблемы с вводного содержанием Статика, а также два наиболее часто используемых пространственных способностей инструментов: ментального Cutting Test Plane (MCT) и Purdue Spatial тест Визуализация (PSVT-R). Каждый инструмент проверяет различные конструкции пространственной способности и уровень пространственного развития в этой выбранной студентов.
  4. Создание календаря для организации лабораторных занятий для участников.

2. Подготовка инструментов

  1. Настройте EEG гарнитуры (он же цоколем) согласно инструкциям изготовителя. Заполните этот препарат до того, как участник прибывает для изучения. Повторим, что эта процедура является специфическим для общих мобильных гарнитур, таких как Emotiv, в отличие от медицинского класса EEG установок.
    1. Зарядка гарнитуры EEG - в идеале, по крайней мере 1-часовой заряд каждой сессии. Для регулярно используемой лаборатории, имеют по меньшей мере две гарнитуры зарядкит все времена.
    2. Поместите все необходимые жидкости в доступной зоне, в том числе жидкости для увлажнения ЭЭГ электродов (например., Вода) и абразивный очиститель для обеспечения хорошего контакта для опорных узлов ЭЭГ.
    3. Вставьте войлок в каждый кожух (обеспечение золотой контакт надежно закреплена в каждом корпусе). Насыщать войлок с демпфирующей жидкости с помощью шприца. Разрешить демпфирующими электроды для отдыха.
  2. Настройте любые необходимые видеокамеры для измерения поведения участника. Для текущего протокола, используйте две видеокамеры на одного участника. Повторно настроить камеры, как только участник находится на месте. Убедитесь, что видео с отметкой времени.
    1. Фокус одну камеру на лицо участника, если целью записать выражение лица и получить высокое качество звука.
    2. Фокус другую камеру на площади перед участником захвата движения руки, в том числе почерка действия (если почерк, как ожидается, убедитесь, что использовать в письменной форместрумент, что темный и / или достаточно, чтобы быть захвачена камерой толщиной), и достаточно монитора компьютера, чтобы дать представление о том, какая задача решается в это время.
    3. Включите компьютер и убедитесь, что программное обеспечение для записи на озарения данных. Убедитесь, что все программное обеспечение и сбора данных устройства сопряжения достаточно для сбора данных.

3. Подготовка участников исследования и сессия Дата начала

  1. Проверьте получение документированного согласия от участников на ЭСО соглашения говорилось выше. Ответьте на любые вопросы у участников есть до начала исследования. Напомните участникам, что собранные данные будут ссылаться идентификационного кода, и не будет никакой информации идентификации, которая связывает данные участника, и что они могут в любой момент отказаться.
  2. Попросите каждого участника заполнить анкету демографическую до участия в исследовании. Это исследование может спросить о пол, вGE, предыдущий опыт работы, которые могут повлиять на их способности в исследовании (например., в прошлом инженерные или пространственно интенсивные курсы, способность к пространственному , усиливающие хобби, а также вопросы , касающиеся критериев исключения , таких как черепно - мозговых травм они могли пострадать, которые они используют руки).
    1. Исключение участников из группы добровольцев для анализа ЭЭГ, если любой из следующих условий: (а) участник левой рукой или ловкий, чтобы контролировать для латеральность мозга путает; (Б); человек не может участвовать в лабораторных сеансов связи с физическими недостатками; или (в) физическое лицо был нанесен серьезный черепно-мозговую травму. Оповестить потенциальных участников этих ограничений в процессе найма, или как можно раньше, чтобы избежать ненужные затраты времени и ресурсов.
  3. По прибытии участник обеспечить удобный и решить все оставшиеся вопросы или проблемы.
    1. Продемонстрировать шприц, используемый для насыщенияузел и объясните, что он будет использоваться только для поддержания EEG войлок влажной. Если участник имеет экстремальный страх игл, рассмотреть вопрос о применении других мер предосторожности (например., Держа шприц из их фокальной плоскости , когда повторное смачивание войлок).
    2. Попросите участников, чтобы удалить любую электронику от их лица.
  4. Поместите гарнитуру EEG на участника.
    1. Проверьте войлок для сырости и место комбинации войлок / обсадной колонны в гарнитуре EEG.
    2. Очистите опорные точки (например., Сосцевидного отростка) участника с абразивным моющим средством. Удалите все остатки.
    3. Поместите гарнитуру на участника с опорными узлами образом согласовывались с опорными точками. Не чрезмерно согнуть руки гарнитуры. Оставьте зазор между опорным узлом и задней части уха так, чтобы не вызывать дискомфорт, и выровнять и пространство гарнитуру соответствующим образом с головой участника.

4. Выполнение программы в рамках сессии

  1. Запустите программу EEG-протоколирования. Убедитесь в том, что существует хорошая возможность соединения между каротажного устройства (например., Персональный компьютер) и ЭЭГ гарнитуры, проверяя , что все каналы отображаются на записывающее устройство. Убедитесь, что все каналы первоначально отображать подобное поведение с низкой амплитудой колебаний. Проверьте электроэнцефалограмму, чтобы обеспечить хорошую связь с участником - повторное смачивание и корректировки войлоки таким образом, чтобы добиться согласованных узоров на записывающее устройство - непосредственно предшествующий периоды отдыха и перед началом каждого нового типа проблемы.
    Примечание: EEG работает на 128 Гц. Электроокулографии не используется для записи движения глаз, а также справочные связного ухо не использовали.
  2. Попросите участника остаются еще и тихо, насколько это возможно во время учений задач.
  3. Инициировать программное обеспечение проблемно-презентации.
    Примечание: Во время сбора данных, все пред-планируется визуальная связь с участником осуществляется через монитор компьютера. В этом случае ряд пространственных и инженерных задач будет появляться на экране компьютера, и его участникам будет предложено решить их. Правильные ответы не были предоставлены участникам во время сбора данных. Проблемные изображения продвинулся на основе пользовательского ввода, поэтому выбор времени был основан на решении проблем продолжительности.
    1. Дисплей пространственная задача типа 1 (например, PSVT:. R - тест множественного выбора, или истинно-ложные проблемы вращения - см Рисунок 1) 13. Примечание: (. , Например, 30 сек) Продолжительность этих проблем будет использоваться в качестве временного интервала для анализа данных. Пять проблем были включены в этот набор.
    2. Отображение пространственной задачи 2 -го типа (например, MCT. - Тест на множественный выбор, или истинно-ложно умственная отрезные проблемы - см рисунок 2) 12. Примечание: Продолжительность этих проблем (например, 30 сек.)использоваться в качестве временного интервала для анализа данных. Пять проблем были включены в этот набор.
    3. Дисплей инженерный тип проблемы 17 (. Например, Статика проблемы - разбитые , чтобы сосредоточить внимание на конкретных принципах инженерной статики, или любого другого типа прикладной задачи гипотетических иметь пространственные компоненты - смотри рисунок 3). Примечание: Эти проблемы имеют значительно больше времени, чтобы решить, чем пространственных задач. Ряд проблем, показанных участникам варьировалось от четырех до десяти.
    4. Назначают периоды отдыха в начале и в конце сбора данных - используется для получения исходных данных. Убедитесь в том, что каждый из них имеют одинаковую длительность (например., 120 сек).
  4. При желании провести выездную интервью с участником. Это может включать в свои мысли на экспериментальной презентации, носить гарнитуру ЭЭГ, процесс коммуникации, используемый на протяжении набора и подготовки участников, и / ог любой протокол требует словесных ответов, упомянутых выше. Вопросник проверенному пользователю может быть предоставлена ​​участникам вместо проведения интервью.
  5. Выключите программное обеспечение проблемно-презентации, программное обеспечение EEG-протоколирования, снимать гарнитуру ЭЭГ, и выключите видеозаписывающего оборудования.

5. Завершение работы сессии

  1. Уволить участник исследования. Благодарим участника и предоставить им обзор любого будущего контакта (например., Для последующих интервью или последующих сессий исследования), объяснить , каким образом результаты исследования могут быть опубликованы и / или сделаны доступными для участников, а также обеспечить любые прохладительные напитки или оплата (или объяснение того, как будет обеспечена выплата), согласованные в рамках компенсации за участие в исследовании.
  2. журналы передача данных в любой из необходимых долгосрочных или передачи устройств хранения данных. Хранить подписанный бланк согласия надлежащим образом и в назначенный IRB протоколом.
  3. Удалите войлок с гарнитуры и дезинфицировать или избавиться от них.
  4. Возвращение электродные оболочки ЭЭГ и гарнитуры к соответствующему месту хранения.
  5. Утилизация использованных шприцев и мусора надлежащим образом.
  6. Возврат жидкостей в соответствующие места хранения.
  7. Закрепить лабораторию, если не используется другими исследователями.

Анализ 6. Данные

  1. Выявление и извлечение исходных данных для каждого канала и маркер данных из журналов данных ЭЭГ. Используйте ASCII - битные маркеры для определения начала и конца сбора данных, а также переходы между различными фазами сбора данных (например., Типы проблем) и индивидуальных проблем. Убедитесь, что каждый тип фазы имеет различное значение маркера так, чтобы дать возможность дифференциации в процессе анализа. Назовите данные способом, который ссылается на идентификационный код участника в качестве источника.
    Примечание: Команды EEGLAB являются defined в данном описании, но EEGLAB требует MATLAB для этого исполнения.
    1. Выберите Файл> Импорт данных> Использование функции EEGLAB и плагины> От EDF / EDF + GDF файлов (BIOSIG набор инструментов)
    2. Выберите соответствующий файл данных. Нажмите кнопку Открыть, чтобы загрузить данные.
    3. Выберите Список каналов. Нажмите кнопку ОК, чтобы принять.
    4. Укажите имя набора данных. Укажите описательное имя для данных, которая отражает источник и дату сбора. В этом случае PSF1448 указывает на данные Участника ID 48 Осенью 2014 года.
  2. Карта извлеченные данные в монтаже (то есть, расположение ЭЭГ узлов.), Выбрав монтаж , предоставленную поставщиком гарнитуры EEG (например, 10 -. 20 системы). Убедитесь, что монтаж используется для анализа соответствует расположение гарнитуры EEG, используемой во время сеанса. Это по спецификации производителя.
    1. Места редактирования каналов, нажав кнопку Edit Locations> канал.
    2. Выберите Montage. В этом случае defauл монтаж подходит, поэтому просто нажмите кнопку ОК, чтобы принять.
    3. Выберите информацию о технических характеристиках канала. В этом случае по умолчанию подходит, поэтому просто нажмите кнопку ОК, чтобы принять.
  3. Снизить данные канала ЭЭГ к тому, что наиболее представительной активности мозга, как определено ниже.
    1. Нанести первоначальный фильтра к данным. Как правило, применяют высоких частот, фильтр низких частот (0,1 Гц, как нижняя граница фильтра высоких частот и 59 Гц, как верхняя граница фильтра нижних частот). Применение фильтра нижних частот менее чем 60 Гц устраняет помехи от электрической сети США. Сохраните набор данных с новым именем в качестве точки восстановления.
      1. Нажмите Инструменты> Basic КИХ-фильтр (новый, по умолчанию).
      2. Набор основных параметров фильтра. Установить нижний край до 0,1 Гц, Верхний край до 59 Гц, не график частотной характеристики, и нажмите кнопку ОК, чтобы принять.
      3. Укажите новое имя для отфильтрованных данных (путем добавления "_filtered" к существующему имени набора данных). Проверьте бвола, чтобы сохранить данные в виде файла, и использовать то же имя для имени файла. Нажмите кнопку ОК, чтобы принять.
    2. Удалить все данные, которые лежат перед первым маркером EEG или после последнего маркера ЭЭГ - имея в виду любую задержку в записи маркеров ЭЭГ. Регистрируют время задержки (время) маркера, указывающего начало записи данных и латентность маркера, указывающего конец данных. Сохраните набор данных с новым именем в качестве точки восстановления.
      1. Значения задержки можно найти в разделе "Редактировать значения событий - pop_editeventvals) (" экран; нажмите кнопку ">>", чтобы перейти к конечной метки, означающей конец данных ЭЭГ. Никаких изменений не должно приниматься, поэтому нажмите кнопку Отмена после того, как значения были записаны.
      2. Нажмите Правка> Выбрать данные.
      3. Введите начало и конец задержки (время) значений, разделенных пробелом, в "Временной диапазон [мин] макс (ы)" поле и нажмите кнопку ОК, чтобы принять.
      4. Укажите новое имяобрезанные данные (путем добавления "_cropped" к существующему имени набора данных). Установите флажок, чтобы сохранить данные в виде файла, и использовать то же имя для имени файла. Нажмите кнопку ОК, чтобы принять.
    3. Отклонить разделы данных с большими артефактами. Шаги, включенные ниже описано, как это сделать вручную во время визуального осмотра данных. Примечание: удаление данных будет также привести к появлению артефактов 34,35.
      1. Осуществить нормировку данных в каждом канале (удалить среднее значение и поместить каждый канал в том же масштабе). Также удалите смещение по постоянному току (это изменяет данные, но не визуализация).
        1. Нажмите Plot> Данные канала (прокрутка).
        2. Нажмите Настройки> Интервал времени, чтобы отобразить.
        3. Укажите диапазон времени (. , Например, 30 сек) , которые будут показаны на графике в "Новой длины окна (ы):" поле. Диапазон времени основано на времени между маркерами для проблем в данной фазе (или в пределах двух пространственных проблемных фаз). Диапазон времени может быть базойd на максимальное, минимальное или среднее время между маркерами.
        4. Нажмите на кнопку "норма" для нормализации данных в сюжете (это только косметический характер и не изменяет исходные данные).
        5. Нажмите Дисплей> Удалить смещение по постоянному току для удаления смещения постоянного тока на участке (это только косметический характер и не изменяет исходные данные).
      2. Удалить крупные артефакты, которые регулярно не повторяются в течение долгого времени.
        1. Отметить все аномальных данных артефактов глядя. После того, как все данные артефактов были отмечены, нажмите кнопку Отклонить.
          Примечание: Они могут выглядеть как аномально высокие или широкие пики в данных - в одном или нескольких каналах - или до тех пор, тенденции, которые появляются в небольшом количестве каналов. Данные подозреваемым, если данные из отдельных каналов, по всей видимости пересекают друг друга в сюжете. Они представляют собой артефакты, которые не являются частью спектра озарения и, скорее всего, представляют движение мышц участника или узла (ов) WIth некачественное подключение. Ничего похожего на меандр не отражает активности головного мозга человека.
      3. Сохраните набор данных с новым именем в качестве точки восстановления.
        1. Выберите Файл> Сохранить текущий набор данных как.
        2. Укажите новое имя для обрезанные данных (путем добавления "_manRej" к существующему имени набора данных). Нажмите кнопку Сохранить, чтобы принять.
      4. Если какой-то канал, как представляется, неисправен, удалите из него данные по отдельности. Это представляет собой большую потерю данных, так что сделайте это с большой осторожностью. Посмотрите на данные из канала в течение длительного периода времени, как это часто оседает в течение долгого времени и обеспечивает полезные данные.
    4. Выполнить анализ независимый компонент (ICA) и выбрать лучшие представления волновой активности мозга.
      Примечание: Это помогает в удалении наборов повторяющихся артефактов в данных. Эти наборы содержат артефакты, которые будут появляться несколько раз на примерно равные промежутки времени с повторным шафизическое воспитание Как правило, они являются результатом биологических функций, таких как мигание или импульс - каждый из которых будет иметь свой собственный набор.
      1. Карта ICA-разделенных данных для представления черепу на основе монтажа. Отклонить результаты, связанные с мигающими, пульс, или напряжение мышц - которые часто появляются в результатах ICA как области акцента над глазами, рядом с храмами, или над ушами, соответственно. Отклонить любой компонент , который показывает весь череп , как занимаясь , так как не представитель активности мозга (смотри рисунок 4) 35 Принять другие результаты (см рисунки 5 - 6)..
        1. Нажмите Tools> Run ICA.
        2. Выберите алгоритм ICA по умолчанию (руницей). Нажмите кнопку ОК, чтобы принять.
        3. Нажмите Plot> Свойства компонента.
        4. Выберите индексы составляющая (14 электрода ЭЭГ каналов, загруженных в память) и спектральные параметры. Как и раньше, нижний край 0,1 Гц, и чем выше кромка 59Гц. Нажмите кнопку ОК, чтобы принять записи.
        5. В Accept / Reject окно, нажмите на кнопку Accept, чтобы изменить статус Отклонить (и нажмите на нее еще раз, чтобы изменить его обратно в Accept). Нажмите кнопку ОК, чтобы войти в Accept / Reject маркировки.
      2. Участок ICA-разделенных данных в цветном участке 2-D. Отклонить результаты , которые появляются прослойками, пустой, или засыпали с разрывами, а затем сохранить набор данных с новым именем в качестве точки восстановления (см рисунки 5 - 6).
        1. В Accept / Reject окно, нажмите на кнопку Accept, чтобы изменить статус Отклонить (и нажмите на нее еще раз, чтобы изменить его обратно в Accept). Нажмите кнопку ОК, чтобы войти в Accept / Reject маркировки.
        2. Нажмите Инструменты> Удалить компоненты - на самом деле удалить все данные, указанные для отказа ранее.
        3. Нажмите кнопку ОК, чтобы продолжить. Индексы компонентов регистрируемых для отклонения приведены в "Удалить компоненты" окна.
        4. Нажмите Принять в окне "Подтверждение" Тс оказанию в обрезке данных.
        5. Укажите новое имя для обрезанных данных (путем добавления "_manRejPruned" к существующему имени набора данных). Установите флажок, чтобы сохранить данные в виде файла, и использовать то же имя для имени файла. Нажмите кнопку ОК, чтобы принять.
          Примечание: прожилки, которые длятся дольше, чем 0,5 сек, считаются разумными для отказа. Относительное "благость", возможно, должны быть использованы здесь, в зависимости от того, насколько хороши другие наборы данных, как представляется, - желательно, чтобы сохранить по крайней мере половину компонентов. Хорошие результаты часто представляются непрерывными градаций на 2-D непрерывных данных цветового участка 34.
  4. Удалить граничные значения, оставленные в данных. Сохраните набор данных с новым именем в качестве точки восстановления.
    1. Нажмите Правка> значения событий.
    2. Прокрутка событий и нажмите кнопку Удалить событие, когда тип события является границей. Когда все были удалены, нажмите кнопку ОК.
    3. Specifя новое имя для удаленных-граничных данных (путем добавления "_deleteBoundaries" к существующему имени набора данных). Нажмите кнопку Сохранить, чтобы принять. Используйте тот же выбор пункта меню, как и раньше, чтобы попасть в это окно (см шаг 6.3.3.3.1).
  5. Вычислить абсолютные показатели мощности для каждого типа упражнений. Это сила на основе логарифмического преобразования , основанный на измерении микровольтовом и времени -. Вычисленного для каждой полосы частот (дельта, тета, альфа, бета и гамма) 22
    1. Кусок данные в блоки, используя маркеры, чтобы указать начало и конец каждой задачи.
      1. Нажмите Правка> Выбрать данные, используя события.
      2. Использовать соответствующие временные рамки для каждого типа задач. Определить временные рамки для остальных периодов длительностью периода отдыха. Для пространственных задач (которые примерно одинаковы по продолжительности), либо использовать среднюю продолжительность всех пространственных задач или максимальную продолжительность всех пространственных задач. Для прикладной (например., Engineerinг Статика) проблемы, определить среднюю продолжительность для каждой задачи. Сохраните набор данных с новым именем в качестве точки восстановления.
        1. Введите тип маркера в поле "Тип (ы) Event ([] = все)" поле, (например., Тип маркера 50 был использован для обозначения события отдыха). Rest события имели длительность 120 секунд в этом случае, так что введите "1 120" для массива временных ограничений. Нажмите кнопку ОК, чтобы принять.
        2. Укажите новое имя для данных события (путем добавления "_rest" к существующему имени набора данных в данном случае). Установите флажок, чтобы сохранить данные в виде файла, и использовать то же имя для имени файла. Нажмите кнопку ОК, чтобы принять.
          Примечание: Если приложенное части могут быть уменьшены, чтобы они занимали примерно такое же количество времени, в качестве пространственных задач, а затем использовать один и тот же размер, как временные рамки пространственных задач. Поскольку ЭЭГ является чувствительным ко времени измерения, более точные временные эпох для каждого условия, тем меньше посрамлены данные находятся в конце (то есть., Число проб , взятых для каждого кондиционция будет более последовательным).
  6. Сравните результаты для окончательного анализа.
    1. Вычислить процент для каждой порции по отношению к базовым измерениям остальных. Смотрите файл Дополнительный код, и в таблицах 1 - 8.
      1. Откройте Absolutepower скрипт в MATLAB и нажмите кнопку Выполнить для запуска сценария на данных , загруженных в рабочее пространство на этапе 6.6 (например., Данные остальное).
      2. Выберите absolutepowermatrix данные в рабочей области MATLAB для передачи в программу электронных таблиц (например., MS Excel).
    2. Повторите шаги 6.5 - 6.6.1.2 для каждого типа упражнения / маркера.
    3. Сравните результаты с аналогичными сроками (например., Пространственные задачи) друг к другу для понимания относительной трудности.
    4. Сравнение результатов между участниками, чтобы определить более высокие относительные исполнителей по сравнению с более низкими исполнителями в квалификации оценивается. Примечание: Высокие исполнители могут показать очень лittle увеличение бета - активации относительно базовой линии, в то время как низкие исполнители могут показать рост порядка 70% 21-26.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

В этом разделе, предыдущие шаги проиллюстрированы с фигурами образца, как описано ниже. Полные сводки данных со статистическими тестами не предусмотрены, поскольку целью данной работы является концентрация внимания на методах. Примеры потенциальных PSVT: R, МСТ и пространственных задач приведены на рисунке 1, Рисунок 2 и Рисунок 3, соответственно.

Колпачок электроэнцефалограмма соберут активация мозга через электрические потенциалы для каждого данного канала, который можно рассматривать параллельно , как показано на рисунке 7. Как уже упоминалось ранее, некоторые артефакты в данных должны быть удалены вручную, в то время как другие могут быть удалены с помощью ВСА. Иногда дефектный канал может быть идентифицирован. Такие артефакты видны на рисунке 7. В программном обеспечении анализа, большие, неповторяющихся артефакты могут быть вручную отмечены в последовательности , а затем удаляется, нажав на кнопку "Reject" (как на этапе 6.3.3.2.1). Все цифры с изображениями анализа данных ЭЭГвзяты из инструмента программного обеспечения для анализа , перечисленных в таблице материалов.

После МКА, программное обеспечение анализа отображает данные двумя способами: 1) скальп, отображенные представления активации, и 2) 2-D непрерывного участка данных активации выстроил испытаниями и временем. Примером приемлемых данных можно наблюдать на рисунке 5. Пример отвергнутого кожи головы отображаются данные , указывающие на деятельность , не связанную с мозгом для трех случаев можно увидеть на рисунке 4. 2D Непрерывные графики данных для тех же самых отвергнутых трех случаев можно увидеть в на рисунке 6. полос наблюдается при рассмотрении первых двух участков ордера на удаление. Полос в третьем участке можно считать пограничным - 2-D непрерывные участки данных такого качества могут быть рассмотрены для включения, и исследователь должен учитывать баланс между включая паразитные сигналы и отбрасывая ценные данные. Штрихи длиннее, чем 0,5 секунды, считаются Grounds для отказа. Для большего понимания, обратитесь на сайт EEGLAB (http://sccn.ucsd.edu/eeglab/~~HEAD=pobj).

После того, как все искажающие данные были отвергнуты - либо с помощью ручного отказа, глядя на Гениальная участков или после ICA - и данные были фрагментированное во времени для соответствующего вида деятельности, абсолютные расчеты мощности могут быть сделаны для каждой полосы частот и каждого вида деятельности типа с помощью сценария MATLAB (на основе функций программного обеспечения для анализа) , заданными в файле Справочная кода. Сводные данные затем генерируемые функции приведены в таблицах ниже таблице 1 приведены данные из периодов времени , остальное -.. , Которые используются в качестве основы для расчетов эффективности Таблица 2, Таблица 3, и Таблица 4 содержит абсолютную власть данные для PSVT: R, МСТ и проблемы статики, соответственно. Делением значения ячейки для соответствующего канала и частоты запретаd в таблице состоянии покоя, относительные абсолютные коэффициенты мощности приведены в таблице 5, таблица 6, а в таблице 7 PSVT: R, МСТ и проблемы статике, соответственно.

В конечном счете, среднее значение по всем каналам берется для полосы частот бета для каждого типа активности, и полученные результаты приведены в таблице 8. Этот тип данных может быть использован для идентификации трансформирования для дальнейших исследований. Исходя из этих данных для участника в вопросе, мы видим, что относительная абсолютная власть оказывается ниже для PSVT: R, чем для MCT. Решающие выводы относительно этого утверждения, хотя, по-прежнему зависит от большего размера выборки для установления возможной статистической значимости. Относительная абсолютная мощность для задач статике можно сравнить со значением от других участников, а также оценки высокого исполнителя против низкого исполнителя когнитивного напряжения могут быть идентифицированы, которые могут быть соотнесены с функциональными баллами по проблемам статике для проверки. Несмотря на то, что это конкретно документ методы, а также представлены примеры данных только из одного участника, статистический анализ представлен предварительный доклад использовали испытание А Levene для оценки нормальности, а затем тест Фридмана для сравнения группы х задачу х канала ЭЭГ. И, наконец, последующий тест Вилкоксона проводили на значительных Фридмана эффектов и взаимодействий. Сравнение между высокими и низкими показателями показали уровни значительно выше бета активации для отстающих , чем для высоких исполнителей (Для PSVT: R, F3: χ 2 (1,6) = 5,33, p <.03; T8: χ 2 (1, 6) = 4,08, р <0,05; FC6: χ 2 (1,6) = 4,08, р <0,05; F8: χ 2 (1,6) = 4,08, р <0,05; AF4: χ 2 (1 ., 6) = 5,33, р <.03 Для МСТ, F3: χ 2 (1,6) = 5,33, р <.03; T8: χ 2 (1,6) = 5,33, р <.03; FC6: χ 2 (1,6) = 5,33, р <.03; AF4:. χ 2 (1,6) = 4,08, р <0,05 для статики, FC6: χ 2 (1,6) = 4.08, p <.05). 9

Рисунок 1
Рисунок 1: PSVT:. Пример R Проблема Часть А показывает один пример PSVT: R Проблема , как видно участниками. (Источник: Ге (1976)). Правильный ответ C. Часть B обеспечивает визуальное объяснение решения Пожалуйста , нажмите здесь , чтобы посмотреть увеличенную версию этой фигуры.

фигура 2
Рис . 2: MCT Пример Проблема Часть A демонстрирует один пример проблемы MCT , как видно участниками. Правильный ответ D. Часть B обеспечивает визуальное объяснение решения. (Источник: ЦВЕБ (1939))"Целевых =" _blank "> Пожалуйста, нажмите здесь, чтобы посмотреть увеличенную версию этой фигуры.

Рисунок 3
Рис . 3: Статика Пример Проблема иллюстрирует пример одной проблемы Statics отдаваться участникам. Эта проблема для в плоскости (то есть., 2-D) равновесие с учетом трех сил и общую структуру соединения. Пожалуйста , нажмите здесь , чтобы посмотреть увеличенную версию этой фигуры.

Рисунок 4
Рис . 4: Примеры Non-Brain скальп-Mapped активность Три примера пост-ICA кожи головы , отображенные данные показаны от физического лица, 23-летний, мужчина участника. Активация Полный кожи головы, активация над одним глазом / храм, и активация сосредоточены Oп глаза и храмы свидетельствуют о телесной активности, а не активности мозга, как показано после ВСА в IC2, IC3 и IC4 соответственно. Пожалуйста , нажмите здесь , чтобы посмотреть увеличенную версию этой фигуры.

Рисунок 5
Рис . 5: Приемлемые изображения после ICA данных Иллюстрация приемлемой карты кожи головы и 2-D непрерывного участка данных после ВСА для случая образца, независимый компонент 13 (IC13), от физического лица, 23-летний, мужчина участник. Активация по- видимому, сосредоточено на области мозга , в представлении скальпа-карту, и никакие большие полосы не видны в непрерывном участке данных. Пожалуйста , нажмите здесь , чтобы посмотреть увеличенную версию этой фигуры.


Рисунок 6: 2. D-Непрерывные графики данных Matching скальп отображенных изображений Три примера пост-ICA участков непрерывного действия данных показаны из индивидуального, 23-летнего, мужского участника. Толстые полосы или полосы в 2-D непрерывных участков данные из ICA указывают на разрывы не свидетельствует о нормальной функции мозга в IC2, IC3, IC4. - Особенно в IC2 и IC3 участков Пожалуйста , нажмите здесь , чтобы посмотреть увеличенную версию этой фигуры.

Рисунок 7
Рис . 7: Гениальная данных с артефактами Скриншот артефакт (канал F7) вручную отмечен для отклонения с временным диапазоном от образца индивидуального, 23-летнего, мужского участника. Обратите внимание на событие по нескольким каналам между 132 и 133: Подобные события повторяются несколько раз (примерно ту же форму и размер , через равные промежутки времени) , - и , таким образом , предполагается, представляют собой биологическую функцию без мозга - и могут быть удалены с помощью анализа независимый компонент (например, мигает.) (ICA). Пожалуйста , нажмите здесь , чтобы посмотреть увеличенную версию этой фигуры.

. Дополнительный файл Код: MATLAB Script и Переделка Отображает скрипты (spectopo.m и absolutepower.m) для преобразования , основанного на измерении микровольтовом и времени - рассчитанные для каждой полосы частот (дельта, тета, альфа, бета и гамма) - получить абсолютную власть на каждой частоте 22. Изменения кода, необходимые для правильного функционирования в pop_chanedit.m также включены.lemental_Code_File.txt "> Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

ОТДЫХ AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4
дельта 2,92885 4,08477 3,54998 2,34592 2,70998 2,32691 2,68544 4,27085 2,98234 8,86292 6,23237 4,78013 10,8036 3,25063
тета 0,97171 1,37529 1,31051 0,80067 0,86828 0,72737 0,89545 1,47262 0,9612 2,62535 1,81392 1,50252 3,17255 1,07803
альфа 1,05352 1,3154 1,1847 0,65468 0,80063 0,67154 1,02715 2,07336 1,08513 2,66165 1,57996 1,34778 3,03508 1,16919
бета 0,43161 0,90384 0,50791 0,53479 0,50098 0,38674 0,38319 0,58092 0,31785 1,01047 0,56527 0,49346 0,90616 0,48072
гамма 0,5045 1,34183 0,62215 0,84909 0,70052 0,51585 0,43051 0,67612 0,34162 1,03946 0,64008 0,5726 0,91932 0,51616

Таблица 1:. Остальной Абсолютная власть Содержит абсолютные значения мощности для базовых периодов времени отдыха. Значения приведены для каждого колпачка канала ЭЭГ и каждой нейронной полосе частот. Пожалуйста , нажмите здесь , чтобы загрузить эту таблицу в таблицу Excel.

PSVT: R AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4
дельта 3,20159 4,9235 4,45167 2,34879 2,42221 2,02463 2,94513 5,43045 4,42694 12,7964 11.31 6,487 21,8189 4,09331
тета 0,96945 1,59045 1,37746 1,03259 0,84002 0,66437 1,07593 1,74327 1,17321 3,7199 2,85166 1,53374 5,03852 1,18174
альфа 0,85227 1,13582 1,02927 0,58288 0,67936 0,58545 0,74962 1,66418 0,99799 2,75755 2,02905 1,36223 3,80233 1,0266
бета 0,35494 0,678 0,40734 0,36971 0,37595 0,30512 0,31952 0,50253 0,28369 0,75791 0,71554 0,42837 1,01529 0,34922
гамма 0,30691 0,74519 0,41486 0,43652 0,39229 0,30623 0,30822 0,4174 0,22447 0,66889 0,70126 0,36895 0,90685 0,30268

Таблица 2: PSVT:. R Абсолютная власть Содержит абсолютные значения мощности для периодов времени , когда участник решала PSVT: проблемы R. Значения приведены для каждого колпачка канала ЭЭГ и каждой нейронной полосе частот. Пожалуйста , нажмите здесь , чтобы загрузить эту таблицу в таблицу Excel.

МСТ AF3 F7 F3 FC5 T7 P7 </ TD> O1 O2 P8 T8 FC6 FC4 FC8 AF4
дельта 4,25246 7,54329 5,08043 5,52389 3,73567 3,26572 3,76397 5,8437 4,62085 18,7991 16,4444 6,24405 28,1184 4,59798
тета 1,19953 1,84997 1,70135 1,27424 1,30572 1,08925 1,09528 1,91699 1,34909 4,19652 3,73398 2,04338 6,21749 1,33753
альфа 1,18154 1,41989 1,23333 0,76868 0,8051 0,6844 1,02368 2,53414 1,29356 2,94347 2,26038 1,4973 3,94919 1,1579
бета 0,44047 0,89503 0,54 0,51125 0,46215 0,36589 0,3884 0,61918 0,35962 1,03223 0,89744 0,54226 1,35175 0,47197
гамма 0,41897 1,05133 0,51015 0,64259 0,51855 0,39244 0,41827 0,52564 0,29925 0,87269 0,84818 0,4996 1,08765 0,41331

Таблица 3:. MCT Абсолютная власть Содержит абсолютные значения мощности для периодов времени , когда участник решал проблемы MCT. Значения приведены для EACч EEG крышка канала и каждая нейронная полоса частот. Пожалуйста , нажмите здесь , чтобы загрузить эту таблицу в таблицу Excel.

статика AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4
дельта 7,21032 12,8557 8,50834 7,09116 5,75386 4,80761 6,79589 9,11056 7,39437 23,7659 18,5893 11,7132 32,0165 8,38173
тета 1,64049 3,16334 1,98263 1,70548 1,52057 1,25686 1,61864 2,35557 1,6244 4,85163 3,79464 2,53764 6,50266 1,809
альфа 0,86505 1,37518 1,00568 0,72506 0,76361 0,6491 0,95616 1,63483 0,9386 2,56892 1,67092 1,18895 3,13664 0,98499
бета 0,35583 0,55288 0,41326 0,30866 0,34607 0,29362 0,357 0,59991 0,34927 1,04345 0,66066 0,44385 1,21395 0,42598
гамма 0,24587 0,43744 0,31831 0,23404 0,25428 0,2218 0,26349 0,39275 00,22939 0,7927 0,507 0,29891 0,94462 0,3172

Таблица 4:. ​​Статика Абсолютная власть Содержит абсолютные значения мощности для периодов времени , когда участник решал проблемы статики. Значения приведены для каждого колпачка канала ЭЭГ и каждой нейронной полосе частот. Пожалуйста , нажмите здесь , чтобы загрузить эту таблицу в таблицу Excel.

PSVT: R% AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4 в среднем
дельта 1,09312 1,20533 1,254 1,00122 0,89381 0,8701 1,0967 1,27152 1,48439 1,44382 1,81472 1,35708 2,01959 1,25924
тета 0,99766 1,15645 1,05108 1,28965 0,96746 0,91339 1,20155 1,18379 1,22056 1,41692 1,5721 1,02078 1,58816 1,09621
альфа 0,80897 0,86348 0,86881 0,89032 0,84853 0,8718 0,7298 0,80265 0,9197 1,03603 1,28424 1,01072 1,2528 0,87804
бета 0,82237 0,75013 0,80199 0,69131 0,75043 0,78897 0,83383 0,86506 0,89252 0,75005 1,26584 0,86809 1,12043 0,72645 85,2%
гамма 0,60836 0,55535 0,66682 0,5141 0,56 0,59365 0,71594 0,61734 0,65707 0,6435 1,09557 0,64435 0,98644 0,5864

. Таблица 5: PSVT: R Относительная Абсолютная власть Содержит относительные значения абсолютной власти - то есть, отношение по сравнению с базовым Rest - для периодов времени , когда участник решала PSVT: проблемы R. Значения приведены для каждого колпачка канала ЭЭГ и каждой нейронной полосе частот./ftp_upload/53327/Table_5.xlsx">Please нажмите здесь, чтобы загрузить эту таблицу в таблицу Excel.

MCT% AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4 в среднем
дельта 1,45192 1,84669 1,43111 2,35468 1,37849 1,40346 1,40162 1,36828 1,54941 2,12109 2,63855 1,30625 2,60268 1,41449
тета 1,23445 1,34515 1,29823 1,59146 1,5038 1,49751 1,22317 1,30176 1,40354 1.59846 2,05851 1,35997 1,95978 1,24072
альфа 1,12151 1,07944 1,04106 1,17413 1,00557 1,01915 0,99661 1,22223 1,19207 1,10588 1,43065 1,11093 1,30118 0,99034
бета 1,02052 0,99025 1,06317 0,95599 0,9225 0,9461 1,01359 1,06585 1,13138 1,02154 1,58762 1,09891 1,49174 0,9818 109,2%
гамма 0,83046 0,78351 0,81998 0,7568 0,74023 0,76077 0,97157 0,77744 0,87596 0,83956 1,32511 0,87252 1,1831 0,80073

. Таблица 6: MCT Относительная Абсолютная власть Содержит относительные значения абсолютной власти - то есть, отношение по сравнению с исходным уровнем остальное - в течение периодов времени , когда участник решал проблемы MCT. Значения приведены для каждого колпачка канала ЭЭГ и каждой нейронной полосе частот. Пожалуйста , нажмите здесь , чтобы загрузить эту таблицу в таблицу Excel.

Статика% AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4 в среднем
2,46182 3,14723 2,39673 3,02277 2,12321 2,06609 2,53064 2,1332 2,47939 2,6815 2,9827 2,45039 2,96349 2,57849
тета 1,68824 2,30012 1,51286 2,13005 1,75125 1,72794 1,80763 1,59958 1,68997 1,84799 2,09195 1,68893 2,04966 1,67807
альфа 0,82111 1,04545 0,84889 1,1075 0,95375 0,96658 0,93089 0,78849 0,86496 0,96516 1,05757 0,88215 1,03347 0,84245
бета 0,82441 0,6117 0,81364 0,57716 0,69079 0,75922 0,93164 1,03269 1,09885 1,03264 1,16874 0,89947 1,33966 0,88613 90,5%
гамма 0,48736 0,326 0,51162 0,27564 0,36299 0,42997 0,61205 0,58088 0,67146 0,76261 0,79208 0,52202 1,02753 0,61453

. Таблица 7: Статика Относительная Абсолютная власть Содержит относительные значения абсолютной власти - то есть, отношение по сравнению с исходным уровнем остальное - в течение периодов времени , когда участник решал проблемы статики. Значения шсамостоятельно для каждого EEG крышки канала и каждой нейронной полосе частот. Пожалуйста , нажмите здесь , чтобы загрузить эту таблицу в таблицу Excel.

в среднем
PSVT: R% 85,2%
MCT% 109,2%
Статика% 90,5%

. Таблица 8: Усредненная Относительная Абсолютная власть Содержит относительные значения абсолютной власти - то есть, отношение по сравнению с базовым Rest - усредненное по всем капитализацией каналам ЭЭГ для периодов времени , когда участник был решении PSVT: R, MCT и Статика проблемы , Процентное соотношение приведены для диапазона частот бета только. Пожалуйста , нажмите здесь , чтобы загрузить эту таблицу в качествеп Excel таблицы.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Протокол рассматривается применение электроэнцефалографии для измерения активности мозга для участников рабочих проблем из двух типичных пространственных способностей инструментов и высоко пространственных задач инженерного статики. Методы, подробно описанные здесь, могут в конечном счете быть в состоянии помочь понять нейронные эффективность высоких и низких исполнителей, занятых в работе с этими проблемами. Крайне важно, чтобы понять, какие различия в эффективности нейронных инженерных студентов, работающих на МСТ и PSVT: R, так как эти тесты часто используются для оценки пространственной способности. Сравнивая их друг с другом позволяет лучше оценить их применимость к успеху в области машиностроения и их позиции в основополагающем инженерных учебных программ.

Протокол устанавливает порядок исследования нейронных эффективности, связанных с пространственными задачами познания. Важно, что надежные и действительные инструменты используются для оценки пространственных способностей, связанных с инженерным содержанием. Это яКроме того, важно, что технические проблемы нацелены на репрезентативное содержание инженерного для конкретного курса. Измерения ЭЭГ предлагают отличную ненавязчивую способность триангуляции когнитивных данных компонентов из студентов, участвующих в пространственных аспектах решения инженерных задач. Собственное время штамповки следует использовать для сбора таких данных, обеспечивая триангуляции с возможностью просмотра видео в архив событий. IRB протоколы должны строго следовать, обеспечивая анонимность данных и анализа участников.

Большинство проблем по устранению неисправностей происходят во время сбора данных ЭЭГ, как описано ниже, и большинство из них обрабатываются, прежде чем данные записываются. Исправления для низкого импеданса и шума лучше всего обрабатываются во время установки. Следуя инструкциям производителя гарнитура ЭЭГ имеет решающее значение, и в нашем опыте показания с помощью программного обеспечения производителя могут направлять пользователей для проверки конкретных электродов. Как правило, соединение между войлочной прокладкой и participanголова T, нужно смачивать больше, или связь между каждым электродом и гарнитурой может потребоваться проверить. Если какая-то связность видна, но качество оставляет желать лучшего, используя шприц повторно смочить войлок часто бывает достаточно, а иногда гарнитура должна быть скорректирована физически, чтобы обеспечить плотный контакт с кожей головы. В нескольких случаях мы должны были попросить участников полощут волосы в раковине, прежде чем мы смогли получить хорошее соединение. Когда электрод-видимому, не будет передавать данные, он часто устраняется путем удаления электрода, а затем снова установить его. Время от времени, пластмассовый корпус для электрода может треснуть, и в этом случае необходимо будет заменить.

Другое устранение неполадок может произойти во время анализа данных, и обсуждается в протоколе. Предварительная обработка данных включает в себя фильтрацию и удаление артефактов. Часто программное обеспечение для анализа данных поддерживает ручное отторжение, а также сценарии, которые могут быть запущены во время предварительной обработки и про работка данных.

Изменения были внесены в сценарий в рамках программного обеспечения для анализа. Эти изменения описаны в дополнительном файле кода. Изменения в протоколе также могут быть сделаны. Конкурентный протокол был использован, в котором словесные ответы необходимы в ходе исследования. Это позволит ввести больше артефактов в данных ЭЭГ, но обеспечит более глубокое представление о функциональном знаний участника во время испытаний. Альтернативой также был использован, в котором участник принимает участие в видеопленку интервью с исследователем после завершения сеанса работы.

Другие рекомендуемые потенциальные модификации включают используя различную пространственную способность испытаний 14, различные инженерные вопросы 17 или других образовательных оценок. Различные показатели активности мозга, возможно с помощью ЭЭГ и других измерительных приборов, а также может пролить свет на трудности, или других характеристик, оценок квалификации.

jove_content "> Мы признаем, что существуют ограничения с техникой, определенной в настоящем документе Конструкции пространственной способности (вращение и резка строганые поверхности), измеренные PSVT:. R и MCT являются лишь двумя из многих возможных конструкций измеримых других пространственных метрик. Кроме того, различные пространственно - ресурсоемких задач (то есть., различные типы проблем или различных курсов и курсовых работ ) также могут быть оценены. Исследование нервной эффективности , конечно , должны также проводиться в более широком контексте , чем просто фундаментальных инженерных дисциплин , таких как статики. Для Например, должно быть исследовано в течение многих областях STEM подтверждалось в литературе, зависит от пространственного мышления 3. Кроме того , нейронные исследования эффективности не должны быть ограничены навыками непосредственно связаны только с пространственной способностью 21-28. Даже в рамках исследования были вовлечены в BrainWave измерение, практика усреднения измерений мощности по длительности задачи запрещает расследованиев другие корреляции, которые могут произойти в пределах паттернов активности мозга. измерения ЭЭГ, в связи с их временной чувствительностью, не ограничиваются исследованиями нейронных эффективности. И EEG аппаратура сама ограничена глубиной озарения активности он может обнаружить, особенно если сравнивать с более высоким пространственным разрешением функциональной ближней инфракрасной спектроскопии или функциональной магнитно - резонансной томографии, хотя его временная чувствительность остается среди лучших 36.

В конечном счете, потенциал использования физиологических измерений , чтобы обеспечить способность проникновения в суть педагогической теории и практике появляется огромная 37,38. Технический подход и цели этого протокола отличаются от БОС подход с использованием ЭЭГ в образовательной / подготовки исследования 39, но все они заслуживают рассмотрения , как понимание опыта в таких явлениях, как развитие способностей и пространственного развития инженерного мастерства. Такой подход использования ЭЭГ для изучения нейронной efficiобразность между пространственными задачами, присущими в пределах определенных пространственных способностей инструментов определяет другой метод разделения пространственных тестов способностей. Это служит примером нового применение Нейрологическая подхода для исследования пространственных тестов способностей, а также открытие Нейрологическая подход к исследованию существующей теории образовательной. Поиск методов для верификации и валидации является частью инженерной культуры. В рамках этого нового приложения, физиологические мозговолна тестирование может открыть новую область понимания и рафинирования педагогической теории. В самом деле, если рассматривать как возможное направление проверки, новой и нового поколения техники, могут возникнуть исследования в области образования.

Subscription Required. Please recommend JoVE to your librarian.

Acknowledgments

Авторы хотели бы признать Кристофер Грин, Брэдли Робинсон, и Мария Мануэла Вальядареса, за помощь в сборе данных. Финансирование EEG оборудование было предоставлено Управлением Государственного университета штата Юта по исследованиям и Graduate Studies оборудования Грант мультисенсорного Познания Lab Керри Джордан. Benjamin Вызов поддерживается президентским докторских исследований стипендий достигшего из школы Университета штата Юта в аспирантуры за его работу с доктором Wade Гудриджем.

Materials

Name Company Catalog Number Comments
Emotiv EPOC Model 1.0 Emotiv Model: Emotiv Premium "High resolution, multi-channel, portable EEG system."
Emotiv Control Panel (software) Emotiv Used for data collection.
Emotiv Testbench (software) Emotiv Used for data collection.
Virtual Serial Port Emulator - VSPE (software) ETERLOGIC.COM Used COM10 in data collection. Available as a free download, depending on the operating system.
E-Prime 2.0 (software) Psychology Software Tools Used for data collection (presentation of problems to participants and collection of markers for different phases).
EEGLab 13.4.4b (software) Swartz Center for Computational Neuroscience (SCCN) Used for data analysis. "An open source environment for electrophysiological signal processing". SCCN is a Center of the Institute for Neural Computation, the University of California San Diego.
MATLAB R2014b The Mathworks, Inc. Used to run EEGLab
Microsoft Excel 2013 Microsoft Used to assemble and compare tabulated results from EEGLab & MATLAB, to create tables
Camcorder with built in Mic Canon CNVHFR50 Used to record sessions
Syringe Kit (5 cc syringe & 16 G blunted needles x 2) Electro-Cap Intnl. Inc. E7 For keeping the EEG cap's felts damp.
Nuprep EEG Skin Prep Gel Weaver and Company 10-30 For cleaning the mastoid process.
Sanitizer Purell S-12808 For sanitizing hands

DOWNLOAD MATERIALS LIST

References

  1. Sorby, S. A. Educational Research in Developing 3-D Spatial Skills for Engineering Students. Int. J. Sci. Educ. 31 (3), 459-480 (2009).
  2. Wai, J., Lubinski, D., Benbow, C. P. Spatial Ability for STEM Domains: Aligning Over 50 Years of Cumulative Psychological Knowledge Solidifies Its Importance. J. Educ. Psychol. 101 (4), 817-835 (2009).
  3. Uttal, D. H., Cohen, C. A. Spatial Thinking and STEM Education: When, Why, and How? Psychol. Learn. Motiv. 57, 147-181 (2012).
  4. Halpern, D. F., Collaer, M. L. The Cambridge handbook of visuospatial thinking. , Cambridge University Press. Cambridge. (2005).
  5. Lubinski, D., Benbow, P. Study of mathematically precocious youth after 35 years. Perspect. Psychol. Sci. 1 (4), 316-345 (2006).
  6. Sorby, S., Casey, B., Veurink, N., Dulaney, A. The role of spatial training in improving spatial and calculus performance in engineering students. Learn. Individ. Differ. 26, 20-29 (2013).
  7. Peters, M., Chisholm, P., Laeng, B. Spatial ability, student gender, and academic performance. J. Eng. Educ. 84 (1), 1-5 (1994).
  8. Pellegrino, J. W., Alderton, D. L., Shute, V. J. Understanding Spatial Ability. Educ. Psychol. 19 (3), 239-253 (1984).
  9. Goodridge, W., Villanueva, I., Wan, N. J., Call, B. J., Valladares, M. M., Robinson, B. S., Jordan, K. Neural efficiency similarities between engineering students solving statics and spatial ability problems. Poster presented at the meeting of the Society for Neuroscience. Washington, DC, , (2014).
  10. Sorby, S. A., Baartmans, B. J. The Development and Assessment of a Course for Enhancing the 3-D Spatial Visualization Skills of First Year Engineering Students. J. Eng. Educ. 89 (3), 301-307 (2000).
  11. Gorska, R., Sorby, S. A. Testing instruments for the assessment of 3-D spatial skills. Proceedings of the American Society for Engineering Education Annual Conference. , (2008).
  12. CEEB Special aptitude test in spatial relations. , CEEB. USA. (1939).
  13. Guay, R. Purdue spatial visualization test. , Purdue University. (1976).
  14. Hegarty, M. Components of Spatial Intelligence. , Elsevier Inc. San Diego, CA. (2010).
  15. Bishop, J. E. Developing Students' Spatial Ability. Sci. Teacher. 45 (8), 20-23 (1978).
  16. Goodridge, W. H., Villanueva, I., Call, B. J., Valladares, M. M., Wan, N., Green, C. Cognitive strategies and misconceptions in introductory Statics problems. 2014 IEEE Frontiers in Education Conference (FIE) Proceedings. , 2152-2159 (2014).
  17. Steif, P. S., Dantzler, J. A. A Statics Concept Inventory: Development and Psychometric Analysis. J. Eng. Educ. 94 (4), 363-371 (2005).
  18. Suresh, R. The relationship between barrier courses and persistence in engineering. J. Coll. Student Retention. 8 (2), 215-239 (2006).
  19. Pfurtscheller, G., Lopes da Silva, F. H. Event-related EEG/MEG synchronization and desynchronization: basic principles. Clin. Neurophysiol. 110 (11), 1842-1857 (1999).
  20. Klimesch, W. EEG alpha and theta oscillations reflect cognitive and memory performance: a review and analysis. Brain Res. Brain Res. Rev. 29 (2-3), 169-195 (1999).
  21. Babiloni, C., et al. Resting state cortical rhythms in athletes: a high-resolution EEG study. Brain Res. Bull. 81 (1), 149-156 (2010).
  22. Babiloni, C., et al. 34;Neural efficiency" of experts' brain during judgment of actions: a high-resolution EEG study in elite and amateur karate athletes. Behav. Brain Res. 207 (2), 466-475 (2010).
  23. Del Percio, C., et al. "Neural efficiency" of athletes' brain for upright standing: a high-resolution EEG study. Brain Res. Bull. 79 (3-4), 193-200 (2009).
  24. Grabner, R. H., Fink, A., Stipacek, A., Neuper, C., Neubauer, A. C. Intelligence and working memory systems: evidence of neural efficiency in alpha band ERD. Brain Res. Cognitive Brain Res. 20 (2), 212-225 (2004).
  25. Grabner, R. H., Neubauer, A. C., Stern, E. Superior performance and neural efficiency: the impact of intelligence and expertise. Brain Res. Bull. 69 (4), 422-439 (2006).
  26. Grabner, R. H., Stern, E., Neubauer, A. C. When intelligence loses its impact neural efficiency during reasoning in a familiar area. Int. J. Psychophysiol. 49, 89-98 (2003).
  27. Neubauer, A. C., Grabner, R. H., Fink, A., Neuper, C. Intelligence and neural efficiency: Further evidence of the influence of task content and sex on the brain-IQ relationship. Cognitive Brain Res. 25 (1), 217-225 (2005).
  28. Riecanský, I., Katina, S. Induced EEG alpha oscillations are related to mental rotation ability: The evidence for neural efficiency and serial processing. Neurosci. Lett. 482 (2), 133-136 (2010).
  29. Roberts, J. E., Ann Bell, M. Two- and three-dimensional mental rotation tasks lead to different parietal laterality for men and women. Int. J. Psychophysiol. 50 (3), 235-246 (2003).
  30. Roberts, J. E., Bell, M. A. The effects of age and sex on mental rotation performance, verbal performance, and brain electrical activity. Dev. Psychobiol. 40 (4), 391-407 (2002).
  31. Gill, H. S., O'Boyle, M. W., Hathaway, J. Cortical distribution of EEG activity for component processes during mental rotation. Cortex. 34 (5), 707-718 (1998).
  32. Caplan, J. B., Madsen, J. R., Schulze-Bonhage, A., Aschenbrenner-Scheibe, R., Newman, E. L., Kahana, M. J. Human Theta Oscillations Related to Sensorimotor Integration and Spatial Learning. The J. Neurosci. 23 (11), 4726-4736 (2003).
  33. Kahana, M., Sekuler, R., Caplan, J., Kirschen, M., Madsen, J. R. Human theta oscillations exhibit task dependence during virtual maze navigation. Nature. 399 (6738), 781-784 (1999).
  34. Delorme, A., Makeig, S. EEGLAB: An open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. J. Neurosci. Meth. 134, 9-21 (2004).
  35. Delorme, A., Sejnowski, T., Makeig, S. Enhanced detection of artifacts in EEG data using higher-order statistics and independent component analysis. NeuroImage. 34, 1443-1449 (2007).
  36. Meyer-Lindenberg, A. From maps to mechanisms through neuroimaging of schizophrenia. Nature. 468, 194-202 (2010).
  37. Campbell, S. R. Educational Neuroscience: Motivations, methodology, and implications. Educ. Neurosci.: Initiatives and Emerging Issues. Patten, K. E., Campbell, S. R. 43 (1), Wiley-Blackwell. West Sussex, United Kingdom. 7-16 (2011).
  38. Kelly, A. E. Can Cognitive Neuroscience Ground a Science of Learning?. Educ. Neurosci.: Initiatives and Emerging Issues. Patten, K. E., Campbell, S. R. 43 (1), Wiley-Blackwell. West Sussex, United Kingdom. 17-23 (2011).
  39. Cunningham, M. D., Murphy, P. J. The effects of bilateral EEG biofeedback on verbal, visual-spatial, and creative skills in learning disabled male adolescents. J. Learn. Disabil. 14 (4), 204-208 (1981).

Tags

Поведение выпуск 114 пространственный интеллект электроэнцефалография нейронная эффективность способность к пространственному пространственное мышление инженерное образование Статика
Использование электроэнцефалографии измерений для сравнения конкретных задач Neural эффективностей: Задачи Spatial Intelligence
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Call, B. J., Goodridge, W.,… More

Call, B. J., Goodridge, W., Villanueva, I., Wan, N., Jordan, K. Utilizing Electroencephalography Measurements for Comparison of Task-Specific Neural Efficiencies: Spatial Intelligence Tasks. J. Vis. Exp. (114), e53327, doi:10.3791/53327 (2016).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter