Waiting
Login processing...

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

Behavior

Görev Özgü Sinir Efficiencies Karşılaştırma için Elektroensefalografi Ölçümler kullanmak: Mekansal Zeka Görevleri

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

Bu el yazması mekansal odaklı mühendislik problemlerini çözerken insanların sinir aktivitesini ölçmek için bir yaklaşım anlatılmaktadır. EEG yöntemi sonuçta sorun türleri arasında ve katılımcılar arasında hem görev performansı karşılaştırmaları sağlayan amacıyla, nöral verimlilik açısından beta beyin dalgası ölçümleri yorumlamaya yardımcı olur.

Abstract

Mekansal zeka genellikle mühendislik eğitimi ve mühendislik mesleklerinde başarıya bağlıdır. elektroensefalografi kullanımı da çözüm elde etmek için mekansal yeteneği gerektiren ardışık görevleri gerçekleştirmek olarak bireylerin sinir verimlilik karşılaştırmalı hesaplanmasını mümkün kılar. Burada Sinir verim daha az beta aktivasyonu olan ve bu nedenle diğer gruplar ya da diğer görevler ile karşılaştırıldığında bir görevi gerçekleştirmek için, daha az sinir kaynak harcadığı olarak tanımlanır. benzer süreler ile görevler arası görev karşılaştırmalar için, bu ölçümler görev tipi zorluk bir karşılaştırma mümkün kılabilir. içi katılımcı ve inter-katılımcı karşılaştırmalar için, bu ölçümler uzamsal yetenek ve farklı mühendislik problem çözme görevleri katılımcının düzeyine potansiyel bilgi sağlar. Seçilen görevler performans analiz ve beta faaliyetleri ile ilişkili olabilir. Bu çalışma öğrencilerin eng nöral verimliliğini okuyan detaylı bir araştırma protokolü sunarTipik uzamsal yetenek ve Statik problemleri çözmede yaş. Ve statiği: Öğrenciler Mental özgü sorunları Testi (MCT) Dönmeler, Purdue Mekansal Görselleştirme testi (R PSVT) Kesme tamamladı. Bu sorunların çözümünde meşgul iken, katılımcıların beyin dalgaları EEG alfa ve beta beyin dalgası aktivasyonu ve kullanımına ilişkin verilerin toplanması için izin ile ölçüldü. iş mühendisliğinde başarılı performans yollar ve takip edebilir mühendislik eğitiminde ortaya çıkan gelişmeleri tespit etmek mekansal yoğun mühendislik görevleri ile saf mekansal görevler üzerinde fonksiyonel performansı korelasyon görünüyor.

Introduction

Uzamsal yetenek (STEM) alanları ve eğitim Bilim, Teknoloji, Mühendislik ve Matematik hayati öneme sahiptir ve bu alanlarda 1,2,3 başarı ile ilişkilidir. Nedenle, 4 çözme nasıl uzamsal yetenek etkiler sorun gelişimini anlamak önemlidir. Uzamsal yetenek mühendislik uzmanları 8 mühendislik akademisyenler 7 ve başarı ilgi 5. performans 6, başarı ile bağlantılı olmuştur. Ancak, birçok uzamsal yetenek aletleri, ne de son derece uzaysal olan özel mühendislik içeriğine tipik sorunların çözümünde belirli sinir süreçleri gösteren bir sürü iş yoktur.

Bu yazıda veri toplama ve nöral ölçümlerle birlikte uzamsal yetenek enstrüman puanlarının analizi için kullanılan yöntemlere bir giriş sağlar. Jüpiter ile yayınlanması niyet daha geniş bir kitleye bu yöntemler daha erişilebilir hale getirmektir. Genel kamu donanım ve yazılım werBu çalışmada kullanılan e. Bir yöntemler kağıt gibi, tam sonuç / veri setleri rapor, ne de sağlanan birden örneklerdir değildir. Tüm görüntüler bu yayın için özel olarak ele geçirildi. Aşağıda ayrıntıları verilen yöntemler kadın üçü sekiz üniversite ikinci sınıf öğrencisi yaşlı katılımcıların, elde edilen verilere dayanarak bir ön konferans raporu 9 hazırlanmasında kullanılmıştır.

Birçok mevcut araçlar için doğal veya kişiler tarafından öğrenilen uzamsal yetenek düzeylerini belirtmek için kullanılır. 13: yaygın olarak kullanılan iki geçerli ve güvenilir 10,11 aletleri Testi (MCT) 12 Kesme Zihinsel ve Dönmeler Purdue Mekansal Görselleştirme testi (R PSVT) bulunmaktadır. Başlangıçta mesleki 14 tasarlanmış olsa da bu araçların Piagetci teorisi 10,15 tarafından tarif mekansal görselleştirme gelişiminin farklı aşamalarında test edin. Bu enstrümanların kullanımı, altta yatan fizyolojik, bilişsel olaylar existin anlamak için bir ihtiyaç yaratırg bireyler bu sorunların üzerinden çalışırken. Bu nedenle, bu çalışmada, sonuçta mekansal düşüncenin analiz ve anlayışı geliştirmek olabilir ampirik fizyolojik veriler kullanılarak yöntemleri vitrin mevcut ölçümlerini test yetenekleri doğrulamak ve mühendislik eğitiminin tipik mekansal değerlendirmelere daha karmaşık sorunlar uygulanabilirliğini artırmayı hedeflemektedir. Bu sorunların pek çok mühendislik Statik karşılaşılan edilebilir.

Statik bir temel mekanik Elbette en mühendislik öğrencilerine teslim (örneğin., Biyolojik, Mekanik, İnşaat, Çevre, Uzay Mühendisliği) 16,17. Öğrencilerin çekirdek mühendislik içeriği 18 verilen ilk kapsamlı problem çözme deneyimleri biridir. Statik dinlenme veya sabit bir hızla hareket olan sert bir gövde üzerine uygulanan kuvvetler arasındaki etkileşim gerektirir. Ne yazık ki Statik inves görüldüğü gibi yüksek terkinin, geri çekilmesini ve başarısızlık oranları (% 14 vardırincelenmeli- Üniversitesi) ve bu tür eğitim mekansal gelişmiş yaklaşımlar olarak destek önemli yollar ihmal geleneksel ders ve müfredat teslim modelleri ile ilişkili olabilir. Örneğin, Statik içinde mekansal gelişmiş yaklaşımlar güçleri tipik analitik analiz dışında nasıl etkileşimde görselleştirme hedef ve topraklı kavramsallaştırma ile öğrencilerin usul bilgisini pekiştirebilir. Bu tür müdahalelerin etkinliği bilişsel nörobilimsel bakış açısıyla araştırılması gerekmektedir.

Elektroensefalografi (EEG), öğrencilerin beyin aktivitesini ölçme benzersiz ve mobil bir yöntem sunar. Beta aktivasyon ortaya görevleri yerine Bireyler genellikle çok görev özellikleri ile uğraşan ve 19,20 ne yaptığını için özenli vardır. bant genişliği frekansları işgal kortikal alanın boyutunu yaptığı gibi görev artış, beta dalga artar genliği talep olarak. içinde ateş daha nöronlarbeta frekans aralığı (alfa: 8 - 12 Hz, beta: 12 - 24Hz) daha beta gücü olarak tanımlanabilir. tek bir görev daha deneyimli hale geldikçe Buna bağlı olarak, beta dalgalarının genliği daha az beta güç üreten, azalır. Bu sinir verimlilik hipotez 21-28, bir görevi yerine frekans gücü azalma ile ilişkilidir daha fazla görev deneyiminin bir parçasıdır. EEG önce (genellikle zihinsel rotasyon ve mekansal navigasyon görevler için) uzaysal yeteneklerini Çalışmada kullanılan olmasına rağmen - ve uygulanabilir veri alfa, beta tespit edilmiştir ve teta bantlar 27-33 - alfa ve beta bantları bu gözlenmedi çalışma ve beta bu yazıda daha fazla temsilci analiz ve ön konferans raporunda 9 seçildi. böylece beta bant analiz odaklanmak aşağıda tanımlanan prosedürler, ancak oturum açmış verilere bağlı olarak her üç bantları ilgili soruşturma, gelecekte tavsiye edilir.

Nöral etkinlik hipotezi satranç, görsel-uzamsal bellek, dengeleme ve dinlenme gibi çeşitli görevler üzerinde test edilmiştir. Bilinen görevleri yaparken, tüm azalmış frekans gücü bir faktör olarak görev deneyimi göstermiştir. Belirli bir çalışma 25 kanıtlar sunmuştur, bu (IQ ile ölçülen) bir kişinin istihbarat bireysel nöral verimlilik katkısı zeka ağır basıyor görevi görevi, deneyim gerçekleştirmek için beceri edinmelerine yardımcı rağmen. Başka bir deyişle, daha bir bireydir deneyimli, daha nöral verimli o olur.

Mekansal yeteneği içeren mevcut nöral etkinlik çalışmaları öncelikle mekansal rotasyon odaklanmış ve farklı problem setleri farklı popülasyonlar karşılaştırmak için kullanılır olmuştur (örn., Erkek / kadın) 27-28. Uzamsal yetenek görevleri EEG çalışmaları da diğer görev türlerine performansı karşılaştırarak fikir sağlamıştır (örn., Sözlü görevler)27,29,30. yöntemler bu kağıt odak tartışılan ve MCT, PSVT problemleri karşılaştırmak: uzamsal yetenek ile ilgili ama mekansal rotasyon ve navigasyon bunlarla sınırlı değildir R yanı sıra statik denge görevleri. Diğer mekansal görevler bu yazının örnek olarak verilen olanların yerine kullanılabilir. Bu sayede, ek anlayış, farklı toplumlarda ilgili ileride elde edilebilir (örn., Erkek / kadın veya uzman / acemi) sonuçta mühendislik eğitim uygulamalarını geliştirmek yardımcı olur.

uzamsal yetenek ve mühendislik yetenek araştırmak için bir çaba, belirli mekansal ve mühendislik görevleri sınırlı bir pil sırasında yüksek performanslı katılımcılara düşük performans gösteren beta dalgası aktivasyonları tanımlamak için EEG ölçümleri kullanan bir protokol geliştirmiştir. Bu durumda, süreli yüksek performans katılımcının performansına ilişkin olup, ilgili alanda harcanan zaman miktarı yansıtıcı değilöğrenci, tüm katılımcıların eğitimde yaklaşık aynı noktada olduğu gibi. Ayrıca, ilgili problem seti oldukça spesifik ve temel; böylece terimleri "uzman" ya da "yüksek performanslı" Burada bir uzman, profesyonel çalışan mühendis anlamında inceledi, ama mühendislik mekaniği müfredat ve uzamsal yetenek araçlarının bu dar dilim sadece yüksek performans temsil edilmemelidir. Nöral ölçümler de görev türleri zorluk düzeyleri ile ilgili olası yorumuyla, diğerlerinden daha bilişsel kaynakları işe olabilecek olan herhangi bir brüt eğilimlerini tespit etmek için kullanılabilir. Bu bilgiler, potansiyel uzamsal yetenek bakımından gelecekte değerlendirme ve müdahale içgörü sağlayabilir. Diğer gelecek içgörü nedeniyle kullanılan EEG donanım mevcut kanalların sınırlı sayıda bu çalışmada mümkün değildi beynin, daha spesifik bölgeleri dikkate alarak elde edilebilir.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

İnsan Katılımcıların Kullanımına İlişkin Etik Beyanı

Bu çalışmada yer alan Prosedürler insan deneklerin çalışma için Utah State Üniversitesi Kurumsal Değerlendirme Kurulu (KİK) tarafından onaylanmıştır. Herhangi bir benzer çalışmalar da ilgili IRB tarafından onaylanması gerektiğini tavsiye edilir. Katılımcılar durdurmak veya deney sırasında herhangi bir zamanda çalışmadan çekilme izin verilir.

Katılımcıların 1. Seçim

  1. Öğrencilerden gönüllü olarak Seç katılımcılar şu anda Statik kursuna kaydoldu. Katılımcılar daha önce onlar çalışmaya süre göreceksiniz Statik içeriğe maruz emin olun.
    Not: diferansiyel performans seviyeleri kavramlarının konsolidasyon ve geliştirilmesi için zaman kalmayacak şekilde İdeal katılımcılar çalışmaya katılmadan en az dört hafta önce ders üzerinden malzemeye maruz kalma olmalıdır.
  2. tüm İDD protokoller aşağıdaki işe yürütün. AçıklamakTüm prosedürler ve detaylı potansiyel katılımcılara kısıtlamalar. Gelecekteki temas ve nasıl çalışmanın sonuçları yayınlandı ve / veya katılımcıların kullanımına yapılabilir kapsamını tanımlar. Çalışmaya katılım için herhangi bir tazminat tanımlayın. Bir gönüllü çalışmaya kayıt seçerse, bir çift kodlu kimlik kodu yalnızca bilinen ve sorumlu araştırmacı tarafından kontrol ile ona sağlamak.
    Not: Belirli nüfus işe beyin verileri bireysel farklılıkları analiz etmek için istatistiksel numune güç ve gerekli katılımcı sayısını doğrulamak için istatistiksel analiz gerektirir. Araştırmacı popülasyonları arasındaki karşılaştırmalı bir çalışma yapmak isterse, o zaman bir güç analizi her iki nüfus için uygun katılımcı grup boyutları geliştirmek için yapılmalıdır.
  3. Seç faaliyetler veya katılımcılar için istenen deneyimleri temsil eden sorunlar.
    Not: Bu protokol, ikinci sınıf düzeyinde mühendislikBir Statik derse kayıtlı öğrenciler seçildi. Düzlem Testi (MCT) ve Purdue Mekansal Görselleştirme Testi (PSVT-R) Kesme Ruh: İlgili görülen faaliyetlerin tanıtım Statik içeriği yanı sıra iki yaygın olarak kullanılan uzamsal yetenek araçlarından sorunlar vardı. Her enstrüman uzamsal yetenek ve bu seçilen öğrenci nüfusunun mekansal gelişmişlik düzeyi farklı yapıları test eder.
  4. katılımcılar için laboratuar oturumları organize etmek için bir takvim oluşturulması.

Araçların 2. Hazırlık

  1. üreticinin talimatlarına göre EEG kulaklıklar (aka kapaklar) ayarlayın. katılımcı çalışma için gelmeden önce bu hazırlık tamamlayın. tıbbi dereceli EEG kurulumları aksine yinelemek için, bu prosedür, örneğin Emotiv gibi genel mobil kulaklıklar özgüdür.
    1. seans başına ideal olarak en az 1 saatlik şarj - EEG kulaklıklar şarj edin. düzenli kullanılan laboratuvar için, bir şarj en az iki kulaklıklar vart her zaman.
    2. EEG elektrotları nemlendirme için sıvı içeren, erişilebilir bir alanda gerekli tüm sıvıları yerleştirin (örneğin., Su) ve EEG referans düğümleri için iyi bir iletişim sağlamak için bir aşındırıcı temizleyici.
    3. (Her gövde güvenli bir şekilde oturduğundan altın temas sağlanması) Her kasa içine keçe yerleştirin. bir şırınga kullanarak nemlendirme sıvı ile keçe doyurabilecek. nemlendirilmiş elektrotlar dinlenmeye bırakın.
  2. katılımcı davranışını ölçmek için istenilen video kameralar ayarlayın. Geçerli protokolü için, katılımcı başına iki video kameralar kullanın. katılımcı yerinde olduğunu bir kez kameralar yeniden ayarlayın. Video zaman damgalı olduğundan emin olun.
    1. yüz ifadeleri kaydetmek ve yüksek kaliteli ses elde etmek için amaçlayan eğer katılımcının yüzüne bir kamera odaklanın.
    2. El yazısı eylemleri (el yazısı beklenen ise, bir yazı kullandığınızdan emin olun dahil, el hareketi yakalamak için katılımcının önündeki alana diğer kamera odaklanınhangi görevi hangi zamanda çözülmesi ediliyor olarak karanlık ve / veya kamera tarafından çekilen için yeterince kalın Gösterge), ve bilgisayar monitörü yeterli fikir sağlamak.
    3. Bilgisayarı açın ve yazılım beyin verilerini kaydetmek için açık olduğunu doğrulayın. tüm yazılım ve veri toplama cihazları veri toplama için yeterince arabirim emin olun.

Çalışma Katılımcıları ve Oturum Başlama 3. hazırlanması

  1. Yukarıda tartışılan IRB anlaşmaya göre katılımcılardan belgelenmiş rıza alınması doğrulayın. önce çalışma başlamadan katılımcıların herhangi bir soruya cevap. Toplanan veriler kimlik kodu tarafından başvurulan edilecek ve orada katılımcıya verileri bağlayan hiçbir tanımlayıcı bilgiler olacak ve onlar her zaman çekilebilir olacağı katılımcılara hatırlatın.
  2. çalışmaya katılmadan önce bir demografik anketi doldurmak için her katılımcıdan. Bu anket cinsiyet, yaklaşık bir isteyebilirge, çalışmada yeteneklerini etkileyebilir önceki deneyim (örn., bu tür kullandıkları eli onlar acı olabilir travmatik beyin yaralanması gibi dışlama kriterlerine ilişkin geçmiş mühendislik veya mekansal yoğunlaştırılmış kurslar, uzamsal yetenek arttırıcı hobiler ve sorular).
    1. Aşağıdaki koşullardan biri doğruysa EEG analizi için gönüllü grubundan katılımcılar hariç tut: (a) katılımcı, elli veya ambidextrous sol beyin lateralizasyonun boşa için kontrol etmek için bir; (B) birey nedeniyle fiziksel engeli laboratuar oturumları katılamazlar; veya (c) bireysel ciddi beyin hasarı yaşadı. İşe alım sürecinde bu sınırlamaların potansiyel katılımcıları bildir, ya da mümkün olduğunca erken harcama gereksiz zaman ve kaynak önlemek için.
  3. Girişte, katılımcı rahat olduğundan emin olun ve kalan bir soru veya sorunlarınızı çözmek.
    1. doyurmak için kullanılan şırınga göstermekDüğüm ve sadece keçeler nemli EEG tutmak için kullanılan olacağını açıklar. Katılımcı iğneleri aşırı korku varsa, diğer önlemler uygulanması düşünün (örn., Keçe yeniden ıslatma sırasında onların odak düzlemi dışında şırıngayı tutarak).
    2. onların kişiden herhangi bir elektronik kaldırmak için katılımcı isteyin.
  4. katılımcı üzerinde EEG kulaklığı yerleştirin.
    1. rutubeti için keçe kontrol edin ve EEG kulaklık içine keçe / gövde kombinasyonu yerleştirin.
    2. Aşındırıcı temizleyici ile katılımcının referans noktaları (örneğin., Mastoid proses) temizleyin. artıkları silin.
    3. uygun referans noktaları ile aynı hizada referans düğümleri ile katılımcı kulaklığı yerleştirin. aşırı kulaklığın silah bükmeyin. rahatsızlık ve katılımcının kafa ile uygun kulaklığı uyum ve boşluk olmayan şekilde referans düğüm ve kulak arkası arasında bir boşluk bırakın.

Oturum içinde 4. Yazılım Yürütme

  1. EEG-günlüğü yazılımını başlatın. Iyi bağlantı kanallarının tüm günlük cihazda görüntülenen kontrol ederek günlük cihazı (örn., Kişisel bilgisayar) ve EEG kulaklık arasında bulunduğundan emin olun. Tüm kanallar başlangıçta düşük genlikli salınımlar ile benzer davranışlar göstermek olduğunu kontrol edin. katılımcı ile iyi bağlantı sağlamak için EEG kontrol edin - hemen dinlenme süreleri önceki ve her yeni sorun Çeşidi başlamadan önce - ve günlük cihazda tutarlı desenleri elde etmek amacıyla keçeleri ayarlama ıslatma-re.
    Not: EEG 128 Hz çalışır. Elektrookülografi göz hareketi kaydetmek için kullanılan değildi ve bağlantılı kulak referansı kullanılmadı.
  2. görev egzersizler sırasında hareketsiz ve sessiz mümkün olduğunca kalmaya katılımcı bilgilendirin.
  3. görev sunum yazılımı başlatın.
    Not: Veri toplama sırasında, tüm önkatılımcı ile planlanan görsel iletişim bilgisayar monitörü aracılığıyla gerçekleşir. Bu durumda, mekansal ve mühendislik sorunları bir dizi bilgisayar ekranında görünecek ve katılımcılar bunları çözmek istenecektir. Doğru cevaplar veri toplama sırasında katılımcılara verilmemiştir. Sorun görüntüleri kullanıcı girişi dayalı gelişmiş, bu yüzden zamanlama problem çözme süresi dayanmaktadır.
    1. Ekran mekansal problem tip 1: 13 (örneğin, PSVT. R - - çoktan seçmeli test, ya da doğru-yanlış rotasyon sorunları bakınız Şekil 1). Not: (., Örneğin, 30 saniye) bu problemlerin süresi veri analizi için bir zaman aralığı olarak kullanılacaktır. Beş sorunlar bu sette alındı.
    2. Mekansal problem tip 2 Ekran 12 (örneğin, MCT -. - Bir çoktan seçmeli test veya doğru-yanlış zihinsel kesme problemleri bakınız Şekil 2). Not: Bu sorunların süresini (örn, 30 sn.)Veri analizi için zaman aralığı olarak da kullanılabilir. Beş sorunlar bu sette alındı.
    3. Ekran mühendislik problemi tip 17 (. Örn Statik problemleri - Mühendislik Statik veya mekansal bileşenlere sahip hipotezi herhangi diğer uygulamalı problem türüne özgü ilkeleri üzerinde odaklanmak bozuldu - bakınız Şekil 3). Not: Bu sorunlar mekansal sorunların daha çözmek için önemli ölçüde daha fazla zaman alabilir. Katılımcılara gösterilen sorunların sayısı dört ile on kadar değişiyordu.
    4. dinlenme başında dönemleri ve veri toplama sonuna Ata - bazal verileri elde etmek için kullanılan. Bunların her biri (örn., 120 sn) aynı süreye sahip olduğundan emin olun.
  4. İstenirse, katılımcı ile bir çıkış mülakat yapmak. Bu o / EEG kulaklığı, işe alım ve katılımcı hazırlık boyunca kullanılan iletişim süreci giyen, deneysel sunum düşüncelerini içerir ve olabilirYukarıda belirtilen sözlü cevaplar gerektiren r herhangi bir protokol. Bir valide kullanıcı anketi yerine bir görüşme katılımcılarına temin edilebilir.
  5. , Görev sunum yazılımı, EEG-günlüğü yazılımını kapatın EEG kulaklığı çıkarmak ve video kayıt cihazları kapatın.

Oturum 5. Sonuç

  1. Çalışma katılımcıyı kapatın. Katılımcıyı ederiz ve onları ileride temas bir bakış sağlamak (örneğin., Takip görüşmeler veya çalışma sonraki oturumları için), çalışmanın sonuçları yayınlandı ve / veya katılımcıların kullanımına yapılabilir açıklamak ve sunmak herhangi bir içecek veya ödeme (veya ödeme sağlanacaktır nasıl bir açıklama) çalışmaya katılım için tazminat parçası olarak mutabık.
  2. Gerekli uzun süreli veya transfer depolama aygıtlarına veri aktarımı günlükleri. uygun ve KİK protokolü tarafından belirlenmiş imzalı onam formunu saklayın.
  3. kulaklıktan keçe çıkarın ve dezenfekte veya bunların elden çıkarın.
  4. EEG elektrot kovanlarını dönün ve uygun depolama konumuna kulaklığa.
  5. uygun şekilde kullanıldığında şırıngalar ve çöp bertaraf edin.
  6. Uygun depolama yerlerine sıvı dönün.
  7. diğer araştırmacılar tarafından değil kullanılan eğer laboratuvar sabitleyin.

6. Veri Analizi

  1. her bir kanal ve EEG veri günlükleri işaretleyici verileri için ham veri tanımlamak ve ayıklayın. Başlangıcı ve veri toplama sonunu yanı sıra veri toplama farklı aşamalarında (örn., Problem türleri) ve bireysel sorunlar arasındaki geçişler tanımlamak için ASCII bit işaretçileri kullanın. Analiz sırasında farklılaşmasını sağlayacak şekilde her bir faz tipi farklı bir işaretçi değerine sahip olduğundan emin olun. kaynak olarak katılımcı kimlik kodu başvuran bir şekilde veri adlandırın.
    Not: EEGLAB komutları d vardırBu tarifnamede efined ama EEGLAB Bu yürütme MATLAB gerektirir.
    1. Dosya> Veri Alma> EDF / EDF + GDF Dosyalardan EEGLAB fonksiyonları ve eklentileri> Kullanma (BIOSIG araç)
    2. Uygun veri dosyasını seçin. veri yüklemek için Aç'ı tıklayın.
    3. Kanal Listesini seçin. kabul etmek Ok tıklayın.
    4. Bir DataSet Adı sağlayın. kaynak ve toplama tarihini yansıtan veriler için tanımlayıcı bir ad belirtin. Bu durumda, PSF1448 2014 sonbaharında Katılımcı kimliği 48 verileri göstermektedir.
  2. Montaj için çıkarılan verileri Harita (yani, EEG düğümleri düzeni.) EEG kulaklık satıcı tarafından sağlanan montaj seçerek (örneğin, 10 -. 20 sistemi). Analiz için kullanılan montaj oturumu sırasında kullanılan EEG kulaklık düzenini maçları emin olun. Bu üretici özgüdür.
    1. Düzenle> Kanal Konumları tıklayarak düzenlemek kanal yerleri.
    2. Montage seçin. Bu durumda defau olaraklt montaj uygun, bu yüzden sadece kabul etmek Ok tıklayın.
    3. Kanal Bilgileri Specification seçin. Bu durumda, varsayılan uygun, bu yüzden sadece kabul etmek Ok tıklayın.
  3. aşağıda tanımlandığı gibi beyin aktivitesinin en iyi temsil olduğunu EEG kanal verilerini azaltın.
    1. veri bir ilk filtresini uygulayın. Tipik olarak, bir yüksek geçiren, low-pass filtre uygulamak (düşük, yüksek geçiş filtresi bağlı olarak 0.1 Hz ve low-pass filtre üst sınır olarak 59 Hz ile). Bir alçak geçiren filtre uygulayarak en az 60 Hz ABD elektrik şebekesine gürültü kaldırır. bir geri yükleme noktası olarak yeni bir adla veri kümesi kaydedin.
      1. Araçlar> Temel FIR Filtre (yeni varsayılan) tıklayın.
      2. Temel Filtre Parametreleri ayarlayın. 59 Hz 0.1 Hz Lower kenar, yüksek kenar Set frekans tepkisi arsa yok ve kabul etmek için Tamam 'ı tıklatın.
      3. (Mevcut veri kümesi adına "_filtered" ekleyerek) filtrelenmiş veriler için yeni bir ad belirtin. b edinöküz bir dosya olarak verileri kaydetmek ve dosya için aynı adı kullanın. kabul etmek Ok tıklayın.
    2. EEG işaretlerini kayıt akılda herhangi gecikme tutmak - Son EEG işaretleyici ilk EEG işaretleyici önce veya sonra yalan herhangi bir veri çıkarın. veri kaydı başlatılmasını ve veri sonunu gösteren marker gecikme gösteren marker gecikme (zaman) kaydedin. bir geri yükleme noktası olarak yeni bir adla veri kümesi kaydedin.
      1. latans değerleri bulunabilir "Edit olay değerleri - pop_editeventvals ()" ekranı; EEG veri sonu simgeleyen son işaretleyici gitmek için ">>" düğmesine basın. Hiçbir değişiklik kabul gerekiyor, bu yüzden değerleri kaydedildi edildikten sonra iptal 'i tıklatın.
      2. Düzenle> Seç verileri tıklayın.
      3. Bir boşluk ile ayrılır başlangıç ​​ve bitiş gecikme (zaman) değerleri, "Zaman aralığı [dak max] (ler)" alanını girin ve kabul için Tamam 'ı tıklatın.
      4. için yeni bir ad belirtin(Mevcut veri kümesi adına "_cropped" ekleyerek) verileri kırpılmış. bir dosya olarak verileri kaydetmek ve dosya için aynı adı kullanmak için kutuyu işaretleyin. kabul etmek Ok tıklayın.
    3. Büyük eserler ile veri bölümleri reddet. Aşağıdaki adımlar dahil görsel verileri incelerken elle bunu nasıl açıklar. Not: Verilerin çıkarılması da eserler 34,35 neden olur.
      1. Her kanaldaki veri normalleştirmek (ortalama kaldırmak ve aynı ölçekte her kanalı koymak). Ayrıca (bu verileri değiştirir, ancak görselleştirme) ofset DC kaldırın.
        1. Plot> Kanal verileri (kaydırma) tıklayın.
        2. Ayarlar tıklayın> Zaman aralığı görüntülemek için.
        3. Alan: zaman aralığını belirtin (. Örn 30 sn) "Yeni pencere uzunluğu (lar)" de arsa gösterilmesini. Zaman aralığı, belirli bir safhasında (ya da iki mekansal problem aşamalarında içinde) sorunları için belirteçleri arasındaki süre dayanır. Zaman aralığı baz olabilirbelirteçleri arasında maksimum, minimum veya ortalama süre d.
        4. (Bu sadece kozmetik ve temel verileri değiştirmez) arsa verileri normalleştirmek için "Norm" düğmesini tıklayın.
        5. (Bu sadece kozmetik ve temel verileri değiştirmez) çıkarın> Ekran tıklayın DC DC kaldırmak için offset arsa ofset.
      2. zamanla düzenli olarak tekrarlanan olmayan büyük eserler çıkarın.
        1. Mark anormal görünümlü eser tüm verileri. Tüm buluntu verileri işaretlenmiş edildikten sonra, Reddet düğmesini tıklatın.
          Not: Bu veriler olarak anormal yüksek veya geniş doruklarına görünebilir - kanal az sayıda görünür ya da uzun trendleri - tek veya çoklu kanallarda. ayrı kanallardan veri arsa birbirlerini geçmeye görülüyorsa veri şüpheli. Bunlar beyin spektrumun bir parçası değildir ve büyük olasılıkla katılımcı veya bir düğüm (ler) tarafından kas hareketini temsil eserler w temsili'inci kötü bağlantı. Bir kare dalga benzeyen bir şey, insan beyin aktivitesinin temsilcisi değildir.
      3. bir geri yükleme noktası olarak yeni bir adla veri kümesi kaydedin.
        1. Dosya> tıklayın güncel veri kümesini kaydedin.
        2. (Mevcut veri kümesi adına "_manRej" ekleyerek) kırpılmış veriler için yeni bir ad belirtin. kabul etmek Kaydet'i tıklayın.
      4. Belirli bir kanal hatalı görünüyorsa, bireysel ondan verileri kaldırmak. Bu yüzden büyük bir dikkatle bunu, veri büyük bir kayıp temsil eder. genellikle zamanla yerleşir ve kullanışlı veri sağladığından, uzun bir süre boyunca kanaldan veri bakmak.
    4. Bağımsız Bileşen Analizi (ICA) çalıştırın ve beyin dalgası aktivitesinin en iyi temsillerini seçin.
      Not: Bu veriler tekrarlayan eserler setleri kaldırılmasına yardımcı olur. Bu takımlar bir tekrarlanan sha ile kabaca düzenli aralıklarla birden çok kez görünür eserler içeriyorpe. her biri kendi kümesini olacak - Genellikle böyle yanıp sönen veya darbe olarak biyolojik fonksiyonları bir sonucudur.
      1. montaj dayalı kafatasının bir gösterimi ICA ayrılmış verileri Harita. genellikle gözlerin üzerinde vurgu alanları gibi ICA sonuçlarında, tapınak yakınında veya kulakların üzerinde sırasıyla görünecektir - yanıp sönen darbe, ya da kas gerginliği ile ilgili sonuçları reddet. Beyin aktivitesinin (Şekil 4 bakınız) değil temsilcisi beri meşgul olmak üzere tüm kafatası gösteren herhangi bir bileşeni reddetmek 35 diğer sonuçları (bkz Şekiller 5-6) kabul edin..
        1. Araçlar> Çalıştır ICA tıklayın.
        2. Varsayılan (runica) ICA algoritmasını seçin. kabul etmek Ok tıklayın.
        3. Arsa> Bileşen özelliklerini tıklayın.
        4. bileşen endeksleri (belleğe yüklenen 14 EEG elektrot kanalları) ve spektral seçenekleri seçin. Daha önce olduğu gibi, alt kenarı 0.1 Hz ve daha yüksek kenar 59 olduğunuHz. girişlerini kabul etmek Ok tıklayın.
        5. Kabul Et / Reddet pencere içinde, Reddet durumunu değiştirmek için Kabul butonuna tıklayın (ve Kabul geri değiştirmek için tekrar tıklayın). Kabul Et / Reddet etiketleme oturum açmak için Tamam düğmesini tıklayın.
      2. 2-B renk arsa ICA ayrılmış verileri çizilir. Daha sonra (- 6 Şekiller 5) bir geri yükleme noktası olarak yeni bir adla veri kümesi kaydetmek, çizgili boş veya süreksizliklerin ile biberli görünen sonuçlar reddet.
        1. Kabul Et / Reddet pencere içinde, Reddet durumunu değiştirmek için Kabul butonuna tıklayın (ve Kabul geri değiştirmek için tekrar tıklayın). Kabul Et / Reddet etiketleme oturum açmak için Tamam düğmesini tıklayın.
        2. Bileşenleri> Araçlar'ı tıklayın çıkarın - aslında önceden kabul edilmemesi için işaretlenen verileri kaldırmak için.
        3. Devam etmek için Tamam düğmesini tıklatın. ret açmış bileşenlerin endeksleri "bileşenlerini kaldır" penceresinde gösterilir.
        4. c "Onay" penceresinde Kabul Et'i tıklayınVerilerin budama ile ontinue.
        5. (Mevcut veri kümesi adına "_manRejPruned" ekleyerek) budanmış veriler için yeni bir ad belirtin. bir dosya olarak verileri kaydetmek ve dosya için aynı adı kullanmak için kutuyu işaretleyin. kabul etmek Ok tıklayın.
          Not: uzun 0,5 saniye reddi için makul olarak kabul edilir daha son Streaks'e. o bileşenlerin en az yarısını tutmak için arzu edilir - Bağıl "iyilik" diğer veri setleri gibi görünen ne kadar iyi bağlı, burada kullanılmak üzere gerekebilir. İyi sonuçlar genellikle bir 2-B Sürekli Veri renk arsa 34 sürekli geçişler ile temsil edilmektedir.
  4. veri sol sınır değerleri kaldırın. bir geri yükleme noktası olarak yeni bir adla veri kümesi kaydedin.
    1. Düzenle> Olay değerlerini tıklayın.
    2. olaylar ilerleyin ve olay tipi bir sınır olduğunda Sil olay düğmesini tıklatın. tüm kaldırılmıştır Tamam'ı tıklatın.
    3. specif özelliklerya silindi sınır veriler için (mevcut veri kümesi adına "_deleteBoundaries" ekleyerek) yeni adı. kabul etmek Kaydet'i tıklayın. Bu ekrana almak için daha önce olduğu gibi aynı menü öğesi seçimini kullanın (adım 6.3.3.3.1 bakınız).
  5. Her egzersiz türü için mutlak güç ölçümlerini hesaplayın. . Her frekans bandında (Delta, Teta, Alfa, Beta, Gama ve) için hesaplanan 22 - Bu bir enerji tabanlı logaritmik microvolt ölçümü ve zamana dayalı dönüşümü olduğunu
    1. Dobiş Her görevin başlangıcını ve bitişini göstermek için işaretlerini kullanarak bloklar halinde veri.
      1. olaylarını kullanarak Düzenle> Seç verileri tıklayın.
      2. her görev türü için uygun zaman dilimleri kullanmaktadır. bir dinlenme döneminin süresi ile dinlenme süreleri için zaman aralığını tanımlayın. (Süresi kabaca benzer) mekansal sorunlar için, tüm mekansal görevlerin ortalama süresi veya tüm uzaysal görevlerin maksimum süresini birini kullanın. Uygulanan (örneğin için., MÜHENDİSLİKg Statik) sorunları, her sorun için ortalama süreyi belirlemek. bir geri yükleme noktası olarak yeni bir adla veri kümesi kaydedin.
        1. Marker türü girin "Olay tip (ler) ([] = all)" alan (örn., Işaretleyici tipi 50 dinlenme olayları işaretlemek için kullanılan). Dinlenme olaylar böylece zaman sınırları dizi için "1 120" girin, bu durumda 120 saniyelik bir süre vardı. kabul etmek Ok tıklayın.
        2. (Bu durumda mevcut veri kümesi adına "_rest" ekleyerek) olay veriler için yeni bir ad belirtin. bir dosya olarak verileri kaydetmek ve dosya için aynı adı kullanmak için kutuyu işaretleyin. kabul etmek Ok tıklayın.
          Not: uygulamalı bölümlerini çok azalabilir, onlar o zaman uzamsal görevler aynı zaman dilimi boyutunu kullanmak, uzamsal görevler olarak kabaca zaman aynı miktarda alır. EEG bir zaman duyarlı ölçü olduğundan, daha doğru bir zaman dönemini her bir durum için, daha az şaşırmış verileri (sonunda olan yani. Numune sayısı her Klima cihazlara toplananyon) daha tutarlı olacaktır.
  6. son tahlilde için sonuçları karşılaştırın.
    1. bazal dinlenme ölçümlerine her yığın akrabası için yüzdesini hesaplayın. Yan Kod Dosyası görün ve Tablolar 1-8.
      1. MATLAB Absolutepower Komut açın ve adım 6.6 sırasında çalışma alanında yüklenen veriler üzerinde komut dosyasını çalıştırmak için Çalıştır düğmesini tıklatın (örneğin., Gerisi verileri).
      2. Bir elektronik tablo programına transferi için MATLAB Workspace absolutepowermatrix verileri seçin (örneğin., MS Excel).
    2. Her egzersiz / işaretleyici türü için 6.6.1.2 - Tekrar 6.5 adımları.
    3. Göreceli zorluk içgörü için benzer zaman dilimleri sonuçları (örneğin., Mekansal görevler) birbirlerine karşılaştırın.
    4. Katılımcıların genelinde sonuçları değerlendirilen becerileri düşük performans karşısında yüksek bağıl performans belirlemek için karşılaştırın. Not: Yüksek performans çok l gösterebilirDüşük performans% 70 21-26 mertebesinde bir artış gösterebilir iken ittle, bazal beta aktivasyon göreli artış.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

aşağıda açıklandığı gibi, bu bölümde, önceki adımlar örnek rakamlar ile gösterilmiştir. Bu makalenin amacı yöntemlerine odaklanmak olduğu gibi istatistiksel testler ile tam veri özetleri, verilmemektedir. Potansiyel PSVT örnekler: R, MCT ve mekansal sorunlar, sırasıyla, Şekil 1, Şekil 2 ve Şekil 3'te verilmiştir.

EEG kap Şekil 7'de gösterildiği gibi paralel görülebilir verilen her bir kanal, elektrik potansiyelleri ile beyin aktivasyonunu toplayacaktır. Daha önce de belirtildiği gibi, başkalarının ICA aracılığıyla kaldırılabilir ise, veri içindeki bazı eserler, el ile kaldırılması gerekir. Zaman zaman hatalı bir kanal tespit edilebilir. Bu tür eserler Şekil 7'de görebilir. Analiz yazılımı olarak, büyük olmayan tekrarlayan eserler elle sırayla işaretlenebilir ve daha sonra (adım 6.3.3.2.1 olduğu gibi) "REJECT" butonuna tıklayarak kaldırıldı. EEG veri analizi görüntüleri ile tüm rakamlarMalzemelerin Tablo l'de listelenen analiz yazılım aracı vardır.

aktivasyonu 1) saçlı deri-eşleştirilmiş temsil ve Denemeler ve Zaman ile dizilmiş aktivasyon 2) 2-D Sürekli Veri arsa: ICA ardından, analiz yazılımı iki şekilde veri eşler. Olarak kabul edilebilir verilerin bir örneği, Şekil 5'de görülebilir. Reddedilen kafa derisi bir örneği, eşlenmiş üç durumda beyin ilişkili olmayan aktivitesi gösteren veriler görülebilir bu aynı reddedilen üç durum için Şekil 4'te 2D sürekli veri araziler görülebilir Şekil 6. kaldırılması için ilk iki parsel garanti dikkate gözlenen çizilme. Bu kalitede 2-D Sürekli Veri araziler dahil edilmesi için kabul edilebilir ve araştırmacı sahte sinyaller de dahil olmak üzere ve değerli verilerinizi atarak arasındaki dengeyi göz önüne almalıyız - Üçüncü arsa çizgilenme sınırda kabul edilebilir. 0.5 saniyeden daha uzun çizgiler Gro kabul edilirret unds. Daha fazla bilgi edinmek için, EEGLAB internet sitesinde (http://sccn.ucsd.edu/eeglab/) bakın.

beyin araziler veya ICA sonra bakarken ya manuel ret yoluyla - - kez tüm karıştırıcı veriler reddedilmiş ve veriler, uygun etkinlik türü için zamanında yığın halinde olan, mutlak güç hesapları her frekans bandında ve her aktivite için yapılabilir Yan Kod Dosya verilen (analiz yazılımı fonksiyonları dayalı) MATLAB komut dosyası aracılığıyla yazın. Tablo 2, Tablo 3 verimlilik hesapları için başlangıç ​​olarak kullanılır ve Tablo 4 mutlak güç içerirler -.. Sonra işlevi tarafından oluşturulan özet verileri Tablo 1 istirahat süreler verileri içeren aşağıdaki tablolarda gösterilmiştir sırasıyla, R, MCT, ve statik sorunları: PSVT verileri. İlgili kanal ve frekans yasağı için hücre değeri bölerekDinlenme tablo D, bağıl mutlak güç oranları PSVT Tablo 5, Tablo 6 ve Tablo 7'de gösterilmiştir: burada R, MCT, ve statik sorunları sırasıyla.

Sonuç olarak, tüm kanallarda ortalama değer her etkinlik türü için beta frekans bandı için alınır, ve sonuçlar, Tablo 8'de gösterilmiştir. Bu tür veriler, gelecekteki çalışmalar için ROI tanımlamak için kullanılabilir. R MCT için daha: Söz konusu katılımcı için bu verilerden hareketle, biz göreceli mutlak güç PSVT düşük göründüğünü görüyoruz. Bu beyanla ilgili belirleyici sonuçlar olsa da, olası istatistiksel anlamlılık kurmak için büyük bir örneklem büyüklüğü bağımlı kalır. Statik görevler için göreli mutlak güç diğer katılımcılar ve doğrulama için Statik problemleri üzerinde fonksiyonel skorları ile ilişkili olabilir tespit edilebilir düşük performans bilişsel efor vs yüksek icracı tahminlerden değerine göre olabilir. Bu özellikle yöntemler kağıt ve sadece bir katılımcı veri örneklerini sunuyor olsa da, ön raporun istatistiksel analiz EEG kanalı x grup x görevi karşılaştırarak Friedman'ın testi ile takip normalliği, değerlendirmek için bir Levene Testi kullanılmıştır. Son olarak, bir takip Wilcoxon testi önemli Friedman etkileri ve etkileşimleri üzerinde gerçekleştirildi. , Χ 2 (1: T8;, χ 2 (1,6) = 5.33 p <.03: F3, R: Yüksek ve düşük performans arasında karşılaştırma PSVT için (yüksek performans için daha düşük performans için önemli ölçüde daha yüksek beta aktivasyon seviyelerini gösterdi 6) = 4.08, p <.05; FC6: χ 2 (1,6) = 4.08, p <.05; F8: χ 2 (1,6) = 4.08, p <.05; AF4: χ 2 (1 ., 6) = 5.33, p <.03 MCT için, F3: χ 2 (1,6) = 5,33, p <.03; T8: χ 2 (1,6) = 5,33, p <.03; FC6: χ 2 (1,6) = 5.33, p <.03; AF4. χ 2 (1,6) = 4.08, p <.05 Statik, FC6 için: χ 2 (1,6)) 4,08, p <.05 =. 9

Şekil 1
Şekil 1: PSVT:. R Sorun katılımcıların görüldüğü gibi: R Örnek problem Kısım A tek bir örnek PSVT göstermektedir. (Kaynak: Guay (1976)). Doğru cevap C Kısım B çözeltisinin görsel açıklama sağlar olan bu rakamın daha büyük bir versiyonunu görmek için lütfen buraya tıklayınız.

şekil 2
Şekil 2:. MCT Örnek Problem Kısım A katılımcılar tarafından görüldüğü gibi tek bir örnek MCT Sorunu göstermektedir. Doğru cevap D. Bölüm B çözeltisinin görsel açıklama sağlar olduğunu. (Kaynak: CEEB (1939))"Target =" _ blank "> bu rakamın daha büyük bir versiyonunu görmek için lütfen buraya tıklayınız.

Şekil 3,
Şekil 3:. Statik Örnek Problem katılımcılara verilen tek bir örnek Statik sorunu örnekler. Bu sorun, düzlem (yani., 2-D) Denge verilen üç güçleri ve ortak bir bağlantı yapısı. Içindir bu rakamın daha büyük bir versiyonunu görmek için lütfen buraya tıklayınız.

Şekil 4,
Şekil 4:. Olmayan Beyin Derisi-Haritalı Faaliyet örnekleri post-ICA saçlı deri-eşlenen veri üç örnek bir birey, 23 yaşındaki erkek katılımcı gelen gösterilmiştir. Tam kafa derisi aktivasyonu, tek göz / tapınağın üzerinde aktivasyon ve aktivasyon o odaklıIC2, IC3 de ICA sonra gösterilen ve IC4 sırasıyla. olarak n gözleri ve tapınaklar, bedensel aktivite, değil beyin aktivitesi göstergesidir bu rakamın daha büyük bir versiyonunu görmek için lütfen buraya tıklayınız.

Şekil 5,
Şekil 5:. Bir birey bir örnek vaka için ICA sonra kabul edilebilir kafa derisi harita ve 2-D Sürekli Veri arsa Kabul edilebilir Sonrası ICA Veri Görüntüler İllüstrasyon, Bağımsız Bileşen 13 (IC13), 23 yaşındaki erkek katılımcı. Aktivasyon kafa derisi-eşlenen görünümde beynin bir bölgesinde merkezli gibi görünüyor ve hiçbir büyük çizgiler Sürekli veri arsa görebilir. Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.


Şekil 6:. Derisi-Haritalı Görüntüler Eşleştirme 2-D Sürekli Veri Arsalar sonrası ICA sürekli veri araziler üç örnek bir birey, 23 yaşındaki erkek katılımcıdan gösterilmiştir. ICA 2-D Sürekli Veri parsellerde kalın bantlar veya şeritler IC2 normal beyin fonksiyonlarının göstergesi değildir süreksizlikler göstermektedir IC3, IC4 -. Özellikle IC2 ve IC3 parsellerde bu rakamın daha büyük bir versiyonunu görmek için lütfen buraya tıklayınız.

Şekil 7,
Şekil 7:. Bir eserin Eşyalarının ile Brainwave Veri görüntüsü (kanal F7) elle bir birey, 23 yaşındaki erkek katılımcıdan bir örnek zaman aralığı ile reddi için işaretlenmiş. birden fazla kanal üzerinden olayı Not 132 ve 133 arasında: Benzer olaylar birden çok kez (yaklaşık olarak aynı şekil ve düzenli aralıklarla boyutu) tekrarlanır - ve böylece olmayan bir beyin biyolojik fonksiyonunu temsil ettiği varsayılır - ve Bağımsız Bileşen Analizi yoluyla çıkarılabilir (örneğin, yanıp sönen.) (ICA). Bu rakamın büyük halini görmek için lütfen buraya tıklayınız.

. Yan Kod Dosya: - Her frekans bandı için hesaplanan (Delta, Teta, Alfa, Beta, Gama ve) MATLAB Senaryo ve Tadilat mikrovolt ölçümü ve zamana dayalı dönüşüm için komut (spectopo.m ve absolutepower.m) görüntüler - her frekansta 22 mutlak gücü elde etmek. pop_chanedit.m uygun çalışması için gerekli olan kod değişikliği de dahildir.lemental_Code_File.txt "> Bu dosyayı indirmek için tıklayınız.

DİNLENME AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4
delta 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
teta 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
alfa 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
beta 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
gama 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

Tablo 1:. Istirahat Mutlak Güç bazal istirahat süreler için mutlak güç değerlerini içerir. Değerler her EEG kap kanal ve her nöral frekans bandı için gösterilmiştir. Bir Excel elektronik tablosu olarak bu tabloyu indirmek için tıklayınız.

PSVT R AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4
delta 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
teta 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
alfa 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
beta 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
gama 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

Tablo 2: PSVT:. R problemleri: R Mutlak Güç katılımcı PSVT çözme oldu süreler için mutlak güç değerlerini içerir. Değerler her EEG kap kanal ve her nöral frekans bandı için gösterilmiştir. Bir Excel elektronik tablosu olarak bu tabloyu indirmek için tıklayınız.

MCT AF3 F7 F3 FC5 T7 P7 </ Td> O1 O2 P8 T8 FC6 FC4 FC8 AF4
delta 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
teta 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
alfa 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
beta 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
gama 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

Tablo 3:. MCT Mutlak Güç katılımcı MCT sorunların çözümünde olduğu süreler için mutlak güç değerlerini içerir. Değerler EAC için gösterilmektedirh EEG kap kanal ve her nöral frekans bandı. bir Excel elektronik tablosu olarak bu tabloyu indirmek için tıklayınız.

statik AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4
delta 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
teta 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
alfa 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
beta 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
gama 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

Tablo 4:. Katılımcı Statik problemlerinin çözümünde zaman Statik Mutlak Güç süreler için mutlak güç değerlerini içerir. Değerler her EEG kap kanal ve her nöral frekans bandı için gösterilmiştir. Bir Excel elektronik tablosu olarak bu tabloyu indirmek için tıklayınız.

PSVT R% AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4 ortalama
delta 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
teta 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
alfa 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
beta 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
gama 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

. Tablo 5: PSVT: Bağıl Mutlak Güç R göreli mutlak güç değerlerini içerir - yani, bu oran istirahat başlangıca kıyasla - katılımcı PSVT çözme oldu süreler için: R problemleri. Değerler her EEG kap kanal ve her nöral frekans bandı için gösterilmiştir.bir Excel elektronik olarak bu tabloyu indirmek için tıklayın /ftp_upload/53327/Table_5.xlsx">Please.

MCT% AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4 ortalama
delta 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
teta 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
alfa 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
beta 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%
gama 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

. Tablo 6: MCT Bağıl Mutlak Güç göreli mutlak güç değerlerini içerir - yani, bu oran istirahat başlangıca kıyasla - süreler için katılımcı MCT sorunların çözümü zaman. Değerler her EEG kap kanal ve her nöral frekans bandı için gösterilmiştir. Bir Excel elektronik tablosu olarak bu tabloyu indirmek için tıklayınız.

Statik% AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4 ortalama
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
teta 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
alfa 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
beta 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
gama 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

. Tablo 7: Statik Bağıl Mutlak Güç göreli mutlak güç değerlerini içerir - yani, bu oran istirahat başlangıca kıyasla - süreler için katılımcı Statik sorunların çözümü zaman. Değerler sh vardırKendi Her EEG kap kanal ve her nöral frekans bandı için. bir Excel elektronik tablo olarak bu tabloyu indirmek için tıklayınız.

ortalama
PSVT R% % 85.2
MCT% 109.2%
Statik% % 90.5

. R, MCT ve Statik problemleri: Tablo 8: - - bu, istirahat başlangıca kıyasla oranı süreler için tüm EEG kap kanalları üzerinden ortalama katılımcı çözme PSVT iken Bağıl Mutlak Güç Ortalamalı göreli mutlak güç değerlerini içerir . Yüzdeler beta frekans bandı için gösterilir sadece. Bir olarak bu tabloyu indirmek için tıklayınızn Excel.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

protokol iki tipik uzamsal yetenek araçlardan kaynaklanan sorunların çalışan katılımcılar ve son derece uzaysal mühendislik statiği problemleri için beyin aktivitesini ölçmek için elektroensefalografi uygulanmasını tartışıyor. Burada ayrıntılı yöntemler sonuçta bu sorunları çalışma yapan yüksek ve düşük performans nöral verimliliğini anlamalarına yardımcı olmak için mümkün olabilir. Bu testler genellikle mekansal özelliklerini belirlemek için kullanılır gibi, R: O MCT ve PSVT çalışan mühendislik öğrencileri nöral verimliliği herhangi farklılıkları anlamak için çok önemlidir. bunları birbirine karşılaştırarak daha iyi mühendislik başarısı için uygulanabilirliğini ve temel mühendislik müfredatına konumlarını değerlendirmenizi sağlar.

protokol mekansal biliş görevleri ile ilişkili sinir yeterlilikler üzerine araştırma prosedürleri kurar. Geçerli ve güvenilir araçlar mühendislik içeriğine bağlı mekansal yeteneklerini değerlendirmek için kullanılmaktadır önemlidir. imühendislik problemleri belirli bir ders için temsili mühendislik içeriği hedef olması da önemlidir. EEG ölçümleri mühendisliği problem çözme mekansal açıdan yapan öğrencilerin bilişsel bileşen verilerini üçgen bir tat olmayan müdahaleci kapasitesi sunmaktadır. Uygun zamanlı video-arşivlenmiş olayları ile nirengi sağlanması, bu tür veri toplama için kullanılmalıdır damgalama. IRB protokoller sıkı katılımcı veri ve analiz anonimlik sağlayan, takip edilmelidir.

aşağıda detaylı olarak EEG verilerini toplarken en çok sorun giderme endişeleri ortaya ve veri kaydedilir önce olanların çoğunluğu ele alınır. yoksul empedans ve gürültü düzeltmeler en iyi kurulum sırasında ele alınır. EEG kulaklık üreticinin yönergelerini izleyerek kritik olduğunu ve bizim deneyim üreticinin yazılım tarafından endikasyonlar belirli elektrotlar kontrol yönlendirebilirsiniz. keçe ped ile ve katılımcı arasında genellikle bağlantıt kafası daha nemlendirilmiş gerekiyor, ya da her bir elektrot ve kulaklık arasındaki bağlantı kontrol edilmesi gerekebilir. Bazı bağlantı görünür, ancak kalite keçeyi yeniden kırmak için şırınga kullanarak, kötü ise genellikle yeterlidir ve zaman zaman kulaklık kafa derisi ile katı temas sağlamak için fiziksel olarak ayarlanması gerekiyor. Olguların bir çift olarak, biz iyi bir bağlantı elde başardık önce lavaboda saçlarını durulama katılımcılara sormak zorunda kaldım. elektrot veri aktarımı değil ortaya çıktı, ancak çoğu zaman elektrodu kaldırma ve sonra takarak giderildiği. Zaman zaman, bir elektrot için plastik kasa çatlayabilir, bu durumda değiştirilmesi gerekir.

Diğer sorun veri analizi sırasında ortaya çıkabilir ve protokol tartışılmaktadır. Veri ön işleme filtreleme ve eserler kaldırılmasını içerir. Genellikle veri analiz yazılımı önişleme ve pro sırasında çalıştırılabilir komut dosyaları yanı sıra manuel ret destekler Verilerin cessing.

Değişiklikler analiz yazılımı içinde bir senaryo için yapılmıştır. Bu değişiklikler ek kod dosyasında belgelenmiştir. protokole değişiklikler de yapılabilir. Bir eşzamanlı protokol kullanılmış olan sözel cevaplar çalışma sırasında gereklidir. Bu EEG veri içine daha fazla eser tanıtacağım, ama testler sırasında katılımcının fonksiyonel bilgi daha fazla fikir verecektir. Bir alternatif de katılımcı seansından sonra araştırmacı ile bir video kaydedilmiş röportajda katıldığı kullanılmaktadır.

Diğer önerilen potansiyel değişiklikler farklı mühendislik soruları 17 veya diğer eğitim değerlendirmeler, 14 testleri farklı mekansal yeteneği kullanan içerir. EEG ve diğer enstrümantasyon yoluyla olası farklı beyin aktivitesi metrikleri, aynı zamanda beceri değerlendirmelerinin zorluk ya da diğer özellikleri, ışık tutabilir.

jove_content "> Bu belgede tanımlanan teknikle sınırlamalar vardır farkındayız PSVT ile ölçülen uzamsal yetenek yapıları (rotasyon ve kesme rendelenmiş yüzey):. R ve MCT diğer mekansal ölçümler ile ölçülebilir birçok potansiyel yapıları sadece ikisidir. Buna ek olarak, farklı mekansal yoğun görevler (yani., problemleri ya da farklı kurslar ve kurs farklı türleri) da değerlendirilebilir. nöral verimlilik yapılan araştırmalar da elbette böyle Statik olarak sadece temel mühendislik dersleri daha geniş bir kapsamı yapılmalıdır. için örnek, mekansal akıl 3 bağlıdır literatürde kabul birçok KÖK alanları içinde araştırılmalıdır. Ayrıca, nöral etkinlik çalışmaları doğrudan sadece uzamsal yetenek 21-28 bağlantılı becerileri sınırlı olmamalıdır. Hatta beyin dahil araştırma içinde ölçüm, bir görev süresi boyunca güç ölçümlerinin ortalama uygulama soruşturma yasaklarBeyin aktivitesinin desenleri içinde oluşabilecek diğer korelasyon içine. nedeniyle zamansal cevap verebilen EEG ölçümleri, nöral etkinlik çalışmaları ile sınırlı değildir. Zamansal duyarlılık en iyi 36 arasında kalsa ve EEG enstrümantasyon kendisi özellikle fonksiyonel yakın kızılötesi spektroskopi veya fonksiyonel manyetik rezonans görüntüleme yüksek uzaysal çözünürlüğü ile karşılaştırıldığında, algılayabilir beyin dalgası aktivitesinin derinliği ile sınırlıdır.

Sonuçta, eğitim teori ve pratik bilgi sağlamak için fizyolojik ölçümler kullanmanın potansiyel 37,38 muazzam görünüyor. Teknik yaklaşım ve bu protokolün amaçları eğitim / eğitim EEG kullanarak biofeedback yaklaşım 39 çalışmaları farklı olan, ancak tüm fikir gibi uzamsal yetenek geliştirme ve mühendislik beceri geliştirme gibi fenomenler kazanılan gibi dikkate almaya değerdir. Nöral effici incelemek için EEG kullanarak bu yaklaşımBelirli uzamsal yetenek araçlarının doğasında uzamsal görevler arasında Ensi uzamsal yetenek testleri ayırma başka yöntemini tanımlar. Bu uzamsal yetenek testlerini araştıran, yanı sıra eğitim teori mevcut soruşturma yönelik bir sinirbilimsel yaklaşım açmak için bir sinirbilimsel yaklaşımın yeni bir uygulama örneğidir. doğrulama ve onaylama için yöntemler bulma mühendislik kültürünün bir parçasıdır. Bu yeni uygulama kapsamında, fizyolojik beyin test anlayış ve rafine eğitim teorisinin yeni bir bölge açabilirsiniz. mühendislik doğrulama potansiyel cadde, bir roman ve yeni nesil olarak inceledi Gerçekten de, eğitim araştırma ortaya çıkabilir.

Subscription Required. Please recommend JoVE to your librarian.

Acknowledgments

Yazarlar, veri toplama ile yardımcı olmak için, Christopher Green, Bradley Robinson ve Maria Manuela Valladares kabul etmek istiyorum. EEG ekipman finansmanı Kerry Ürdün Multisensör Biliş Lab Araştırma ve Lisansüstü Çalışmalar Ekipman Hibe Utah State Üniversitesi Ofisi tarafından sağlanmıştır. Benjamin Çağrı Dr. Wade Goodridge ile yaptığı çalışmalarla Lisansüstü Eğitim Utah State Üniversitesi School elde Başkanlık Doktora Araştırma Bursu tarafından desteklenmektedir.

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

Davranış Sayı 114 uzamsal zeka elektroensefalografi nöral etkinlik uzamsal yetenek uzamsal düşünme mühendislik eğitimi Statik
Görev Özgü Sinir Efficiencies Karşılaştırma için Elektroensefalografi Ölçümler kullanmak: Mekansal Zeka Görevleri
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