Waiting
Login processing...

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

Behavior

Med hjälp av elektroencefalografi Mätningar för jämförelse av uppgiftsspecifika neurala Efficiencies: Spatial Intelligence Uppgifter

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

Detta manuskript beskriver en metod för att mäta neural aktivitet av människor samtidigt lösa rums fokuserade tekniska problem. Elektroencefalogram metoden hjälper tolka betamätningar hjärnan våg i form av neurala effektivitet, i syfte att i slutändan möjliggör jämförelser av uppgiften prestanda både mellan problemtyper och mellan deltagarna.

Abstract

Spatial intelligens är ofta kopplad till framgång i teknisk utbildning och tekniska yrken. Användningen av elektroencefalografi möjliggör jämförande beräkning av individers neurala effektivitet när de utför successiva uppgifter som kräver spatial förmåga att härleda lösningar. Neural effektivitet definieras här som har mindre beta aktivering, och därför spilla mindre neurala resurser för att utföra en uppgift i jämförelse med andra grupper eller andra uppgifter. För inter-task jämförelser av uppgifter med liknande löptider, kan dessa mätningar möjliggöra en jämförelse av uppgift typ svårigheter. För intra-deltagare och mellan deltagare jämförelser dessa mätningar ger potential inblick i deltagarens nivå av spatial förmåga och olika ingenjörs problemlösning uppgifter. Prestanda på de valda uppgifter kan analyseras och korreleras med beta aktiviteter. Detta arbete presenterar ett detaljerat forskningsprotokoll studera neurala effektivitet studenter englagras i att lösa typiska spatial förmåga och statik problem. Studenter avslutade problem som är specifika för Mental Cutting Test (MCT), Purdue Spatial Visualisering testet rotationer (PSVT: R), och statik. Medan engagerad i att lösa dessa problem, var deltagarnas hjärnvågor mätt med EEG tillåter data att samlas in om alfa- och beta hjärnvåg aktivering och användning. Arbetet ser att korrelera funktionella prestanda på rena rumsliga uppgifter med rumsligt intensiva tekniska uppgifter för att identifiera vägar till framgångsrika resultat inom teknik och de resulterande förbättringarna i ingenjörsutbildning som kan följa.

Introduction

Spatial förmåga är avgörande för vetenskap, teknik, teknik, och Math (STEM) fält och utbildning och korrelerar med framgång i dessa områden 1,2,3. Därför är det viktigt att förstå utvecklingen av hur spatial förmåga effekter problemlösning 4. Spatial förmåga har kopplats till intresse 5, prestanda 6, framgång i ingenjörs akademiker 7 och framgång i ingenjörer 8. Men det finns inte en hel del arbete som indikerar specifika neurala processer för att lösa problem som är typiska för många spatial förmåga instrument, eller specifik teknik innehåll som är mycket rumsliga.

Detta dokument ger en introduktion till metoder som används för insamling och analys av rumsliga poäng förmåga instrument i kombination med neurala mätningar data. Avsikten med att publicera med JUPITER är att göra dessa metoder mer tillgängliga för en bredare publik. Allmänheten hårdvara och mjukvara were användes i denna studie. Som metoder papper, fullständiga resultat / dataset inte rapporterats, inte heller finns flera prover som tillhandahålls. Alla bilder fångades speciellt för denna publikation. De metoder som beskrivs nedan användes vid framställning av en preliminär konferensrapport 9 baserat på data från åtta college sophomore medelålders deltagare varav tre var kvinnor.

Många befintliga instrument används för att indikera nivåer av spatial förmåga inneboende eller lärt av individer. Två giltiga och tillförlitliga 10,11 instrument som vanligen används är Mental Skärtest (MCT) 12 och Purdue Spatial Visualisering testet rotationer (PSVT: R) 13. Samtidigt som det ursprungligen yrkes utformade 14 dessa instrument testa olika stadier av rumslig visualisering utveckling som beskrivs av Piagetian teori 10,15. Användningen av dessa instrument skapar ett behov av att förstå de underliggande fysiologiska kognitiva fenomen existing när individer arbeta igenom dessa problem. Av denna anledning syftar denna studie för att visa upp metoder som utnyttjar empiriska fysiologiska uppgifter som i slutändan kan förbättra analys och förståelse av rumslig tanke, kontrollera befintliga mätvärden testmöjligheter och öka användbarheten av rumsliga bedömningar till mer komplexa problem som är typiska för ingenjörsutbildning. Många av dessa problem kan uppstå inom teknik Statics.

Statik är en grundläggande mekanik klart att levereras till de flesta teknologer (eg., Biologiska, mekaniska, samhällsbyggnad, flyg- och rymdteknik) 16,17. Det är en av de första omfattande problemlösning erfarenheter som eleverna ges i centrala ingenjörs innehåll 18. Statik innebär studier av samspelet mellan krafterna på en stel kropp som är i vila eller rör sig med en konstant hastighet. Tyvärr Statik har stort bortfall, tillbakadragande, och felfrekvens (14% som ses i undersökgheten undersöker University) och detta kan vara relaterade till traditionella föreläsnings och läroplanen leveransmodeller som utelämnar viktiga vägar för stöd som rums förbättrade metoder för utbildning. Till exempel, kan spatialt förbättrade metoder i statik rikta visualisering av hur krafter samverkar utanför typisk analytisk analys och förstärka elevernas procedur kunskap med jordad konceptualisering. Effektiviteten av sådana åtgärder måste undersökas från en kognitiv neurovetenskaplig perspektiv.

Elektroencefalografi (EEG) presenterar en unik och mobil metod för att mäta elevernas hjärnvågorna aktivitet. Individer som utför uppgifter som framkallar beta aktivering är i allmänhet mycket engagerad med uppgiften detaljerna och är uppmärksam på vad de gör 19,20. Som uppgift kraven ökar, amplituden av beta våg ökar, liksom storleken på den kortikala området bandbredds frekvenser upptar. Ju fler nervceller som brand ibetafrekvensområdet (alfa: 8-12 Hz, beta: 12 - 24Hz) kan definieras som större beta kraft. Relatedly, som man blir mer erfaren i en uppgift, amplituden av betavågor minskar, vilket ger mindre beta makt. Detta är en del av det neurala effektivitet hypotes 21-28, där större uppgift erfarenhet när du utför en uppgift är relaterad till en minskning i frekvens makt. Även EEG har tidigare använts i studien av spatiala förmågor (ofta för mental rotation och rumsliga navigeringsuppgifter) - och tillämpliga data har identifierats i alfa, beta och teta banden 27-33 - alfa- och beta band observerades för detta studie, och beta valdes för ytterligare representativ analys i detta dokument och i den preliminära konferensrapport 9. De förfaranden som definieras nedan därmed fokusera på beta band analys, men en utredning av alla tre band, beroende på loggade data, rekommenderas i framtiden.

Deneural effektivitet hypotes har testats på olika uppgifter, inklusive schack, visuospatial minne, balansering, och vila. Alla har angivna uppgiften erfarenhet som en faktor i minskad frekvens makt när de utför välbekanta uppgifter. En särskild studie 25 har lagt fram bevis att även intelligens en person (mätt med IQ) kan hjälpa individen att förvärva kompetens att utföra en uppgift, erfarenhet med uppgiften uppväger intelligens i sitt bidrag till neurala effektivitet. Med andra ord, ju mer upplevt en individ är, desto mer neuralt effektiv han eller hon blir.

Befintliga neurala effektivitetsstudier med spatial förmåga har främst fokuserat på rumslig rotation och olika problemsamlingar har använts för att jämföra olika populationer (eg., Manligt / kvinnligt) 27-28. EEG-studier av spatial förmåga uppgifter har också insikt genom att jämföra prestanda för andra typer uppgift (eg., Verbala uppgifter)27,29,30. De metoder som diskuteras i detta dokument fokuserar på och jämföra problem från MCT, PSVT: R, liksom statiska jämvikts uppgifter som är relaterade till spatial förmåga, men är inte begränsade till fysisk rotation och navigering. Andra rumsliga uppgifter kan användas i stället för de som ges som exempel i detta manuskript. På detta sätt kan ytterligare insikt erhållas i framtiden när det gäller olika populationer (eg., Manligt / kvinnligt eller expert / nybörjare) att slutligen bidra till att förbättra tekniska undervisningsmetoder.

I ett försök att undersöka spatial förmåga och ingenjörsenhet, har vi utvecklat ett protokoll som använder EEG-mätningar för att identifiera de beta våg aktiveringar av lågpresterande till deltagare högpresterande under en begränsad batteri specifika rumsliga och tekniska uppgifter. I det här fallet är den term hög artist relaterade till utförandet av deltagare och är inte reflekterande av den tid som tillbringas i området aveleven, som alla deltagare var vid ungefär samma punkt i sin utbildning. Dessutom är problemet uppsättning inblandade ganska specifika och grundläggande; således termerna "expert" eller "högpresterande" häri får inte ses i betydelsen av en expert, professionellt anställd ingenjör, men representerar hög prestanda i detta smala segment av Mekanik läroplan och spatial förmåga instrument. De neurala mätningar kan också användas för att identifiera eventuella grova trender som uppgift typer kan rekrytera mer kognitiva resurser än andra, med möjlig tolkning om svårighetsgrader. Denna information kan potentiellt ge insikt i framtida bedömning och ingripande när det gäller spatial förmåga. Andra framtida insikt kan härledas genom att betrakta mer specifika områden i hjärnan, vilket inte var möjligt i denna studie på grund av det begränsade antalet tillgängliga kanaler i EEG hårdvara som används.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Etiska riktlinjer för användning av mänskliga deltagare

Förfarandena i detta arbete har godkänts av Institutional Review Board (IRB) vid Utah State University för att studera människor. Det rekommenderas att någon liknande arbete också bör godkännas av den berörda IRB. Deltagarna får sluta eller dra sig ur studien när som helst under försöket.

1. Val av deltagare

  1. Välj deltagare på frivillig basis från studenter närvarande inskrivna i en Statics kurs. Se till att deltagarna har tidigare utsatts för Statics innehåll de kommer att se i studien.
    Obs: Helst deltagare ska ha exponering mot materialet via föreläsning åtminstone fyra veckor före deltagande i studien, så att det finns tid för konsolidering av koncept och utveckling av differentialprestandanivåer.
  2. Genomföra rekrytering efter alla IRK protokoll. Förklaraalla förfaranden och begränsningar för potentiella deltagare i detalj. Beskriva omfattningen av framtida kontakt och hur resultaten av studien kan offentliggöras och / eller görs tillgängliga för deltagarna. Definiera någon ersättning för att delta i studien. Om en volontär väljer att skriva in sig i studien, ge honom eller henne med en dubbel-kodad identifieringskod endast känt till och kontrolleras av den ansvarige forskaren.
    Obs: specifik population rekrytering kommer att kräva statistisk analys för att kontrollera den statistiska kraften i provet och antalet nödvändiga deltagarna att analysera individuella skillnader i hjärnvågorna data. Om forskaren önskar genomföra en jämförande studie mellan populationer, då en maktanalys bör genomföras för att utveckla lämpliga storlekar deltagare grupp för båda populationerna.
  3. Välj aktiviteter eller problem som är representativa för de önskade för deltagarna upplevelser.
    Obs: I detta protokoll, sophomore nivå engineeringstuderande i en Statics kurs valdes. De som anses relevant var problem från inledande Statics innehåll samt två vanliga spatial förmåga instrument: Mental skärplanet Test (MCT) och Purdue Spatial Visualisering Test (PSVT-R). Varje instrument testar olika konstruktioner av spatial förmåga och nivån på fysisk planering i detta valda studentpopulationen.
  4. Upprätta en kalender för att organisera laborationer för deltagarna.

2. Beredning av instrument

  1. Ställ in EEG headset (aka lock) per tillverkarens anvisningar. Slutföra denna beredning innan deltagaren anländer för studien. För att upprepa, är detta förfarande är specifikt för allmänna mobila headset såsom emotiv, i motsats till medicinsk kvalitet EEG-uppställningar.
    1. Ladda EEG headset - idealt åtminstone en 1-hr avgift per session. För en regelbunden användning laboratorium, har åtminstone två headset laddnings ent alla gånger.
    2. Placera alla nödvändiga vätskor i ett lättillgängligt område, inklusive vätska för att dämpa EEG-elektroderna (eg., Vatten) och en slipande rengöringsmedel för att säkerställa god kontakt för EEG referensnoderna.
    3. Sätt filtarna i varje hölje (se guldkontakt sitter säkert i varje hölje). Mätta filtarna med den dämpande vätskan med hjälp av en spruta. Tillåter dämpade elektroder att vila.
  2. Ställ in erforderlig videokameror för att mäta deltagare beteende. För det nuvarande protokollet, använder två videokameror per deltagare. Omjustera kameror när deltagaren är på plats. Se till att videon är tidsstämplas.
    1. Fokus en kamera på deltagarens ansikte om syftar till att registrera ansiktsuttryck och med hög ljudkvalitet.
    2. Fokus den andra kameran på området framför deltagaren att fånga handrörelser, inklusive handskrift åtgärder (om handskrift förväntas, se till att använda en skrift istrumentet som är mörk och / eller tjock nog att fångas upp av kameran), och tillräckligt mycket av datorskärmen att ge insikt om vilken uppgift löses vid vilken tidpunkt.
    3. Slå på datorn och kontrollera att programvaran är på att spela in hjärnvågsmönster data. Kontrollera att alla program och datainsamlingsanordningar gränssnitt tillräckligt för datainsamling.

3. Beredning av studiedeltagare och Session Inledande

  1. Verifiera mottagandet av dokumenterad medgivande från deltagare per IRB avtal diskuterats ovan. Svara på alla frågor deltagarna hade före början studien. Påminn deltagarna att data som samlas in kommer att refereras av ID-kod och det blir ingen identifierande information som binder data till deltagaren, och att de kan dra när som helst.
  2. Be varje deltagare att fylla ut en demografi undersökning före deltagande i studien. Denna undersökning kan fråga om kön, enGE, tidigare erfarenhet som kan påverka deras förmåga i studien (eg., tidigare tekniska eller spatialt intensivkurser, spatial förmåga höjande hobbies, och frågor om uteslutningskriterier såsom traumatiska hjärnskador de kan ha lidit, vilken hand de använder).
    1. Utesluta deltagare från frivillig grupp för EEG analys om någon av följande förutsättningar föreligger: (a) deltagaren är vänsterhänt eller ambidextrous, för att kontrollera om hjärnan lateralitet confounds; (B); individen kan inte delta i laborationer på grund av ett fysiskt handikapp; eller (c) den enskilde har lidit allvarlig hjärnskada. Informera potentiella deltagare i dessa begränsningar under rekryteringsprocessen, eller så tidigt som möjligt för att undvika att spendera onödig tid och resurser.
  3. Vid ankomsten, se till att deltagaren är bekväm och lösa eventuella kvarvarande frågor eller funderingar.
    1. Demonstrera sprutan som används för att mättanod och förklara att det endast kommer att användas för att hålla EEG filtar fuktig. Om deltagaren har en extrem rädsla för nålar, överväga att genomföra andra försiktighetsåtgärder (t ex., Att hålla sprutan ut ur deras fokalplan vid återfuktning filtarna).
    2. Be deltagaren att avlägsna eventuella elektronik från sin person.
  4. Placera EEG headsetet på deltagaren.
    1. Kontrollera filtarna för fukt och placera filt / hölje kombinationer i EEG headset.
    2. Rengör referenspunkterna (t ex., Mastoidutskottet) för en deltagare med slip rengöringsmedel. Torka bort eventuella rester.
    3. Placera headsetet på deltagarens med referensnoderna lämpligt i linje med referenspunkter. Inte böja armarna på headsetet. Lämna ett gap mellan referens noden och på baksidan av örat så att inte orsaka obehag, och anpassa och utrymme headsetet på lämpligt sätt med deltagarens huvud.

4. Software Execution inom sessionen

  1. Starta EEG-loggning programvara. Se till att goda anslutningsmöjligheter finns mellan loggningsenhet (t.ex.., Persondator) och EEG headset genom att kontrollera att alla kanaler visas på registreringsanordningen. Kontrollera att alla kanaler initialt uppvisar liknande beteende med låg amplitud svängningar. Kontrollera EEG för att säkerställa god anslutning med deltagaren - återfuktning och justering av filtarna för att uppnå konsekventa mönster på registreringsanordningen - omedelbart före viloperioder och före starten av varje ny problem typ.
    Obs! EEG fungerar på 128 Hz. Elektrookulografi inte används för att registrera ögonrörelser, och kopplade-ear referens användes inte.
  2. Instruera deltagaren att förbli så stilla och tyst som möjligt under uppgifts övningar.
  3. Initiera uppgiften-presentationsprogram.
    Obs: Under datainsamling, alla föreplanerad visuell kommunikation med deltagaren sker via datorskärmen. I detta fall kommer en serie av rumsliga och tekniska problem visas på datorskärmen, och deltagarna kommer att uppmanas att lösa dem. Rätt svar lämnades inte till deltagarna under datainsamlingen. Problem bilder avancerade baserat på användarens input, så tidpunkten baserades på problemlösning varaktighet.
    1. Display rumsliga problem typ 1 (t.ex. PSVT. R - en flervalsfrågor test, eller verklighets falska rotationsproblem - se figur 1) 13. Notera: (. T ex 30 sek) Varaktigheten av dessa problem kommer att användas som tidsintervallet för dataanalysen. Fem problem ingick i denna uppsättning.
    2. Visa rumsliga problem typ 2 (t.ex. MCT - a. Flervalsfrågor tester, eller sant-falskt mental skär problem - se figur 2) 12. Obs: Längden på dessa problem kommer (t.ex. 30 sek.)användas som tidsintervallet för dataanalysen. Fem problem ingick i denna uppsättning.
    3. Display tekniskt problem typ 17 (. T.ex. statik problem - uppdelade för att fokusera på specifika principer ingenjörs Statik, eller någon annan tillämpad problem typ hypotes att ha rumsliga komponenter - se figur 3). Obs! Dessa problem tar betydligt längre tid att lösa än de rumsliga problem. Antalet problem som visas till deltagare varierade från 4 till 10.
    4. Tilldela viloperioder i början och slutet av datainsamling - används för att erhålla baslinjedata. Se till att var och en av dessa har samma längd (eg., 120 sek).
  4. Om så önskas, genomföra en exit intervju med deltagaren. Detta kan inkludera sina tankar på den experimentella presentation, bär EEG headsetet, kommunikationsprocessen används i hela rekrytering och deltagare förberedelse och / or alla protokoll som kräver verbala svar som nämns ovan. En validerad användar frågeformulär kan ges till deltagarna i stället för att genomföra en intervju.
  5. Stäng av uppgiftspresentationsprogram, EEG-loggning programvara, ta bort EEG headsetet och stäng av videoinspelningsutrustning.

5. Slutsats av sessionen

  1. Ogilla studiedeltagare. Tack deltagaren och ge dem en överblick över eventuella framtida kontakt (eg., För uppföljande intervjuer eller efterföljande sessioner av studien), förklara hur resultaten av studien kan offentliggöras och / eller göras tillgänglig för deltagarna, och ger några förfriskningar eller betalning (eller en förklaring av hur betalningen kommer att tillhandahållas) fastställas som en del av ersättningen för deltagande i studien.
  2. Dataöverföring loggar till alla krävs långsiktiga eller överföra lagringsenheter. Förvara undertecknat medgivande på lämpligt sätt och som har utsetts av IRB protokoll.
  3. Ta filtarna från headsetet och sanera eller avyttra dem.
  4. Returnera EEG elektrodhöljen och headset till rätt lagringsplatsen.
  5. Kassera använda sprutor och skräp på lämpligt sätt.
  6. Återgå vätskor till lämpliga lagringsplatser.
  7. Säkra labbet om den inte används av andra forskare.

6. Dataanalys

  1. Identifiera och extrahera rådata för varje kanal och markördata från EEG-dataloggar. Använd ASCII bitars markörer för att identifiera början och slutet av datainsamling, liksom övergångar mellan olika faser för datainsamling (t ex., Problemtyper) och individuella problem. Se till att varje typ fasen har en skiljaktig markör värde för att möjliggöra differentiering under analysen. Namn data på ett sätt som refererar deltagaren ID-koden som källa.
    Notera: EEGLAB kommandon är defined häri, men EEGLAB kräver MATLAB för detta utförande.
    1. Klicka på Arkiv> Importera data> Använda EEGLAB funktioner och plugins> Från EDF / EDF + GDF-filer (BIOSIG verktygslåda)
    2. Välj lämplig datafilen. Klicka på Öppna för att läsa in data.
    3. Välj kanallistan. Klicka på Ok för att acceptera.
    4. Tillhandahålla en datamängd namn. Ange ett beskrivande namn för de data som speglar källan och insamlingsdatum. I det här fallet, PSF1448 indikerar data från deltagare ID 48 under hösten 2014.
  2. Mappa extraherade data till montage (dvs utformningen av EEG-noder.) Genom att välja montage tillhandahålls av EEG headset säljaren (t.ex. en 10 -. 20-systemet). Se till att montage som används för analysen matchar utformningen av EEG headsetet används under sessionen. Detta är tillverkarspecifik.
    1. Redigera kanalplatser genom att klicka på Redigera> Kanal Platser.
    2. Välj Montage. I detta fall default montage är lämpligt, så helt enkelt klicka på Ok för att acceptera.
    3. Välj Channel Information Specifikation. I detta fall är standard lämpligt så enkelt klicka på Ok för att acceptera.
  3. Minska kanaldata EEG till det som är mest representativa för hjärnaktivitet, enligt definitionen nedan.
    1. Tillämpa en filter till uppgifterna. Typiskt tillämpa en hög-pass, lågpassfilter (med 0,1 Hz som den nedre gränsen för den högpass-filter och 59 Hz som den övre gränsen för lågpassfiltret). Applicering av ett lågpassfilter mindre än 60 Hz tar bort bruset från den amerikanska elnätet. Spara dataset med ett nytt namn som en återställningspunkt.
      1. Klicka på Verktyg> Basic FIR-filter (ny, standard).
      2. Ställ Grundläggande filterparametrar. Ställ underkant till 0,1 Hz, Högre kant till 59 Hz, inte rita frekvenssvaret, och klicka på Ok för att acceptera.
      3. Ange ett nytt namn för filtrerade data (genom att lägga "_filtered" till den befintliga dataset namn). Kontrollera boxe för att spara data som en fil, och använda samma namn för filnamnet. Klicka på Ok för att acceptera.
    2. Ta bort alla data som ligger före den första EEG markör eller efter den sista EEG markör - i åtanke någon fördröjning i inspelning av EEG markörer. Spela in latensen (tiden) av markören som indikerar initieringen av datainspelning och latensen av markören som indikerar slutet på datan. Spara dataset med ett nytt namn som en återställningspunkt.
      1. Latensen värden kan hittas i "Redigera händelsevärden - pop_editeventvals ()" skärm; Tryck på ">>" för att gå till den sista markören betecknar slutet av EEG-data. Ingen förändring behöver accepteras, så klickar du på Avbryt när värdena har registrerats.
      2. Klicka på Redigera> Välj data.
      3. Ange början och slutet latens (tid) värden, åtskilda av ett mellanslag, i "Time intervallet [min max] (s)" fältet och klicka på OK för att acceptera.
      4. Ange ett nytt namn förbeskäras uppgifter (genom att lägga "_cropped" till den befintliga dataset namn). Markera kryssrutan för att spara data som en fil, och använda samma namn för filnamnet. Klicka på Ok för att acceptera.
    3. Avvisa delar av data med stora artefakter. Stegen som ingår nedan beskriver hur man gör detta manuellt medan visuell inspektion data. Obs: avlägsnande av data kommer också orsaka artefakter 34,35.
      1. Normalisera data i varje kanal (ta bort medelvärdet och sätta varje kanal på samma skala). Också bort DC offset (detta ändrar uppgifterna, men inte visualisering).
        1. Klicka på Plot> Kanaldata (scroll).
        2. Klicka på Inställningar> Tid intervall för att visa.
        3. Ange tidsintervallet (. T.ex. 30 sek) som ska visas i diagrammet i "New window längd (s):" fältet. Tidsintervallet är baserat på tiden mellan markörer för problem inom en viss fas (eller inom två rumsliga problem faser). Tidsintervallet kan vara basd på högsta, lägsta eller genomsnittliga tiden mellan markörer.
        4. Klicka på "Norm" knappen för att normalisera data i diagrammet (detta är bara kosmetiska och inte förändra de underliggande data).
        5. Klicka på Visa> Ta bort DC offset för att avlägsna DC-offset i handlingen (detta är bara kosmetiska och inte förändra de underliggande data).
      2. Ta bort stora artefakter som inte upprepas regelbundet under tiden.
        1. Markera alla onormala Looking artefaktdata. När alla artefakt uppgifter har markerats klickar du på knappen Avvisa.
          Obs: Dessa kan framstå som onormalt höga eller breda toppar i data - i en eller flera kanaler - eller så länge trender som visas i ett litet antal kanaler. Data är misstänkt om data från olika kanaler verkar korsa varandra i handlingen. Dessa representerar artefakter som inte ingår i den hjärnvågorna spektrum och troligen representerar muskelrörelser av deltagaren eller en nod (er) wed dålig anslutning. Något som liknar en fyrkantvåg inte är representativ för den mänskliga hjärnans aktivitet.
      3. Spara dataset med ett nytt namn som en återställningspunkt.
        1. Klicka på Arkiv> Spara aktuell dataset som.
        2. Ange ett nytt namn för beskurna data (genom att lägga "_manRej" till den befintliga dataset namn). Klicka på Spara för att acceptera.
      4. Om en viss kanal verkar vara felaktig, ta bort data från det individuellt. Detta innebär en stor förlust i uppgifterna, så gör det med stor försiktighet. Titta på data från kanalen under en lång tid, eftersom det ofta lägger sig över tid och ger användbar information.
    4. Kör en oberoende komponentanalys (ICA) och välja ut de bästa representationer av hjärnaktivitet.
      Anmärkning: Detta hjälper till vid avlägsnande av uppsättningar av repetitiva artefakter i data. Dessa uppsättningar innehåller artefakter som visas flera gånger på ungefär jämna mellanrum med en upprepad shape. Vanligtvis de är ett resultat av biologiska funktioner såsom blinkande eller puls - som var och en kommer att ha sin egen uppsättning.
      1. Mappa de ICA-separerade data till en representation av kraniet baserad på montage. Avvisa resultat i samband med blinkande, puls, eller muskelspänningar - som ofta förekommer i ICA-resultat som tyngdpunkter ovanför ögonen, nära tinningarna, eller över öronen, respektive. Avvisa alla komponenter som visar hela kraniet som anlitas eftersom det inte är representativa för hjärnaktivitet (se Figur 4) 35 Acceptera andra resultat (se fig 5 - 6)..
        1. Klicka på Verktyg> Kör ICA.
        2. Välj standard (runica) ICA-algoritmen. Klicka på Ok för att acceptera.
        3. Klicka på Plot> egenskaper Komponent.
        4. Välj index komponent (14 EEG elektrod kanaler laddas in i minnet) och de spektrala alternativ. Liksom tidigare är den nedre kanten 0,1 Hz och högre kant är 59Hz. Klicka på Ok för att acceptera poster.
        5. Inom Acceptera / avvisa fönstret, klicka på knappen Acceptera att ändra status till Avvisa (och klicka på den igen för att ändra tillbaka till Acceptera). Klicka på OK för att logga Acceptera / Avvisa märkning.
      2. Plotta ICA-separerade data i en 2-D färg tomt. Avvisa resultat som visas randig, tomt, eller späckat med avbrott, sedan spara dataset med ett nytt namn som en återställningspunkt (se figur 5 - 6).
        1. Inom Acceptera / avvisa fönstret, klicka på knappen Acceptera att ändra status till Avvisa (och klicka på den igen för att ändra tillbaka till Acceptera). Klicka på OK för att logga Acceptera / Avvisa märkning.
        2. Klicka på Verktyg> Ta bort komponenter - att faktiskt ta bort data som markerats för avslag tidigare.
        3. Klicka på OK för att fortsätta. Indexen av komponenter loggas för avstötning visas i "Ta bort komponenter" fönstret.
        4. Klicka på Acceptera i "Bekräftelse" fönster till continue med beskärning av data.
        5. Ange ett nytt namn för beskäras data (genom att lägga "_manRejPruned" till den befintliga dataset namn). Markera kryssrutan för att spara data som en fil, och använda samma namn för filnamnet. Klicka på Ok för att acceptera.
          Notera: Ränder som varar längre än 0,5 sekunder anses rimligt för avstötning. Relativa "godhet" kan behöva utnyttjas här, beroende på hur bra andra datamängder verkar vara - det är önskvärt att hålla åtminstone hälften av komponenterna. Goda resultat är ofta representeras av kontinuerliga graderingar på en 2-D Continuous Data färg tomt 34.
  4. Ta bort de gränsvärden kvar i uppgifterna. Spara dataset med ett nytt namn som en återställningspunkt.
    1. Klicka på Redigera> Händelse värden.
    2. Bläddra igenom händelser och klicka på händelsen knappen Ta bort när händelsetypen är en gräns. När alla har tagits bort, klicka på Ok.
    3. specifya nytt namn för den borttagna-gränsdata (genom att lägga till "_deleteBoundaries" till befintliga dataset namn). Klicka på Spara för att acceptera. Använd samma menyposter som tidigare för att komma till den här skärmen (se steg 6.3.3.3.1).
  5. Beräkna absolut makt statistik för varje övning typ. Detta är en energibaserad logaritmisk trans baserad på mikrovolt mätning och tid -. Beräknas för varje frekvensband (Delta, Theta, alfa, beta och gamma) 22
    1. Bit data i blocken, med användning av markörer för att indikera början och slutet av varje uppgift.
      1. Klicka på Redigera> Välj data med hjälp av händelser.
      2. Utnyttja lämpliga tidsramar för varje typ uppgift. Definiera tidsramen för de viloperioder av varaktigheten av en viloperiod. För rumsliga problem (som är ungefär lika i längd), använda antingen den genomsnittliga längden på alla rumsliga uppgifter eller högst alla rumsliga uppgifter. För den applicerade (eg., Engineering Statik) problem, identifiera den genomsnittliga löptiden för varje problem. Spara dataset med ett nytt namn som en återställningspunkt.
        1. Ange typ markören i "Event typ (er) ([] = alla)" fältet (eg., Markör typ 50 användes för att markera resten händelser). Rest händelser hade en varaktighet på 120 sekunder i det här fallet, så anger "1 120" för tidsgränser arrayen. Klicka på Ok för att acceptera.
        2. Ange ett nytt namn för händelsedata (genom att lägga "_rest" till den befintliga dataset namn i det här fallet). Markera kryssrutan för att spara data som en fil, och använda samma namn för filnamnet. Klicka på Ok för att acceptera.
          Obs: Om de tillämpade delarna kan minskas så att de tar ungefär lika lång tid som de spatiala uppgifter sedan använda samma tidsram storlek som rumsliga uppgifter. Eftersom EEG är en tidskänslig åtgärd desto noggrannare tidsepoker är för varje tillstånd, mindre förbannade uppgifterna i slutet (dvs.., Antalet prover samlas in för varje Condiningen blir mer konsekvent).
  6. Jämför resultat slutliga analysen.
    1. Beräkna procentandelen för varje bit i förhållande till baslinjemätningar vila. Se Kompletterande koden Arkiv och tabeller 1 - 8.
      1. Öppna Absolutepower Script i MATLAB och klicka på knappen Kör för att köra skriptet på data som laddas på arbetsytan under steg 6,6 (t ex., Resten data).
      2. Välj absolutepowermatrix data i MATLAB arbetsytan för överföring till ett kalkylprogram (till exempel., MS Excel).
    2. Upprepa steg 6,5 - 6.6.1.2 för varje övning / markör typ.
    3. Jämför resultat med liknande tidsramar (t.ex.., Rumsliga uppgifter) till varandra för inblick i relativa svårigheten.
    4. Jämför resultat över deltagarna att identifiera högre relativa artister mot lägre artister i de färdigheter som bedöms. Obs: Hög artister kan visa mycket little ökning av beta aktiverings förhållande till baslinjen, medan lågpresterande kan visa en ökning i storleksordningen 70% 21-26.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

I detta avsnitt är de föregående stegen illustreras med provsiffror som beskrivs nedan. Fulla data sammanfattningar med statistiska tester ges inte, eftersom syftet med detta dokument är att fokusera på metoder. Exempel på potentiell PSVT: R, MCT, och Rumslig problem anges i figur 1, figur 2, och figur 3, respektive.

EEG cap samlar hjärnan aktiveras via elektriska potentialer för varje given kanal, som kan ses parallellt såsom visas i figur 7. Som tidigare nämnts, vissa artefakter inom data måste bort manuellt, medan andra kan avlägsnas via ICA. Ibland kan identifieras en felaktig kanal. Sådana artefakter är synliga i figur 7. I analysen programvara kan de stora, icke-repetitiva artefakter manuellt markeras i sekvens och sedan tas bort genom att klicka på "förkasta" -knappen (som i steg 6.3.3.2.1). Alla siffror med bilder av EEG dataanalysär från analysmjukvaruverktyg som anges i tabellen för material.

Efter ICA, den analysprogram kartor data på två sätt: 1) En hårbotten-mappade representation av aktivering, och 2) A 2-D Continuous Data tomt på aktivering klädd av prövningar och tid. Ett exempel på acceptabla data kan observeras i Figur 5. Ett exempel på avvisade hårbotten mappade data som indikerar aktivitet inte förenad med hjärnan för tre fall kan ses i figur 4. 2D kontinuerliga data tomter för samma avvisade tre fall kan ses i Figur 6. den strimmor observerades i de två första tomter optioner ersättning för borttagning. Strimmor i den tredje tomten kan anses borderline - 2-D kontinuerliga data tomter av denna kvalitet kan komma ifråga för integration och forskaren måste ta hänsyn till balansen mellan inklusive falska signaler och kasta värdefulla data. Ränder längre än 0,5 sekunder anses groFONDERNA för avslag. För mer insikt, hänvisas till EEGLAB webbplats (http://sccn.ucsd.edu/eeglab/).

När alla störande uppgifter har avvisats - antingen genom manuell avslag medan du tittar på hjärnvågorna tomter eller efter ICA - och uppgifterna har chunked i tid för lämplig aktivitetstyp kan absolut makt beräkningar göras för varje frekvensband och varje aktivitet skriver via MATLAB script (baserat på analys mjukvarufunktioner) ges i Supplemental kodfil. De sammanfattande uppgifter sedan genereras av funktionen visas i tabellerna nedan Tabell 1 innehåller data från resten tidsperioder -.. Som används som utgångspunkt för effektivitetsberäkningar Tabell 2, tabell 3 och tabell 4 innehåller den absoluta makten data för PSVT: R, MCT, och statik problem, respektive. Genom att dividera med cellvärdet för motsvarande kanal och frekvens förbudd i resten tabellen, är de relativa absoluta effektförhållanden som visas i Tabell 5, Tabell 6 och Tabell 7 för PSVT: R, MCT, och statik problem, respektive.

I slutändan är det genomsnittliga värdet över alla kanaler tar för beta frekvensband för varje aktivitet typ, och resultaten visas i tabell 8. Kan denna typ av data kan användas för att identifiera ROI för framtida forskning. Från dessa data för deltagaren i fråga, ser vi att den relativa absolut makt verkar lägre för PSVT: R än för MCT. Avgörande slutsatser om detta uttalande, men fortfarande beroende av en större provstorlek för att fastställa eventuell statistisk signifikans. Den relativa absolut makt för Statik uppgifter kan jämföras med värdet från andra deltagare, och uppskattningar av hög presterande vs låg artist kognitiva ansträngning kan identifieras som kan korreleras med funktionella poäng på statik problem för validering. Även om detta är specifikt en metoder papper, och presenterar exempel på data från endast en deltagare använde preliminära rapporten statistisk analys en Levene test för att bedöma normaliteten, följt av Friedmans test som jämförde gruppen X uppgift x EEG kanal. Slutligen en uppföljande Wilcoxon test på betydande Friedman effekter och interaktioner. Jämförelsen mellan höga och låga artister visade signifikant högre beta aktiveringsnivåer för lågpresterande än för högpresterande (För PSVT: R, F3: χ 2 (1,6) = 5,33, p <0,03; T8: χ 2 (1, 6) = 4,08, p <0,05; FC6: χ 2 (1,6) = 4,08, p <0,05; F8: χ 2 (1,6) = 4,08, p <0,05; AF4: χ 2 (1 ., 6) = 5,33, p <0,03 För MCT, F3: χ 2 (1,6) = 5,33, p <0,03; T8: χ 2 (1,6) = 5,33, p <0,03; FC6: χ 2 (1,6) = 5,33, p <0,03; AF4. χ 2 (1,6) = 4,08, p <0,05 för statik, FC6: χ 2 (1,6) = 4,08, p <0,05). 9

Figur 1
Figur 1: PSVT. R Exempel Problem Del A visar ett enda prov PSVT: R Problem som ses av deltagarna. (Källa: Guay (1976)). Det rätta svaret är C. Del B ger en visuell förklaring av lösningen Klicka här för att se en större version av denna siffra.

figur 2
Figur 2:. MCT Exempel Problem Del A visar ett enda prov MCT Problem som ses av deltagarna. Det rätta svaret är D. Del B ger en visuell förklaring av lösningen. (Källa: CEEB (1939))"Target =" _ blank "> Klicka här för att se en större version av denna siffra.

Figur 3
Figur 3:. Statik Exempel Problem Illustrerar en enda exempel Statics problem ges till deltagarna. Detta problem är i planet (dvs.., 2-D) jämvikt ges tre krafter och en gemensam anslutning struktur. Klicka här för att se en större version av denna siffra.

figur 4
Figur 4:. Exempel på icke-Brain hårbotten kartlagda aktivitet Tre exempel på post-ICA hårbotten-mappade data visas från en individ, 23-årig, manlig deltagare. Full-hårbotten aktivering, aktivering över en enda öga / tempel, och aktivering fokuserade on ögon och tempel är ett tecken på kroppslig aktivitet, inte hjärnaktivitet, som visas efter ICA i IC2, IC3, och IC4, respektive. Klicka här för att se en större version av denna siffra.

figur 5
Figur 5:. Godtagbara efter ICA Data Bilder Illustration av godtagbar hårbotten karta och 2-D Continuous Data tomt efter ICA för ett prov fall oberoende komponent 13 (IC13), från en individ, 23-årig, manlig deltagare. Aktivering verkar vara inriktad på ett område av hjärnan i hårbotten-mappade vy, och inga stora streck är synliga i kontinuerlig data tomt. Klicka här för att se en större version av denna siffra.


Figur 6:. 2-D kontinuerliga data Tomter Matchande Scalp-mappade bilder Tre exempel på post-ICA kontinuerlig dataplottar visas från en individ, 23-årig, manlig deltagare. Tjocka band eller ränder i 2-D kontinuerliga data tomter från ICA indikerar avbrott inte indikerar normal hjärnfunktion i IC2, IC3, IC4 -. Särskilt i IC2 och IC3 tomter Klicka här för att se en större version av denna siffra.

figur 7
Figur 7:. Brainwave Data med artefakter Skärmdump av en artefakt (kanal F7) manuellt märkta för avslag med en prov tidsintervall från en individ, 23-årig, manlig deltagare. Notera händelse i flera kanaler mellan 132 och 133: Liknande händelser upprepas flera gånger (ungefär samma form och storlek med jämna mellanrum) - och därmed antas representera en icke-hjärn biologisk funktion - och kan tas bort via Analys Independent Component (t.ex. blinkar.) (ICA). klicka här för att se en större version av denna siffra.

. Kompletterande kodfil: MATLAB Script och ändring Visar skript (spectopo.m och absolutepower.m) för omvandling baserad på mikrovolt mätning och tid - beräknas för varje frekvensband (Delta, Theta, alfa, beta och gamma) - för att få den absoluta makten vid varje frekvens 22. Koden förändringar som krävs för korrekt funktion i pop_chanedit.m ingår också.lemental_Code_File.txt "> Klicka här för att ladda ner filen.

RESTEN 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
theta 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
gamma 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

Tabell 1:. Rest Absolut Power Innehåller absoluta effektvärden för baslinjen Rest tidsperioder. Värden visas för varje EEG cap kanal och varje neurala frekvensband. Klicka här för att ladda ner tabellen som ett Excel-ark.

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
theta 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
gamma 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

Tabell 2: PSVT. R Absolut Power Innehåller absoluta effektvärden för de tidsperioder när deltagaren var lösa PSVT: R problem. Värden visas för varje EEG cap kanal och varje neurala frekvensband. Klicka här för att ladda ner tabellen som ett Excel-ark.

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
theta 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
gamma 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

Tabell 3:. MCT Absolut Power Innehåller absoluta effektvärdena för de tidsperioder när deltagaren var lösa MCT problem. Värden visas för each EEG cap kanal och varje neurala frekvensband. Klicka här för att ladda ner tabellen som ett Excel-ark.

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
theta 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
gamma 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

Tabell 4:. Statik Absolut Power Innehåller absoluta effektvärdena för de tidsperioder när deltagaren var lösa statik problem. Värden visas för varje EEG cap kanal och varje neurala frekvensband. Klicka här för att ladda ner tabellen som ett Excel-ark.

PSVT: R% AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4 genomsnitt
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
theta 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%
gamma 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

. Tabell 5: PSVT: R Relativ Absolut Power Innehåller relativa absoluta effektvärden - det vill säga förhållandet jämfört med resten baslinjen - för de tidsperioder när deltagaren var lösa PSVT: R problem. Värden visas för varje EEG-cap-kanal och varje neural frekvensband./ftp_upload/53327/Table_5.xlsx">Please klicka här för att ladda ner tabellen som ett Excel-ark.

MCT% AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4 genomsnitt
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
theta 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%
gamma 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

. Tabell 6: MCT Relativ Absolut Power Innehåller relativa absoluta effektvärden - det vill säga förhållandet jämfört med resten baslinjen - för de tidsperioder när deltagaren var lösa MCT problem. Värden visas för varje EEG cap kanal och varje neurala frekvensband. Klicka här för att ladda ner tabellen som ett Excel-ark.

statik% AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4 genomsnitt
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
theta 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%
gamma 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

. Tabell 7: Statics Relativ Absolut Power Innehåller relativa absoluta effektvärden - det vill säga förhållandet jämfört med resten baslinjen - för de tidsperioder när deltagaren var lösa statik problem. Värdena är shegen för varje EEG cap kanal och varje neurala frekvensband. Klicka här för att ladda ner tabellen som ett Excel-ark.

genomsnitt
PSVT: R% 85,2%
MCT% 109,2%
statik% 90,5%

. Tabell 8: Medelvärde Relativ Absolut Power Innehåller relativa absoluta effektvärden - det vill säga förhållandet jämfört med resten baslinjen - i genomsnitt över alla EEG cap kanaler för de tidsperioder när deltagaren var lösa PSVT: R, MCT, och statik problem . Procentsatser visas för beta frekvensbandet bara. Klicka här för att ladda ner tabellen som enn Excel.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Protokollet diskuterar tillämpningen av elektroencefalografi för att mäta hjärnaktivitet för deltagarna arbetar problem från två typiska spatial förmåga instrument och mycket rumsliga ingenjörs statik problem. De metoder som beskrivs här kan i slutändan kunna hjälpa förstå neurala effektivitet höga och låga artister som deltar i arbetet med dessa problem. Det är viktigt att förstå eventuella skillnader i neurala effektivitet av teknologer arbetar med MCT och PSVT: R, eftersom dessa tester ofta används för att bedöma spatial förmåga. Jämföra dem med varandra ger oss möjlighet att bättre bedöma deras tillämplighet till framgång inom teknik och deras ställning i grundläggande teknik läroplaner.

Protokollet fastställer rutiner för forskning på neurala effektivitet i samband med rumsliga kognition uppgifter. Det är viktigt att tillförlitliga och giltiga instrument används för att bedöma spatiala förmågor som är anslutna till ingenjörs innehåll. Det jagär också viktigt att tekniska problem rikta representativa ingenjörs innehåll för en specifik kurs. EEG-mätningar ger en distinkt icke störande förmåga att triangulera kognitiva komponentdata från studenter engagerade i rumsliga aspekter av teknisk problemlösning. Rätt tid stämpling ska användas för sådan insamling av data, se till triangulering med video arkiverade händelser. IRB protokoll bör strikt följas, garantera anonymitet deltagare och analys av data.

De flesta felsökningsproblem inträffar samtidigt samla EEG-data som beskrivs nedan, och de flesta av dem hanteras innan data registreras. Korrigeringar för dålig impedans och buller är bäst hanteras under installationen. Efter EEG headset tillverkarens anvisningar är kritisk, och i vår erfarenhet indikationerna från tillverkarens programvara kan dirigera användare att kontrollera specifika elektroder. Typiskt sambandet mellan filtkudden och DELTAGAREt huvud ska blötas upp mer, eller anslutningen mellan varje elektrod och headsetet kan behöva kontrolleras. Om någon anslutning är synlig, men kvaliteten är dålig, med hjälp av sprutan åter dämpa filten är ofta tillräckligt, och ibland headsetet behöver justeras fysiskt för att säkerställa fast kontakt med hårbotten. I ett par fall, vi var tvungna att be deltagarna att skölja håret i en vask innan vi kunde få en god anslutning. När elektroden verkade inte sända data, var det ofta åtgärdas genom att ta bort elektroden och sedan sätta den. Ibland, plasthöljet för elektroden kan spricka, i vilket fall det kommer att behöva bytas ut.

Andra felsökning kan inträffa under dataanalys, och diskuteras i protokollet. Data förbehandling involverar filtrering och avlägsnande av artefakter. Ofta dataanalys programvara stöder manuell avslag samt skript som kan köras under förbehandlingen och pro bearbetning av data.

Ändringar gjordes till ett manus i analysprogram. Dessa förändringar dokumenteras i kompletterande kodfil. Ändringar i protokollet kan också göras. En samtidig protokoll har använts i vilka verbala svar krävs under studien. Detta kommer att introducera fler artefakter i EEG-data, men kommer att ge mer insikt i deltagarens funktionella kunskap under testerna. Ett alternativ har också använts där deltagaren deltar i en videoinspelad intervju med forskaren efter sessionen.

Andra rekommenderade potentiella modifieringar inkluderar användning av olika spatial förmåga testar 14 olika tekniska frågor 17, eller andra pedagogiska bedömningar. Olika hjärnans aktivitet mätvärden, möjliga via EEG och andra instrument, också skulle kunna kasta ljus på svårigheten, eller andra egenskaper, bedömningar skicklighet.

jove_content "> Vi inser att det finns begränsningar med den teknik som anges i detta dokument Konstruktionerna av spatial förmåga (rotation och skär hyvlad yta) mätt med PSVT. R och MCT är bara två av många potentiella konstruktioner mätbara med andra rumsliga mått. Dessutom kan olika rumsintensiva uppgifter (dvs.., olika typer av problem eller olika kurser och kurser) också bedömas. Forskning kring neurala effektivitet bör naturligtvis också utföras på ett bredare tillämpningsområde än bara grundläggande ingenjörsutbildningar såsom statik. för exempelvis bör det undersökas inom många STEM fält erkänt i litteraturen att vara beroende av rumsliga resonemang 3. Dessutom bör neurala effektivitetsstudier inte begränsas till kunskaper som är direkt kopplade endast till spatial förmåga 21-28. även inom inblandade i hjärnvågorna forskning mätning, bruket av medelvärdeseffektmätningar över varaktigheten av en uppgift förbjuder utredningin i andra korrelationer som kan förekomma inom de mönster av hjärnaktivitet. EEG-mätningar, på grund av deras temporala responsivitet, inte är begränsade till neurala effektivitetsstudier. Och EEG instrumentering sig begränsas av djupet av hjärnvågorna aktivitet kan upptäcka, särskilt i jämförelse med den högre spatial upplösning av funktionell nära infraröd spektroskopi eller funktionell magnetisk resonanstomografi, även om dess tids responsivitet fortfarande bland de bästa 36.

I slutändan tycks möjligheterna att använda fysiologiska mätningar för att ge insyn i pedagogisk teori och praktik enorma 37,38. Den tekniska tillvägagångssätt och mål i detta protokoll är annorlunda än den biofeedback tillvägagångssätt med hjälp av EEG i utbildning / utbildning studerar 39, men alla är värt att beakta insikt vinns i fenomen som spatial förmåga och konstruktion kompetensutveckling. Detta tillvägagångssätt att använda EEG för att undersöka neurala efficivitet mellan rumsliga uppgifter inneboende inom specifika spatial förmåga instrument definierar en annan metod för segregerande spatial förmåga tester. Detta exemplifierar en ny tillämpning av en neurovetenskaplig metod för att undersöka spatial förmåga tester, samt att öppna en neurovetenskaplig strategi för undersökning av befintliga pedagogisk teori. Att hitta metoder för verifiering och validering är en del av ingenjörskultur. Inom denna nya applikation, kan fysiologiska hjärnvågorna testning öppnar en ny värld av förståelse och raffinering pedagogisk teori. Faktum är att om det betraktas som en potentiell väg för validering, en ny och ny generation av teknik pedagogisk forskning kan uppstå.

Subscription Required. Please recommend JoVE to your librarian.

Acknowledgments

Författarna vill tacka för Christopher Green, Bradley Robinson, och Maria Manuela Valladares, för att hjälpa till med insamling av data. Finansiering för EEG utrustning tillhandahölls av Utah State University Office of Research och forskarutbildnings utrustning Grant till Kerry Jordaniens multisensorisk Cognition Lab. Benjamin Call stöds av en president Doctoral Research Fellowship uppnås från Utah State University School of Graduate Studies för sitt arbete med Dr. Wade Goodridge.

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

Beteende spatial intelligens elektroencefalografi neural effektivitet spatial förmåga spatialt tänkande ingenjörsutbildning Statics
Med hjälp av elektroencefalografi Mätningar för jämförelse av uppgiftsspecifika neurala Efficiencies: Spatial Intelligence Uppgifter
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