Waiting
Login processing...

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

Behavior

Utilisant Mesures Électroencéphalographie pour la comparaison des tâches spécifiques aux efficacités Neurones: Tâches Spatial Intelligence

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

Summary

Ce manuscrit décrit une approche pour mesurer l'activité neuronale de l'homme tout en résolvant les problèmes d'ingénierie spatialement ciblées. La méthodologie de l'électroencéphalogramme aide à interpréter les mesures bêta des ondes cérébrales en termes d'efficacité de neurones, dans le but de permettre des comparaisons en fin de compte de l'exécution des tâches à la fois entre les types de problèmes et entre les participants.

Abstract

L'intelligence spatiale est souvent liée à la réussite dans les professions de l'enseignement de l'ingénierie et de l'ingénierie. L'utilisation de l'électroencéphalographie permet de calculer comparative de l'efficacité neuronal des individus comme ils accomplissent des tâches successives exigeant la capacité spatiale pour obtenir des solutions. l'efficacité de neurones est ici définie comme ayant moins d'activation bêta, et donc dépensant moins de ressources de neurones, à effectuer une tâche par rapport aux autres groupes ou d'autres tâches. Pour les comparaisons inter-groupes de tâches avec des durées similaires, ces mesures peuvent permettre une comparaison du type de difficulté de la tâche. Pour intra-participants et inter-participants comparaisons, ces mesures permettent de mieux comprendre le potentiel dans le niveau de la capacité spatiale et différentes tâches résolution des problèmes techniques du participant. Performance sur les tâches sélectionnées peuvent être analysées et en corrélation avec les activités bêta. Ce travail présente un protocole de recherche détaillé étudier l'efficacité neuronal des étudiants engans dans la résolution de la capacité spatiale typique et les problèmes Statique. Les élèves ont des problèmes spécifiques à la coupe mentale Test (MCT), Purdue Spatial test de visualisation de Rotations (TPSV: R), et Statique. Bien engagé dans la résolution de ces problèmes, les ondes cérébrales des participants ont été mesurés avec EEG permettant aux données d'être collectées au sujet de l'alpha et bêta cerveau activation d'onde et l'utilisation. Le travail semble corréler la performance fonctionnelle des tâches spatiales pures avec des tâches d'ingénierie spatialement intensifs pour identifier les voies à la performance réussie dans l'ingénierie et les améliorations qui en résultent dans la formation des ingénieurs qui peuvent suivre.

Introduction

Capacité spatiale est essentielle à la science, technologie, ingénierie et mathématiques (STEM) des champs et de l' éducation et est en corrélation avec le succès dans ces domaines 1,2,3. Par conséquent, il est important de comprendre le développement de la façon dont les impacts de capacité problème spatial résoudre 4. Capacité spatiale a été liée à l' intérêt 5, 6 performances, succès dans les universitaires d'ingénierie 7 et succès professionnels de l' ingénierie 8. Cependant, il n'y a pas beaucoup de travail indiquant les processus neuronaux spécifiques dans la résolution des problèmes typiques à de nombreux instruments de capacité spatiale, ni le contenu de l'ingénierie spécifique qui est hautement spatiale.

Ce document fournit une introduction aux méthodes utilisées pour la collecte et l'analyse des scores spatiales de l'instrument de capacité combinée avec des mesures neuronaux données. Le but de la publication avec JoVE est de rendre ces méthodes plus accessibles à un plus large public. matériel grand public et wer logiciele utilisés dans cette étude. En tant que document de méthodes, les résultats complets / ensembles de données ne sont pas déclarées, ni plusieurs échantillons fournis. Toutes les images ont été capturées spécifiquement pour cette publication. Les méthodes décrites ci - dessous ont été utilisées dans la préparation d' un rapport préliminaire de la conférence 9 sur la base des données de huit collèges sophomore âge participants, dont trois étaient des femmes.

De nombreux instruments existants sont utilisés pour indiquer les niveaux de capacité spatiale inhérente ou appris par des individus. Deux 10,11 instruments valides et fiables qui sont couramment utilisés sont le Mental Cutting Test (MCT) 12 et le test Purdue Spatial de visualisation de Rotations (TPSV: R) 13. Alors qu'à l' origine conçu professionnellement 14 ces instruments testent différents stades de développement de la visualisation spatiale décrite par la théorie piagétienne 10,15. L'utilisation de ces instruments crée un besoin de comprendre les phénomènes cognitifs physiologiques sous-jacents existing lorsque les individus travaillent à travers ces problèmes. Pour cette raison, cette étude vise à mettre en valeur des méthodes utilisant des données physiologiques empiriques qui pourraient éventuellement améliorer l'analyse et la compréhension de la pensée spatiale, vérifier métriques capacités de test existants, et d'accroître l'applicabilité des évaluations spatiales des problèmes plus complexes typiques à la formation des ingénieurs. Beaucoup de ces problèmes peuvent être rencontrés dans l'ingénierie Statique.

Statique est une mécanique fondamentaux bien sûr livrés à la plupart des étudiants en génie (par ex., Biologique, mécanique, civil, environnement, génie aérospatial) 16,17. Il est l' un des premiers à résoudre des problèmes vastes expériences que les étudiants sont donnés dans le contenu de base de l' ingénierie 18. Statique implique l'étude de l'interaction des forces sur un corps rigide qui est au repos ou se déplace à une vitesse constante. Malheureusement Statique a fort taux d'abandon, le retrait et le taux d'échec (14% comme on le voit dans les invesUniversité tigated) et cela peut être lié à des modèles traditionnels de cours et de programmes de livraison qui omettent des avenues principales de soutien telles que les approches spatialement améliorées à l'éducation. Par exemple, les approches spatialement améliorées en Statique peuvent cibler la visualisation de la façon dont les forces interagissent en dehors de l'analyse analytique typique et renforcer les connaissances procédurales des élèves avec la conceptualisation à la terre. L'efficacité de ces interventions doit être étudiée dans une perspective neuroscientifique cognitive.

Électroencéphalographie (EEG) présente une méthode unique et mobile mesurant l'activité cérébrale des élèves. Les personnes qui effectuent des tâches qui déclenchent l' activation bêta sont généralement très en prise avec les tâches spécifiques et sont attentifs à ce qu'ils font 19,20. En tant que tâche exige une augmentation de l'amplitude des bêta augmente d'onde, tout comme la taille de la zone corticale les fréquences de bande passante occupent. Les plus de neurones que le feu dans lesla gamme de fréquences bêta (alpha: 8 - 12 Hz, bêta: 12 - 24 Hz) peut être définie comme une plus grande puissance bêta. Dans le même ordre, que l'on devient plus expérimenté dans une tâche, l'amplitude des ondes bêta diminue, générant moins de puissance beta. Cela fait partie de l'efficacité hypothèse neuronal 21-28, dans lequel une plus grande expérience de la tâche lors de l' exécution d' une tâche est liée à une diminution de la puissance de fréquence. Bien que l' EEG a déjà été utilisé dans l'étude des capacités spatiales (souvent pour la rotation mentale et tâches de navigation spatiales) - et les données applicables ont été identifiés dans l'alpha, bêta et thêta bandes 27-33 - bandes alpha et bêta ont été observées pour cette étude, et la bêta a été sélectionné pour une analyse représentative dans le présent document et dans le rapport préliminaire de la conférence 9. Les procédures définies ci-dessous se concentrer ainsi sur l'analyse de la bande bêta, mais une enquête sur les trois bandes, selon les données enregistrées, il est recommandé à l'avenir.

leneuronal hypothèse de l'efficacité a été testée sur diverses tâches, y compris les échecs, la mémoire visuo, équilibrage, et se reposer. Tous ont indiqué l'expérience de la tâche comme un facteur de puissance de fréquence diminué lors de l'exécution des tâches familières. Une étude en particulier 25 a présenté des preuves que, bien que l'intelligence d'une personne (telle que mesurée par le QI) peut aider l'individu à acquérir les compétences nécessaires pour effectuer une tâche, l' expérience de la tâche l' emporte sur l' intelligence dans sa contribution à l' efficacité neural. En d'autres termes, plus connu un individu est, l'il ou elle devient plus efficace neurale.

Études existantes d'efficacité neuronaux impliquant la capacité spatiale ont principalement porté sur la rotation spatiale, et différents ensembles de problèmes ont été utilisés pour comparer les différentes populations (par exemple., Mâle / femelle) 27-28. Les études EEG de tâches spatiales de capacité ont également fourni un aperçu en comparant les performances à d' autres types de tâches (par exemple., Tâches verbales)27,29,30. Les méthodes discutées dans ce foyer de papier sur et de comparer les problèmes de la MCT, TPSV: R, ainsi que des tâches d'équilibre statique, qui sont liés à la capacité spatiale, mais ne sont pas limités à la rotation spatiale et la navigation. D'autres tâches spatiales peuvent être utilisées à la place de ceux donnés comme exemples dans ce manuscrit. De cette façon, un aperçu supplémentaire peut être obtenue à l'avenir en ce qui concerne les différentes populations (par exemple., Mâle / femelle ou expert / novice) pour finalement aider à améliorer les pratiques pédagogiques d'ingénierie.

Dans un effort pour enquêter sur la capacité spatiale et de l'aptitude de l'ingénierie, nous avons développé un protocole en utilisant les mesures EEG pour identifier les activations d'ondes bêta de faible rendement aux participants très performants au cours d'une autonomie limitée des tâches spatiales et techniques spécifiques. Dans ce cas, le terme interprète de haut est lié à la performance du participant, et ne reflète pas la quantité de temps passé sur le terrain par leapprenant, que tous les participants étaient à peu près au même point dans leur éducation. En outre, l'ensemble des problèmes en jeu est tout à fait spécifique et de base; ainsi les termes «experts» ou «haute performance» ici ne doivent pas être considérés dans le sens d'un expert, ingénieur professionnel employé, mais ne représente que des performances élevées dans cette tranche étroite de l'ingénierie mécanique programmes et instruments de capacité spatiale. Les mesures de neurones peuvent également être utilisés pour identifier les tendances brutes pour quels types de tâches peuvent recruter davantage de ressources cognitives que les autres, avec une interprétation possible concernant les niveaux de difficulté. Cette information peut potentiellement fournir un aperçu de l'évaluation et de l'intervention future à l'égard de la capacité spatiale. Futur autre idée peut être dérivée en tenant compte des régions plus spécifiques du cerveau, qui n'a pas été possible dans cette étude en raison du nombre limité de canaux disponibles dans le matériel utilisé EEG.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Déclaration éthique concernant l' utilisation des participants humains

Procédures impliquées dans ce travail ont été approuvés par l'Institutional Review Board (IRB) à l'Université de l'Utah pour l'étude des sujets humains. Il est recommandé que tout travail similaire devrait également être approuvé par la CISR pertinente. Les participants sont autorisés à arrêter ou retirer de l'étude à tout moment pendant l'expérience.

1. Sélection des participants

  1. Sélection des participants sur une base volontaire des étudiants actuellement inscrits dans un cours Statique. Veiller à ce que les participants ont été préalablement exposés au contenu Statique ils verront alors que dans l'étude.
    Note: Idéalement, les participants doivent avoir une exposition à la matière par lecture au moins quatre semaines avant leur participation à l'étude afin qu'il y ait du temps pour la consolidation des concepts et le développement de niveaux de performance différentiels.
  2. Effectuer le recrutement suivant tous les protocoles de la CISR. Expliquetoutes les procédures et restrictions aux participants potentiels en détail. Décrire la portée des futurs contacts et comment les résultats de l'étude peuvent être publiés et / ou mis à la disposition des participants. Définir une compensation pour la participation à l'étude. Si un bénévole choisit de participer à l'étude, lui fournir un code d'identification à double code connu seulement et contrôlé par le chercheur principal.
    Remarque: le recrutement de la population spécifique nécessitera une analyse statistique pour vérifier la puissance statistique de l'échantillon et le nombre de participants requis pour analyser les différences individuelles dans les données encéphalogramme. Si le chercheur désire mener une étude comparative entre les populations, puis une analyse de puissance devrait être menée pour développer la taille des groupes de participants appropriés pour les deux populations.
  3. Choisissez des activités ou des problèmes qui sont représentatifs des expériences souhaitées pour les participants.
    Remarque: Dans ce protocole, l'ingénierie de niveau de deuxième annéeles étudiants inscrits à un cours Statique ont été sélectionnés. Les activités jugées pertinentes étaient des problèmes de contenu Statique d'introduction, ainsi que deux instruments de capacité spatiale couramment utilisés: le plan de coupe mentale Test (MCT) et la Purdue Visualisation test Spatial (TPSV-R). Chaque instrument teste différentes constructions de capacité spatiale et le niveau de développement territorial dans cette population étudiante sélectionnée.
  4. Mettre en place un calendrier pour organiser les sessions de laboratoire pour les participants.

2. Préparation des instruments

  1. Mettre en place les casques EEG (aka caps) par les instructions du fabricant. Complétez cette préparation avant que le participant arrive pour l'étude. Pour réitérer, cette procédure est spécifique aux casques et micros généraux tels que Emotiv, par opposition à des configurations de qualité médicale de l'EEG.
    1. Chargez les casques EEG - idéalement au moins une charge de 1-h par session. Pour un laboratoire utilisé régulièrement, au moins deux casques de charge unt tout temps.
    2. Placez tous les liquides nécessaires dans une zone accessible, y compris le liquide pour amortir les électrodes EEG (par exemple., L' eau) et un nettoyant abrasif pour assurer un bon contact pour les nœuds de référence EEG.
    3. Insérer les feutres dans chaque boîtier (assurant le contact de l'or est assis en toute sécurité dans chaque boîtier). Saturer les feutres avec le liquide de mouillage à l'aide d'une seringue. Laisser les électrodes mouillées pour se reposer.
  2. Mettre en place des caméras vidéo nécessaires pour mesurer le comportement des participants. Pour le protocole actuel, utiliser deux caméras vidéo par participant. Réajuster les caméras une fois que le participant est en place. Assurez-vous que la vidéo est horodaté.
    1. Concentrez une caméra sur le visage du participant si visant à enregistrer les expressions faciales et d'obtenir une haute qualité audio.
    2. Concentrez l'autre caméra sur la zone en face du participant pour capturer le mouvement de la main, y compris des actions d'écriture (si l'écriture est prévu, assurez-vous d'utiliser une écriture eninstrument qui est sombre et / ou suffisamment pour être capturée par la caméra d'épaisseur), et suffisamment de l'écran d'ordinateur pour donner un aperçu à la tâche qui est en cours résolu à quel moment.
    3. Allumez l'ordinateur et vérifiez que le logiciel est d'enregistrer des données encéphalogramme. Vérifiez que tous les logiciels et dispositifs de collecte de données sont en interface suffisamment pour la collecte des données.

3. Préparation des participants à l'étude et Session Début

  1. Vérifiez la réception du consentement documenté des participants par l'accord IRB discuté ci-dessus. Répondez à toutes les questions que les participants ont avant de commencer l'étude. Rappelez aux participants que les données recueillies seront référencées par le code d'identification et il n'y aura pas d'informations d'identification qui lie les données au participant, et qu'ils peuvent se retirer à tout moment.
  2. Demandez à chaque participant de remplir une enquête de démographie avant la participation à l'étude. Cette enquête peut poser des questions sur le sexe, unge, l' expérience qui peuvent impacter leurs capacités dans l'étude (par exemple., ingénierie passé ou spatialement cours intensifs, la capacité spatiale passe améliorant, et les questions concernant les critères d'exclusion tels que les traumatismes cérébraux blessures qu'ils ont pu subir, quelle main qu'ils utilisent).
    1. Exclure les participants du groupe de bénévoles pour l'analyse EEG si l'une des conditions suivantes sont réunies: (a) le participant est gaucher ou ambidextre, afin de contrôler pour le cerveau latéralité déconcerte; (B); l'individu ne peut pas participer aux séances de laboratoire en raison d'une incapacité physique; ou (c) l'individu a subi un préjudice grave du cerveau. Notifier les participants potentiels de ces limitations au cours du processus de recrutement, ou le plus tôt possible pour éviter de passer du temps et des ressources inutiles.
  3. À l'arrivée, assurer le participant est à l'aise et de résoudre des questions ou des préoccupations restantes.
    1. Démontrer la seringue utilisée pour saturer lenoeud et expliquer que ce ne sera utilisé que pour garder l'EEG Feutres humides. Si le participant a une peur extrême d'aiguilles, envisager d' appliquer d' autres précautions (par exemple., En gardant la seringue hors de leur plan focal lorsque remouillage les feutres).
    2. Demandez au participant de supprimer tous les appareils électroniques de leur personne.
  4. Placez le casque EEG sur le participant.
    1. Vérifiez les feutres pour l'humidité et placer les combinaisons feutre / boîtier dans le casque EEG.
    2. Nettoyer les points de référence (par exemple., Processus mastoïde) du participant avec le nettoyant abrasif. Essuyer tout résidu.
    3. Placez le casque sur le participant avec les noeuds de référence alignés de manière appropriée avec les points de référence. Ne pliez pas trop les bras du casque. Laissez un espace entre le noeud de référence et l'arrière de l'oreille afin de ne pas causer de l'inconfort, et d'aligner et de l'espace le casque de manière appropriée avec la tête du participant.

4. Logiciel d'exécution au sein de la session

  1. Démarrez le logiciel EEG-logging. Assurez -vous que la bonne connectivité existe entre le dispositif d'enregistrement (par exemple., Ordinateur personnel) et EEG casque en vérifiant que tous les canaux sont affichés sur le dispositif d'enregistrement. Vérifiez que tous les canaux présentent d'abord un comportement similaire avec des oscillations de faible amplitude. Vérifiez l'EEG pour assurer une bonne connectivité avec le participant - re-mouillage et en ajustant les feutres de manière à obtenir des modèles cohérents sur le dispositif d'enregistrement - précédant immédiatement les périodes de repos et avant le début de chaque nouveau type de problème.
    Remarque: L'EEG fonctionne à 128 Hz. Électro-oculographie n'a pas été utilisé pour enregistrer les mouvements oculaires, et référence lié oreille n'a pas été utilisé.
  2. Demander au participant de rester aussi immobile et silencieux que possible pendant les tâches exercices.
  3. Lancer le logiciel tâche présentation.
    Remarque: Lors de la collecte de données, tous les précommunication visuelle prévue avec le participant se produit par l'intermédiaire de l'écran d'ordinateur. Dans ce cas, une série de problèmes spatiaux et d'ingénierie apparaîtra sur l'écran d'ordinateur, et les participants seront invités à les résoudre. Les réponses correctes ne sont pas fournis aux participants lors de la collecte de données. Les images de problèmes avancés basés sur l'entrée d'utilisateur, de sorte que le calendrier était basé sur la durée de résolution de problèmes.
    1. Affichage type de problème spatial 1 (par exemple, TPSV:. R - un test à choix multiple, ou des problèmes de rotation vrai-faux - voir la figure 1) 13. Note: (. Par exemple 30 secondes) , la durée de ces problèmes sera utilisée comme l'intervalle de temps pour l'analyse des données. Cinq problèmes ont été inclus dans cet ensemble.
    2. Afficher le type de problème spatial 2 (par exemple, MCT -. Un test à choix multiple, ou la découpe mentale vrai-faux problèmes - voir Figure 2) 12. Note: La durée de ces problèmes sera (par exemple, 30 sec.)être utilisé comme l'intervalle de temps pour l'analyse des données. Cinq problèmes ont été inclus dans cet ensemble.
    3. Ingénierie d'affichage type de problème 17 (. Par exemple, Statique problèmes - ventilés à se concentrer sur des principes spécifiques d'ingénierie Statique, ou tout autre type de problème appliquée émis l' hypothèse d'avoir des composantes spatiales - voir la figure 3). Remarque: Ces problèmes prennent beaucoup plus de temps à résoudre que les problèmes spatiaux. Le nombre de problèmes indiqués aux participants a varié de quatre à dix.
    4. Attribuer des périodes de repos au début et à la fin de la collecte des données - utilisé pour obtenir des données de référence. Veiller à ce que chacun d' entre eux ont la même durée (par exemple., 120 s).
  4. Si vous le souhaitez, effectuer une entrevue de départ avec le participant. Cela peut inclure leurs réflexions sur la présentation expérimentale, le port du casque EEG, le processus de communication utilisée dans le recrutement et la préparation des participants, et / or tout protocole exigeant des réponses verbales mentionnées ci-dessus. Un questionnaire d'utilisateur validé peut être fourni aux participants, au lieu de mener une entrevue.
  5. Éteignez le logiciel tâche présentation, le logiciel EEG-logging, retirez le casque EEG, et éteignez l'appareil d'enregistrement vidéo.

5. Conclusion de la session

  1. Rejeter participant à l'étude. Merci du participant et de leur fournir une vue d' ensemble de tout contact futur (par exemple., Pour des entrevues de suivi ou de sessions ultérieures de l'étude), expliquent comment les résultats de l'étude peuvent être publiés et / ou mis à la disposition des participants, et de fournir des rafraîchissements ou le paiement (ou une explication de la façon dont le paiement sera fourni) convenues dans le cadre de la compensation pour la participation à l'étude.
  2. journaux de données de transfert à tous les périphériques de stockage à long terme ou de transfert nécessaire. Stocker le formulaire de consentement signé de manière appropriée et désigné par le protocole IRB.
  3. Retirez les feutres à partir du casque et désinfecter ou en disposer.
  4. Remettre les enveloppes d'électrodes EEG et le micro-casque à l'emplacement approprié de stockage.
  5. Jeter les seringues usagées et de déchets de façon appropriée.
  6. Retour des liquides à des emplacements de stockage appropriés.
  7. Fixer le laboratoire si ne sont pas utilisés par d'autres chercheurs.

Analyse 6. Données

  1. Identifier et extraire les données brutes pour chaque canal et les données de marqueur à partir des journaux de données EEG. Utiliser des marqueurs de bit ASCII pour identifier le début et la fin de la collecte des données, ainsi que les transitions entre les différentes phases de collecte de données (par ex., Les types de problèmes) et des problèmes individuels. Faire en sorte que chaque type de phase a une valeur différente du marqueur de façon à permettre une différenciation au cours de l'analyse. Le nom des données d'une manière qui renvoie le code d'identification de participant en tant que source.
    Remarque: les commandes EEGLAB sont defined ici, mais EEGLAB nécessite MATLAB pour cette exécution.
    1. Cliquez sur Fichier> Importation de données> Utilisation des fonctions EEGLAB et plugins> De fichiers EDF / EDF + GDF (Biosig boîte à outils)
    2. Sélectionnez le fichier de données approprié. Cliquez sur Ouvrir pour charger les données.
    3. Sélectionnez la liste des chaînes. Cliquez sur OK pour accepter.
    4. Fournir un nom Dataset. Indiquez un nom descriptif pour les données qui reflètent la source et la date de la collecte. Dans ce cas, PSF1448 indique les données du numéro de participant 48 à l'automne 2014.
  2. La carte les données extraites au montage (ie, la mise en page des noeuds de l' EEG.) En sélectionnant le montage fourni par l'EEG casque fournisseur (par exemple, un 10 -. Système 20). Vérifiez que le montage utilisé pour l'analyse correspond à la mise en page du casque EEG utilisé au cours de la session. Ceci est spécifique au fabricant.
    1. Modifier canal emplacements en cliquant sur Modifier Lieux> Chaîne.
    2. Sélectionnez Montage. Dans ce cas, le defaull montage est approprié, si simplement cliquez sur OK pour accepter.
    3. Sélectionnez Spécification Informations sur la chaîne. Dans ce cas, la valeur par défaut est appropriée, si simplement cliquez sur OK pour accepter.
  3. Réduire les données de canal EEG à ce qui est le plus représentatif de l'activité du cerveau, telles que définies ci-dessous.
    1. Appliquer un filtre initial aux données. En règle générale, appliquer une passe-haut, filtre passe-bas (avec 0,1 Hz comme borne inférieure du filtre passe-haut et 59 Hz comme la limite supérieure du filtre passe-bas). Application d'un filtre passe-bas à moins de 60 Hz supprime le bruit du réseau électrique américain. Enregistrez le jeu de données avec un nouveau nom comme un point de restauration.
      1. Cliquez sur Outils> Filtre FIR Basic (nouveau, par défaut).
      2. Réglez les paramètres de filtre de base. Set bord inférieur à 0,1 Hz, bord supérieur à 59 Hz, ne pas tracer la réponse en fréquence, et cliquez sur OK pour accepter.
      3. Spécifiez un nouveau nom pour les données filtrées (en ajoutant "_filtered" au nom du jeu de données existant). Vérifiez la box pour enregistrer les données dans un fichier, et utiliser le même nom pour le nom du fichier. Cliquez sur OK pour accepter.
    2. Retirez toutes les données qui se trouvent avant le premier marqueur EEG ou après le dernier marqueur EEG - en gardant à l'esprit toute latence dans l'enregistrement des marqueurs de l'EEG. Enregistrer le temps de latence (temps) du marqueur qui indique le début de l'enregistrement des données et le temps de latence du marqueur indiquant la fin des données. Enregistrez le jeu de données avec un nouveau nom comme un point de restauration.
      1. Les valeurs de latence peuvent être trouvés dans les «valeurs Modifier l'événement - pop_editeventvals) (" écran; appuyez sur le bouton ">>" pour aller à la borne finale signifiant la fin des données EEG. Aucun changement doit accepter, donc cliquez sur Annuler une fois que les valeurs ont été enregistrées.
      2. Cliquez sur Modifier> Sélectionner les données.
      3. Entrez le début et la fin de latence des valeurs (de temps), séparés par un espace, dans le "Time intervalle [min max] (s) champ", et cliquez sur OK pour accepter.
      4. Indiquez un nouveau nom pour ladonnées recadrée (en ajoutant "_cropped" au nom du jeu de données existant). Cochez la case pour enregistrer les données dans un fichier, et utiliser le même nom pour le nom du fichier. Cliquez sur OK pour accepter.
    3. Rejeter sections de données avec de grands objets. Les étapes présentées ci-dessous décrivent comment le faire manuellement lors de l'inspection visuelle des données. Remarque: la suppression des données sera également provoquer des artefacts 34,35.
      1. Normaliser les données dans chaque canal (supprimer la moyenne et de mettre chaque canal sur la même échelle). Également supprimer le décalage en courant continu (cela modifie les données, mais pas la visualisation).
        1. Cliquez sur Plot> Données Channel (scroll).
        2. Cliquez sur Paramètres> Intervalle à afficher.
        3. Spécifiez l'intervalle de temps (. Par exemple, 30 sec) à afficher dans la parcelle dans la "longueur Nouvelle fenêtre (s):" champ. L'intervalle de temps est basée sur le temps entre les marqueurs pour des problèmes au sein d'une phase donnée (ou dans les deux phases de problème spatial). La plage de temps peut être la based sur le maximum, minimum, ou le temps moyen entre les marqueurs.
        4. Cliquez sur le bouton "Norm" pour normaliser les données dans le complot (ce qui est purement esthétique et ne modifie pas les données sous-jacentes).
        5. Cliquez sur Affichage> Supprimer décalage DC pour supprimer le décalage de courant continu dans le complot (ce qui est purement esthétique et ne modifie pas les données sous-jacentes).
      2. Enlever les grands objets qui ne sont pas répétées régulièrement au fil du temps.
        1. Mark toutes les données anormales d'artefacts prospectifs. Une fois que toutes les données d'artefacts ont été marquées, cliquez sur le bouton Rejeter.
          Note: Ceux-ci peuvent apparaître comme des pics anormalement élevés ou larges dans les données - dans un ou plusieurs canaux - ou aussi longtemps tendances qui apparaissent dans un petit nombre de canaux. Les données sont suspectes si les données provenant des canaux séparés semblent se croiser dans la parcelle. Ceux-ci représentent des objets qui ne sont pas partie du spectre des ondes cérébrales et plus représentent probablement le mouvement des muscles par le participant ou un noeud (s) wmauvaise connectivité ith. Tout ce qui ressemble à une onde carrée est pas représentatif de l'activité du cerveau humain.
      3. Enregistrez le jeu de données avec un nouveau nom comme un point de restauration.
        1. Cliquez sur Fichier> Enregistrer ensemble de données en cours comme.
        2. Spécifiez un nouveau nom pour les données recadrées (en ajoutant "_manRej" au nom du jeu de données existant). Cliquez sur Enregistrer pour accepter.
      4. Si un canal particulier semble défectueux, supprimer les données de celui-ci individuellement. Cela représente une grande perte de données, donc le faire avec beaucoup de prudence. Regardez les données du canal sur une longue période de temps, car il installe souvent au fil du temps et fournit des données utiles.
    4. Exécuter une analyse en composantes indépendantes (ICA) et sélectionner les meilleures représentations de l'activité cérébrale.
      Remarque: Cela facilite le retrait des ensembles d'objets répétitifs dans les données. Ces ensembles contiennent des artefacts qui apparaîtront plusieurs fois à des intervalles plus ou moins réguliers avec un sha répétépe. Typiquement, ils sont le résultat de fonctions biologiques telles que clignotant ou impulsion - dont chacun aura son propre ensemble.
      1. Carte des données ICA-séparés à une représentation du crâne sur la base du montage. Rejeter les résultats associés à clignoter, le pouls ou la tension musculaire - qui sera souvent apparaître dans les résultats de l'ICA comme domaines prioritaires au-dessus des yeux, près des temples, ou sur les oreilles, respectivement. Rejeter tout composant qui montre le crâne entier comme étant engagé depuis il pas représentatif de l' activité du cerveau (voir la figure 4) 35 Accepter les autres résultats (voir les figures 5 - 6)..
        1. Cliquez sur Outils> Exécuter ICA.
        2. Sélectionnez la valeur par défaut (Runica) algorithme ICA. Cliquez sur OK pour accepter.
        3. Cliquez sur Propriétés de composants Plot>.
        4. Sélectionnez les indices des composantes (les 14 canaux EEG d'électrodes chargés en mémoire) et les options spectrales. Comme précédemment, le bord inférieur est de 0,1 Hz, et le bord supérieur est 59Hz. Cliquez sur OK pour accepter les entrées.
        5. Dans la fenêtre Accepter / Rejeter, cliquez sur le bouton Accepter de changer de statut Rejeter (et cliquez à nouveau pour changer de nouveau pour accepter). Cliquez sur OK pour enregistrer l'étiquetage Accepter / Rejeter.
      2. Tracer les données ICA séparées dans une parcelle de couleur 2-D. Rejeter les résultats qui apparaissent entrelardées, blanc ou poivré avec des discontinuités, puis enregistrez l'ensemble de données avec un nouveau nom comme un point de restauration (voir les figures 5 - 6).
        1. Dans la fenêtre Accepter / Rejeter, cliquez sur le bouton Accepter de changer de statut Rejeter (et cliquez à nouveau pour changer de nouveau pour accepter). Cliquez sur OK pour enregistrer l'étiquetage Accepter / Rejeter.
        2. Cliquez sur Outils> Supprimer des composants - pour supprimer réellement les données marquées pour le rejet précédemment.
        3. Cliquez sur OK pour continuer. Les indices de composants connectés pour le rejet sont affichés dans la fenêtre "Supprimer des composants".
        4. Cliquez sur Accepter dans la fenêtre «Confirmation» à continuer avec la taille des données.
        5. Spécifiez un nouveau nom pour les données élagués (en ajoutant "_manRejPruned" au nom du jeu de données existant). Cochez la case pour enregistrer les données dans un fichier, et utiliser le même nom pour le nom du fichier. Cliquez sur OK pour accepter.
          Note: Séries qui durent plus longtemps que 0,5 sec sont considérés comme raisonnables pour le rejet. Relative "bonté" peut-être besoin d'être utilisé ici, en fonction de la qualité d'autres ensembles de données semblent être - il est souhaitable de maintenir au moins la moitié des composants. De bons résultats sont souvent représentés par des gradations continues sur un 2-D continue des données de terrain de couleur 34.
  4. Supprimer les valeurs limites gauche dans les données. Enregistrez le jeu de données avec un nouveau nom comme un point de restauration.
    1. Cliquez sur Modifier> Valeurs de l'événement.
    2. Faites défiler les événements et cliquez sur le bouton Supprimer l'événement lorsque le type d'événement est une frontière. Lorsque tous ont été supprimés, cliquez sur OK.
    3. Specifya nouveau nom pour les données supprimées-frontière (en ajoutant "_deleteBoundaries" au nom de jeu de données existant). Cliquez sur Enregistrer pour accepter. Utilisez même sélection d'élément de menu comme avant pour arriver à cet écran (voir étape 6.3.3.3.1).
  5. Calculer les mesures de puissance absolue pour chaque type d'exercice. Ceci est une base puissance transformation logarithmique basée sur la mesure de microvolt et le temps -. Calculée pour chaque bande de fréquence (Delta, Theta, Alpha, Beta, Gamma) 22
    1. Segmenter les données en blocs, en utilisant des marqueurs pour indiquer le début et la fin de chaque tâche.
      1. Cliquez sur Modifier> Sélectionner les données à l'aide des événements.
      2. Utiliser des délais appropriés pour chaque type de tâche. Définir le calendrier pour les périodes de repos par la durée d'une période de repos. Pour les problèmes spatiaux (qui sont à peu près similaires dans la durée), soit utiliser la durée moyenne de toutes les tâches spatiales ou la durée maximale de toutes les tâches spatiales. Pour l'application (par exemple., Engineering Statique) problèmes, identifier la durée moyenne pour chaque problème. Enregistrez le jeu de données avec un nouveau nom comme un point de restauration.
        1. Entrez le type de marqueur dans le "type (s) de l' événement ([] = all)" champ, (par exemple., Type de marqueur 50 a été utilisé pour marquer des événements de repos). les événements de repos avaient une durée de 120 secondes dans ce cas, alors entrez "1 120" pour le tableau des limites de temps. Cliquez sur OK pour accepter.
        2. Spécifiez un nouveau nom pour les données d'événement (en ajoutant "_rest" au nom du jeu de données existant dans ce cas). Cochez la case pour enregistrer les données dans un fichier, et utiliser le même nom pour le nom du fichier. Cliquez sur OK pour accepter.
          Remarque: Si les parties appliquées peuvent être réduits afin qu'ils prennent à peu près la même quantité de temps que les tâches spatiales, puis utiliser la même taille de calendrier que les tâches spatiales. Étant donné que l' EEG est une mesure sensible au temps, les plus précises les époques de temps sont pour chaque état, les moins confondus les données sont à la fin (ie., Le nombre d'échantillons recueillis pour chaque condition sera plus cohérente).
  6. Comparer les résultats pour l'analyse finale.
    1. Calculer le pourcentage de chaque tronçon par rapport aux mesures de référence de repos. Voir le fichier de code supplémentaire, et les tableaux 1 - 8.
      1. Ouvrez le script AbsolutePower dans MATLAB et cliquez sur le bouton Exécuter pour exécuter le script sur ​​les données chargées dans l'espace de travail lors de l' étape 6.6 (par exemple., Les données de repos).
      2. Sélectionnez les données absolutepowermatrix dans l'espace de travail MATLAB pour le transfert à un programme de feuille de calcul (par exemple., MS Excel).
    2. Répétez les étapes 6.5 - 6.6.1.2 pour chaque type d'exercice / marqueur.
    3. Comparer les résultats avec des délais similaires (par exemple., Tâches spatiales) à un autre pour un aperçu de la difficulté relative.
    4. Comparer les résultats entre les participants à identifier les acteurs relativement plus élevés par rapport à des artistes plus faibles dans les compétences en cours d'évaluation. Note: Les entreprises performantes peuvent montrer très little augmentation de l'activation de la bêta par rapport à la ligne de base, tandis que les moins performants peuvent montrer une augmentation de l'ordre de 70% 21-26.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Dans cette section, les étapes précédentes sont illustrées par des chiffres de l'échantillon comme décrit ci-dessous. Complets résumés de données avec les tests statistiques ne sont pas fournis, comme l'objectif de cet article est de mettre l'accent sur les méthodes. Des exemples de TPSV potentiel R, TCM, et les problèmes spatiales sont données à la figure 1, la figure 2 et la figure 3, respectivement.

Le bouchon EEG recueillera l' activation du cerveau par l' intermédiaire des potentiels électriques pour chaque canal donné, qui peut être consulté en parallèle comme le montre la figure 7. Comme mentionné précédemment, certains artefacts dans les données doivent être supprimées manuellement, tandis que d' autres peuvent être éliminés par l' ICA. Parfois un canal défectueux peut être identifié. Ces artefacts sont visibles dans la figure 7. Dans le logiciel d'analyse, les grands artefacts, non répétitifs peuvent être marqués manuellement dans la séquence et ensuite éliminés en cliquant sur ​​le bouton "REFUSER" (comme dans l' étape 6.3.3.2.1). Tous les chiffres avec des images de l'analyse des données EEGsont de l'outil logiciel d'analyse indiquée dans le tableau des matériaux.

Suite à l'ICA, le logiciel d'analyse mappe les données de deux façons: 1) Une représentation du cuir chevelu mappé d'activation, et 2) Une parcelle continue des données 2-D de l'activation par essais et rangés Time. Un exemple de données acceptables peut être observé dans la figure 5. Un exemple de cuir chevelu rejeté mappé des données indiquant une activité non associée au cerveau pour trois cas peuvent être vues sur la figure 4. 2D parcelles de données continues pour ces mêmes rejetés trois cas peuvent être vus dans Figure 6. la strie observée dans les deux premières parcelles mérite un examen pour l' enlèvement. Le stries dans le troisième tracé peut être considérée comme limite - 2-D parcelles de données continues de cette qualité peuvent être considérés pour l'inclusion, et le chercheur doit tenir compte de l'équilibre entre, y compris les signaux parasites et le rejet des données précieuses. Mèches de plus de 0,5 secondes sont considérés comme grounds de rejet. Pour plus de perspicacité, consultez le site Web de EEGLAB (http://sccn.ucsd.edu/eeglab/).

Une fois que toutes les données de confusion ont été rejetées - soit par le rejet manuel tout en regardant les parcelles encéphalogramme ou après ICA - et les données ont été chunked à temps pour le type d'activité appropriée, les calculs de puissance absolue peuvent être faites pour chaque bande de fréquence et chaque activité tapez via le script MATLAB (basé sur les fonctions du logiciel d'analyse) données dans le fichier de code supplémentaire. Les données de synthèse puis générées par la fonction sont indiqués dans les tableaux ci - dessous le tableau 1 contient les données des périodes de repos -.. Qui sont utilisés comme référence pour les calculs d'efficacité Tableau 2, Tableau 3, et le tableau 4 contiennent le pouvoir absolu données pour le TPSV: R, MCT, et les problèmes Statique, respectivement. En divisant par la valeur de la cellule pour le canal correspondant et l'interdiction de fréquenced dans le tableau de repos, les rapports relatifs pouvoir absolu sont présentés dans le tableau 5, le tableau 6 et le tableau 7 pour TPSV: R, MCT, et les problèmes Statique, respectivement.

En fin de compte, la valeur moyenne sur tous les canaux est pris pour la bande de fréquence bêta pour chaque type d'activité, et les résultats sont présentés dans le tableau 8. Ce type de données peut être utilisé pour identifier les ROIs pour la recherche future. A partir de ces données pour le participant en question, nous voyons que le pouvoir absolu par rapport apparaît plus faible pour le TPSV: R que pour le MCT. conclusions décisives concernant cette déclaration, cependant, restent tributaires d'un plus grand échantillon pour établir la signification statistique possible. La puissance absolue par rapport aux tâches Statique peut être comparée à la valeur des autres participants, et les estimations de haute performer vs faible effort cognitif interprète peut être identifié qui pourrait être corrélée avec des scores fonctionnels sur les problèmes Statique pour validation. Bien que ce soit spécifiquement un document de méthodes, et présente des exemples de données à partir d'un seul participant, l'analyse statistique du rapport préliminaire utilisé un test de Levene pour évaluer la normalité, suivie d'un test de Friedman comparant le groupe x tâche x canal EEG. Enfin, un test de Wilcoxon suivi a été réalisée sur les effets et les interactions Friedman importantes. La comparaison entre les artistes de haute et basse ont montré des niveaux d'activation bêta significativement plus élevé pour les moins performants que pour les plus performants (Pour TPSV: R, F3: χ 2 (1,6) = 5,33, p <.03; T8: χ 2 (1, 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 Pour MCT, 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 Pour Statique, FC6: χ 2 (1,6) = 4,08, p <0,05). 9

Figure 1
Figure 1: TPSV:. R Exemple problème Partie A démontre un seul TPSV exemple: R problème comme on le voit par les participants. (Source: Guay (1976)). La bonne réponse est C. Partie B fournit une explication visuelle de la solution S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Figure 2
Figure 2:. MCT Exemple problème Partie A démontre un seul problème échantillon MCT comme on le voit par les participants. La bonne réponse est D. Partie B fournit une explication visuelle de la solution. (Source: CEEB (1939))"Target =" _ blank "> S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Figure 3
Figure 3:. Statique Exemple Problème Illustre un problème exemple Statique unique donnée aux participants. Ce problème est dans le plan (ie., 2-D) équilibre donné trois forces et une structure de connexion commune. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Figure 4
Figure 4:. Des exemples de non-Brain Scalp-mappé Activité Trois exemples de post-ICA données du cuir chevelu mappé sont présentées d'un individu, 23 ans, participant de sexe masculin. activation complète du cuir chevelu, l'activation au-dessus d'un seul oeil / temple, et l'activation concentrés on yeux et temples sont révélateurs de l' activité corporelle, pas l' activité du cerveau, comme le montre après ICA dans IC2, IC3 et IC4, respectivement. S'il vous plaît cliquez ici pour voir une version plus grande de cette figure.

Figure 5
Figure 5:. Acceptables Images post ICA-données Illustration de carte du cuir chevelu acceptable et 2-D terrain continue des données après ICA pour un cas d'échantillon, composantes indépendantes 13 (IC13), d'un individu, 23 ans, participant de sexe masculin. L' activation semble être centrée sur une région du cerveau dans la vue du cuir chevelu mappé, et pas de grandes traînées sont visibles dans le tracé de données en continu. S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.


Figure 6: 2-D. Parcelles de données continues Images Scalp-mappés assortis Trois exemples de post-ICA parcelles continue-données sont présentés à partir d' un individu, 23 ans, participant de sexe masculin. Bandes épaisses ou des stries dans les 2-D des parcelles de données continues de l' ICA indiquent discontinuités pas indicatifs de la fonction cérébrale normale dans IC2, IC3, IC4 -. En particulier dans IC2 et IC3 parcelles S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

Figure 7
Figure 7:. Données Brainwave avec Artifacts Capture d' écran d'un artefact (canal F7) marqué manuellement pour le rejet d'une plage de temps de l' échantillon d'un individu, 23 ans, participant de sexe masculin. Notez l'événement à travers de multiples canaux entre 132 et 133: Des événements similaires sont répétées plusieurs fois (approximativement la même forme et la taille à intervalles réguliers) - et donc sont supposés représenter une fonction biologique non-cerveau - et peuvent être éliminés par analyse en composantes indépendantes (par exemple, clignote.) (ICA). S'il vous plaît cliquer ici pour voir une version plus grande de cette figure.

. Fichier de code supplémentaire: MATLAB Script et de modification Affiche les scripts (spectopo.m et absolutepower.m) pour la transformation basée sur la mesure de microvolt et le temps - calculé pour chaque bande de fréquence (Delta, Theta, Alpha, Beta et Gamma) - pour obtenir le pouvoir absolu à chaque fréquence 22. Les modifications de code requises pour la fonctionnalité correcte en pop_chanedit.m sont également inclus.lemental_Code_File.txt "> S'il vous plaît cliquer ici pour télécharger ce fichier.

LE REPOS 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
thêta 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
alpha 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
bêta 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

Tableau 1:. Rest Absolute Power Contient les valeurs de puissance absolue pour les périodes de référence de temps de repos. Les valeurs sont indiquées pour chaque bouchon canal EEG et chaque bande de fréquence neural. S'il vous plaît cliquer ici pour télécharger ce tableau comme une feuille de calcul Excel.

TPSV: 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
thêta 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
alpha 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
bêta 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

Tableau 2: TPSV:. R Absolute Power Contient les valeurs de puissance absolue pour les périodes où le participant a la résolution de problèmes TPSV: R. Les valeurs sont indiquées pour chaque bouchon canal EEG et chaque bande de fréquence neural. S'il vous plaît cliquer ici pour télécharger ce tableau comme une feuille de calcul Excel.

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
thêta 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
alpha 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
bêta 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

Tableau 3:. MCT Absolute Power Contient les valeurs de puissance absolue pour les périodes où le participant a été la résolution des problèmes de MCT. Les valeurs sont indiquées pour each EEG canal de chapeau et chaque bande de fréquence neural. S'il vous plaît cliquer ici pour télécharger ce tableau comme une feuille de calcul Excel.

Statique 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
thêta 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
alpha 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
bêta 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

Tableau 4:. Statique Absolute Power Contient les valeurs de puissance absolue pour les périodes où le participant a été de résoudre les problèmes Statique. Les valeurs sont indiquées pour chaque bouchon canal EEG et chaque bande de fréquence neural. S'il vous plaît cliquer ici pour télécharger ce tableau comme une feuille de calcul Excel.

TPSV: R% AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4 moyenne
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
thêta 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
alpha 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
bêta 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

. Tableau 5: TPSV: R Relative Absolute Power contient les valeurs relatives de puissance absolue - qui est, le ratio par rapport à la ligne de base Rest - pour les périodes où le participant a la résolution de problèmes TPSV: R. Les valeurs sont indiquées pour chaque bouchon canal EEG et chaque bande de fréquence neural./ftp_upload/53327/Table_5.xlsx">Please cliquez ici pour télécharger ce tableau comme une feuille de calcul Excel.

MCT% AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4 moyenne
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
thêta 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
alpha 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
bêta 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

. Tableau 6: MCT relative Absolute Power contient les valeurs relatives de puissance absolue - qui est, le ratio par rapport à la ligne de base Rest - pour les périodes où le participant a été de résoudre les problèmes de MCT. Les valeurs sont indiquées pour chaque bouchon canal EEG et chaque bande de fréquence neural. S'il vous plaît cliquer ici pour télécharger ce tableau comme une feuille de calcul Excel.

Statique% AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4 moyenne
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
thêta 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
alpha 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
bêta 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

. Tableau 7: Statique Relative Absolute Power Contient les valeurs relatives de puissance absolue - qui est, le ratio par rapport à la ligne de base Rest - pour les périodes où le participant a été de résoudre les problèmes Statique. Les valeurs sont shpropre pour chaque canal de capuchon d'EEG et chaque bande de fréquence neural. S'il vous plaît cliquer ici pour télécharger ce tableau comme une feuille de calcul Excel.

moyenne
TPSV: R% 85,2%
MCT% 109,2%
Statique% 90,5%

. Tableau 8: Averaged Relative Absolute Power Contient les valeurs de puissance absolue par rapport - qui est, le ratio par rapport à la ligne de base de repos - en moyenne sur tous les canaux de capitalisation EEG pour les périodes où le participant était TPSV résoudre: problèmes R, MCT et Statique . Les pourcentages sont indiqués pour la bande de fréquence bêta uniquement. S'il vous plaît cliquer ici pour télécharger ce tableau commetableur Excel n.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Le protocole traite de l'application de l'électroencéphalographie pour mesurer l'activité cérébrale des participants problèmes de travail de deux instruments de capacité spatiales typiques et très spatiales problèmes de Statique d'ingénierie. Les méthodes décrites ici peuvent finalement être en mesure d'aider à comprendre l'efficacité neuronal des interprètes de haute et basse engagés dans le travail de ces problèmes. Il est essentiel de comprendre les différences dans l'efficacité neuronaux des élèves ingénieurs travaillant sur le MCT et TPSV: R, ces tests sont souvent utilisés pour évaluer la capacité spatiale. En les comparant les uns aux autres nous permet de mieux évaluer leur applicabilité à la réussite dans l'ingénierie et leur position dans les programmes d'ingénierie fondamentale.

Le protocole établit des procédures pour la recherche sur l'efficacité de neurones associés aux tâches spatiales de la cognition. Il est important que les instruments fiables et valides sont utilisées pour évaluer les capacités spatiales liées au contenu de l'ingénierie. Il iest également important que les problèmes d'ingénierie cibler le contenu d'ingénierie représentant pour un cours spécifique. mesures EEG offrent une capacité non-intrusive distincte pour trianguler les données cognitives des composants des étudiants engagés dans les aspects spatiaux de résolution des problèmes techniques. temps correct estampage doit être utilisé pour une telle collecte de données, assurant la triangulation avec les événements vidéo archivés. protocoles de la CISR doivent être rigoureusement suivies, assurant l'anonymat des données et l'analyse des participants.

La plupart des problèmes de dépannage se produisent lors de la collecte des données de l'EEG comme détaillé ci-dessous, et la majorité de ceux qui sont traités avant que les données sont enregistrées. Corrections pour mauvaise impédance et le bruit sont mieux traitées lors de l'installation. En suivant les instructions du fabricant du casque EEG est critique, et dans notre expérience, les indications par le logiciel du fabricant peut diriger les utilisateurs de vérifier les électrodes spécifiques. Typiquement, la connexion entre le tampon de feutre et le participanla tête t doit être humidifié plus, ou la connexion entre chaque électrode et le casque peut avoir besoin d'être vérifié. Si une certaine connectivité est visible, mais la qualité est médiocre, en utilisant la seringue de ré-humidifier le feutre est souvent suffisant, et parfois le casque doit être ajusté physiquement pour assurer un contact solide avec le cuir chevelu. Dans quelques cas, nous avons dû demander aux participants de se rincer les cheveux dans un évier avant que nous avons pu obtenir une bonne connexion. Lorsque l'électrode est apparu ne pas être la transmission de données, il a souvent été corrigée en retirant l'électrode, puis de le réinsérer. Parfois, le boîtier en plastique pour l'électrode peut se fissurer, auquel cas il devra être remplacé.

Autre dépannage peut se produire lors de l'analyse des données, et est discuté dans le protocole. pré-traitement des données implique le filtrage et la suppression des artefacts. Souvent, le logiciel d'analyse de données prend en charge le rejet manuel ainsi que des scripts qui peuvent être exécutés au cours du prétraitement et pro transformation des données.

Des modifications ont été apportées à un script dans le logiciel d'analyse. Ces changements sont documentés dans le fichier de code supplémentaire. Les modifications apportées au protocole peuvent également être effectués. Un protocole simultané a été utilisé dans lequel les réponses verbales sont nécessaires au cours de l'étude. Cela introduira plus d'artefacts dans les données de l'EEG, mais fournira plus de perspicacité dans la connaissance fonctionnelle du participant pendant les essais. Une alternative a également été utilisé dans lequel le participant participe à une interview vidéo enregistrée avec le chercheur après la session.

D' autres modifications potentielles recommandées comprennent l' utilisation différente capacité spatiale teste 14, différentes questions d'ingénierie 17, ou d' autres évaluations pédagogiques. Différentes mesures de l'activité cérébrale, possible via l'EEG et d'autres instruments, pourraient également faire la lumière sur la difficulté, ou d'autres caractéristiques, des évaluations de compétences.

jove_content "> Nous reconnaissons qu'il ya des limites avec la technique définie dans le présent document Les constructions de capacité spatiale (rotation et la surface de coupe rabotés) mesurées par le TPSV:. R et MCT ne sont que deux des nombreuses constructions potentielles mesurables avec d'autres mesures spatiales. En outre, différentes tâches spatialement intensifs (ie., différents types de problèmes ou les différents cours et cours) peuvent également être évaluées. les recherches sur l' efficacité de neurones doit bien entendu également être menée sur une portée plus large que les cours d'ingénierie simplement fondamentaux tels que Statique. Pour exemple, il devrait être étudié dans les nombreux domaines SOUCHES reconnus dans la littérature à dépendre de raisonnement spatial 3. en outre, des études d'efficacité neuronaux ne devraient pas être limitées aux compétences directement liées uniquement à la capacité spatiale 21-28. Même au sein de la recherche impliqués dans brainwave mesure, la pratique de la moyenne des mesures de puissance sur la durée d'une tâche interdit enquêtedans d'autres corrélations qui peuvent se produire dans les schémas de l'activité cérébrale. Les mesures de l'EEG, en raison de leur sensibilité temporelle, ne sont pas limitées aux études sur l'efficacité de neurones. Et EEG instrumentation est elle-même limitée par la profondeur de l' activité cérébrale , il peut détecter, en particulier par rapport à la plus haute résolution spatiale de la spectroscopie proche infrarouge fonctionnelle ou imagerie par résonance magnétique fonctionnelle, bien que sa sensibilité temporelle reste parmi les meilleurs 36.

En fin de compte, la possibilité d'utiliser des mesures physiologiques pour donner un aperçu de la théorie et de la pratique éducative apparaît immense 37,38. L'approche technique et les objectifs de ce protocole sont différentes que l'approche de biofeedback EEG utilisant dans l' éducation / formation étudie 39, mais tous méritent considération qu'un aperçu est acquise dans des phénomènes tels que le développement de la capacité spatiale et le développement des compétences en ingénierie. Cette approche de l'utilisation de l'EEG pour examiner effici neuronalparence entre les tâches spatiales inhérentes à des instruments spécifiques de capacité spatiale définit une autre méthode de séparer les tests de capacité spatiale. Cela illustre une nouvelle application d'une approche neuroscientifique pour enquêter sur les tests de capacité spatiale, ainsi que l'ouverture d'une approche neuroscientifique vers l'étude de la théorie éducative existante. Trouver des méthodes de vérification et de validation fait partie de la culture de l'ingénierie. Au sein de cette nouvelle application, les tests brainwave physiologique peut ouvrir un nouveau domaine de la compréhension et de raffinage théorie de l'éducation. En effet, si on la considère comme une avenue potentielle de validation, un roman et nouvelle génération de génie recherche en éducation peut se poser.

Subscription Required. Please recommend JoVE to your librarian.

Acknowledgments

Les auteurs tiennent à remercier Christopher Green, Bradley Robinson, et Maria Manuela Valladares, pour aider à la collecte de données. Le financement de l'équipement EEG a été fourni par le Bureau de l'Utah State University de la recherche et aux études supérieures Équipement Grant à multisensoriel Cognition Lab de Kerry Jordan. Benjamin Appel est soutenu par une bourse de recherche de doctorat présidentielle atteint de l'École des études supérieures de l'Utah State University pour son travail avec le 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

Comportement numéro 114 l'intelligence spatiale l'électroencéphalographie l'efficacité de neurones la capacité spatiale la pensée spatiale la formation des ingénieurs Statique
Utilisant Mesures Électroencéphalographie pour la comparaison des tâches spécifiques aux efficacités Neurones: Tâches Spatial Intelligence
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Call, B. J., Goodridge, W.,… More

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

Less
Copy Citation Download Citation Reprints and Permissions
View Video

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

Waiting X
Simple Hit Counter