需要JoVE订阅才能观看此内容。 请登录或开始免费试用

方法文章

利用脑电图测量比较特定任务的神经效率：空间智力任务

10.7K 次观看

⸱

DOI：

10.3791/53327

⸱

2016年8月9日

 ,  ,  ,  , 
1Department of Engineering Education, Utah State University, 2Department of Psychology, Utah State University

本文内容

摘要

本手稿描述了一种在人类解决空间聚焦的工程问题时测量其神经活动的方法。脑电图方法有助于从神经效率角度解读β脑波测量结果，旨在最终实现不同问题类型之间以及不同参与者之间的任务表现比较。

摘要

空间智能通常与工程教育和工程职业的成功相关。利用脑电图（electroencephalography）技术，可以在个体完成一系列需要空间能力以得出解决方案的任务时，对其神经效率进行比较计算。此处的神经效率定义为：相较于其他群体或其他任务，在执行某项任务时表现出更少的β波激活，因而消耗更少的神经资源。对于持续时间相似的任务之间的比较，这些测量结果可用于评估不同类型任务的难度差异。在个体内部及个体之间的比较中，这些测量结果可为参与者空间能力水平以及不同工程问题解决任务的特点提供潜在的洞察。所选任务的表现可被分析，并与β波活动进行相关性分析。本研究提出了一项详细的研究方案，用于探究学生在解决典型空间能力问题和静力学（Statics）问题时的神经效率。学生完成了针对心理切割测试（Mental Cutting Test, MCT）、普渡空间可视化旋转测试（Purdue Spatial Visualization Test of Rotations, PSVT:R）以及静力学问题的专项题目。在解决问题的过程中，通过脑电图（EEG）记录参与者的脑电活动，从而采集关于α波和β波脑电激活状态与使用情况的数据。该研究旨在将纯空间任务的功能性表现与空间要求较高的工程任务进行关联，以识别在工程领域取得成功表现的神经通路，并推动工程教育的相应改进。

引言

空间能力对科学、技术、工程和数学（STEM）领域及其教育至关重要，并与在这些领域的成功表现密切相关1,2,3。因此，理解空间能力如何影响问题解决能力的发展具有重要意义4。已有研究将空间能力与兴趣5、表现6、工程学科成绩7以及工程专业人员的职业成就8联系起来。然而，目前尚缺乏足够研究揭示在解决典型空间能力测试任务时所涉及的具体神经机制，也缺乏针对高度依赖空间能力的特定工程学科内容的深入探讨。

本文介绍了将空间能力测试得分与神经测量数据相结合的数据收集与分析方法。通过 JoVE 发表的目的是使这些方法能够被更广泛的受众获取。本研究使用了通用的硬件和软件设备。作为一篇方法学论文，本文未报告完整的结果或数据集，也未提供多个样本。所有图像均为本出版物专门采集。下述方法曾用于准备一份初步的会议报告9，该报告基于八名大学二年级年龄阶段的参与者数据，其中三名为女性。

目前有许多现有仪器用于评估个体固有或后天习得的空间能力水平。其中两种有效且可靠的10,11常用工具是心理切割测试（Mental Cutting Test, MCT）12和普渡空间可视化旋转测试（Purdue Spatial Visualization Test of Rotations, PSVT:R）13。尽管这些工具最初是为职业用途而设计14，但它们可用于测试皮亚杰理论所描述的不同阶段的空间视觉化发展水平10,15。使用这些工具促使人们需要理解个体在解决此类问题时所涉及的基本生理认知现象。因此，本研究旨在展示利用实证生理数据的方法，以最终改进对空间思维的分析与理解，验证现有能力测试指标的有效性，并提升空间评估在工程教育中典型复杂问题上的适用性。工程静力学中就可能遇到许多此类问题。

静力学是一门面向大多数工程专业学生（例如，生物、机械、土木、环境、航空航天工程）的基础力学课程16,17。这是学生在核心工程课程中首次系统接触的以问题求解为主的课程之一18。静力学主要研究作用在处于静止状态或以恒定速度运动的刚体上的力之间的相互关系。然而，静力学课程的退课率、缺考率和不及格率较高（在所调查的大学中高达14%），这可能与传统的授课方式和课程教学模式有关，这些模式往往忽略了关键的支持途径，例如空间能力强化的教育方法。例如，在静力学教学中引入空间能力强化方法，有助于学生超越常规的解析分析，直观地理解力的相互作用，并通过扎实的概念理解来加强其程序性知识。此类教学干预措施的有效性亟需从认知神经科学的视角进行深入研究。

脑电图（EEG）提供了一种独特且便携的方法，用于测量学生的大脑脑电波活动。在执行任务过程中，若个体出现β波激活，通常表明其高度专注于任务细节，并对正在进行的操作保持注意力19,20。随着任务需求的增加，β波的振幅以及该频带频率所占据的大脑皮层区域范围也随之增大。在β频率范围（α波：8 - 12 Hz，β波：12 - 24 Hz）内放电的神经元数量越多，可定义为β功率越高。相应地，随着个体对某项任务熟练程度的提高，β波的振幅会降低，从而产生更小的β功率。这属于神经效率假说21-28的一部分，即执行任务时经验越丰富，其脑电频率功率越低。尽管此前脑电图已用于空间能力的研究（通常用于心理旋转和空间导航任务），并在α、β和θ频段中识别出相关数据27-33，但本研究观察了α和β频段，并选择β频段作为本文及初步会议报告9中的代表性分析频段。因此，下文所述流程主要聚焦于β频段的分析，但未来仍建议根据记录的数据对全部三个频段进行深入研究。

神经效率假说已在多种任务中得到验证，包括国际象棋、视觉空间记忆、平衡任务以及静息状态。这些研究均表明，在执行熟悉任务时，任务经验是导致脑电频率功率降低的一个因素。其中一项特定研究25 提供了证据表明，尽管个体的智力水平（以智商测量）有助于其掌握完成某项任务所需的技能，但在对神经效率的贡献上，任务经验的影响超过了智力。换句话说，个体的经验越丰富，其神经效率就越高。

目前涉及空间能力的神经效率研究主要集中在空间旋转方面，并使用不同的问题集来比较不同人群（例如，男性/女性）27-28。针对空间能力任务的脑电图（EEG）研究也通过将表现与其他类型的任务（例如，言语任务）进行比较提供了深入见解27,29,30。本文讨论的方法聚焦于并比较了来自MCT、PSVT:R以及静态平衡任务的问题，这些任务与空间能力相关，但不仅限于空间旋转和导航。其他空间任务也可替代本文示例中给出的任务。通过这种方式，未来可能获得关于不同人群（例如，男性/女性或专家/新手）的进一步认识，从而最终有助于改进工程教育实践。

为了研究空间能力与工程素养，我们开发了一种利用脑电图（EEG）测量的实验方案，用于识别参与者在完成一系列特定空间与工程任务时，从低表现到高表现过程中β波的激活情况。此处，“高表现者”仅指参与者在任务中的表现水平，并不反映其在相关领域学习时间的长短，因为所有参与者均处于相近的教育阶段。此外，所涉及的问题集具有较强针对性且较为基础；因此，文中所使用的“"专家"”或“"高表现"”等术语，并不应被理解为具有专业工程实践经验的专家，而仅表示在本研究涉及的工程力学课程内容及空间能力测试工具这一狭窄范围内表现较优。神经测量数据还可用于识别不同任务类型在认知资源调用方面的总体趋势，并可能据此对任务难度水平进行解释。这些信息有望为未来针对空间能力的评估与干预提供参考。若能进一步分析大脑更具体的区域，或将获得更多的研究启示；然而，由于本研究所用脑电设备的通道数量有限，尚无法实现该目标。

访问受限。请登录或开始试用以查看此内容。

方案

关于使用人类参与者的伦理声明

本研究涉及的实验程序已获得犹他州立大学机构审查委员会（IRB）批准，适用于人类受试者研究。建议任何类似的研究也应获得相应机构审查委员会的批准。参与者可在实验过程中的任何时间停止或退出研究。

1. 受试者选择

  1. 从正在修读静力学课程的学生中自愿选择参与者。确保参与者在参与研究时已接触过他们将要看到的静力学内容。
    注意：理想情况下，参与者应在参与研究前至少四周通过课堂讲授等形式接触过相关材料，以便有足够时间巩固概念并形成不同的表现水平。
  2. 按照所有机构审查委员会（IRB）的规程开展招募工作。向潜在参与者详细说明所有程序和限制。描述未来可能的联系范围，以及研究结果可能如何发表和/或向参与者提供。明确参与研究可能获得的任何补偿。若志愿者决定参加研究，仅由主要研究者知晓并控制其唯一的双编码身份识别码。
    注意：针对特定人群的招募需进行统计分析，以验证样本的统计功效及分析脑电波数据中个体差异所需的参与者数量。若研究者希望在不同人群间开展比较研究，则应进行功效分析，以确定两个群体适当的参与者规模。
  3. 选择能够代表参与者预期学习体验的活动或问题。
    注意：在本方案中，选取了修读静力学课程的大二工程学学生。被认为相关的活动包括基础静力学内容中的问题，以及两种常用的空间能力测试工具：心理切割面测试（Mental Cutting Plane Test, MCT）和普渡空间可视化测试（Purdue Spatial Visualization Test, PSVT-R）。每种工具均用于评估所选学生群体在空间能力方面的不同构念及其空间能力发展水平。
  4. 制定日程安排，以组织参与者的实验课程。

2. 仪器准备

  1. 根据制造商说明设置脑电图（EEG）头戴设备（又称头帽）。在受试者到达研究现场前完成此项准备工作。需要重申的是，本操作流程仅适用于Emotiv等通用型移动头戴设备，而不适用于医用级EEG装置。
    1. 为脑电图头戴设备充电——理想情况下，每次使用至少充电1小时。对于常规使用的实验室，应始终确保至少有两套设备处于充电状态。
    2. 将所有所需液体放置在便于取用的位置，包括用于湿润脑电图电极的液体例如，水）以及研磨性清洁剂，以确保脑电图参考电极接触良好。
    3. 将毡垫插入每个外壳中（确保每个外壳中的金触点牢固就位）。使用注射器将阻尼液滴加至毡垫上，使其充分浸润。让润湿后的电极静置。
  2. 设置好测量参与者行为所需的所有视频摄像机。本方案中，每位参与者使用两台视频摄像机。在参与者就位后，重新调整摄像机位置。确保视频带有时间戳。
    1. 将一台摄像机对准受试者的面部，以记录面部表情并获取高质量音频。
    2. 将另一台相机对准参与者前方区域，以捕捉手部运动，包括书写动作（如果涉及书写，需确保使用颜色较深和/或足够粗的书写工具，以便相机能够清晰捕捉），并涵盖足够范围的计算机显示器画面，以明确判断参与者在何时执行何种任务。
    3. 打开计算机，确认软件已启动以记录脑电波数据。确认所有软件和数据采集设备均已充分连接，能够正常进行数据采集。

3. 研究参与者的准备及实验会话的开始

  1. 根据上述机构审查委员会（IRB）协议，确认已收到参与者签署的知情同意书。在研究开始前，解答参与者提出的任何问题。提醒参与者，所收集的数据将仅以编号代码标识，不会包含任何可识别其身份的信息，且他们可随时退出研究。
  2. 要求每位参与者在参与研究前填写一份人口统计学调查问卷。该问卷可包括性别、年龄、可能影响其研究表现的相关经历（e.g., 是否修读过工程类或空间能力要求较高的课程、是否从事有助于提升空间能力的业余活动），以及有关排除标准的问题（如是否遭受过创伤性脑损伤、惯用手情况等）。
    1. 若参与者符合以下任一条件，则应将其排除在脑电图（EEG）分析的志愿者群体之外：(a) 参与者为左利手或双手同利，以控制大脑偏侧化带来的混杂因素；(b) 个体因身体残疾无法参与实验室实验；或 (c) 个体曾遭受严重脑损伤。在招募过程中或尽早向潜在参与者说明这些限制条件，以避免浪费不必要的时间和资源。
  3. 参与者到达后，确保其感到舒适，并解决其任何尚未解决的问题或顾虑。
    1. 向参与者展示用于湿润电极垫的注射器，并说明该注射器仅用于保持脑电帽的毡垫湿润。若参与者对针头有极度恐惧，可考虑采取其他预防措施（e.g., 在重新润湿毡垫时避免将其置于参与者的视线范围内）。
    2. 要求参与者移除随身携带的所有电子设备。
  4. 为参与者佩戴脑电（EEG）头戴设备。
    1. 检查毡垫的湿润程度，并将毡垫与外壳组合件正确安装至脑电头戴设备中。
    2. 使用研磨性清洁剂清洁参与者的参考电极位置（e.g., 乳突部位），并擦除任何残留物。
    3. 将头戴设备佩戴于参与者头部，确保参考电极与参考位置准确对齐。切勿过度弯曲头戴设备的臂部。参考电极与耳后之间应留有适当间隙，以避免造成不适，并根据参与者的头部形状正确对齐和调整头戴设备的位置与间距。

4. 会话中的软件执行

  1. 启动脑电图（EEG）记录软件。通过检查记录设备（例如，个人计算机）上是否显示所有通道，确保记录设备与EEG头戴设备之间连接良好。检查所有通道初始是否均呈现相似的低幅振荡行为。在每次休息阶段前以及每种新类型问题开始前，检查EEG信号以确保与受试者连接良好——必要时重新润湿并调整毡垫，使记录设备上的信号模式保持一致。
    注意：EEG采样频率为128 Hz。未使用眼电图记录眼动，也未采用双耳链接参考电极。
  2. 指导受试者在任务练习期间尽量保持静止和安静。
  3. 启动任务呈现软件。
    注意：在数据采集过程中，所有预先计划的与受试者的视觉交流均通过计算机显示器进行。在此情况下，一系列空间认知与工程类问题将出现在计算机屏幕上，受试者需尝试解答。数据采集期间不向受试者提供正确答案。问题图像根据用户输入推进，因此呈现时间取决于问题解决所需时长。
    1. 显示空间问题类型1（例如，PSVT:R——一种选择题测试，或真假判断的图形旋转问题——见图1）13。注意：此类问题的持续时间（例如，30秒）将作为数据分析的时间范围。本组包含五个问题。
    2. 显示空间问题类型2（例如，MCT——一种选择题测试，或真假判断的心理切割问题——见图2）12。注意：此类问题的持续时间（例如，30秒）将作为数据分析的时间范围。本组包含五个问题。
    3. 显示工程类问题类型17（例如，静力学问题——分解为聚焦于工程静力学特定原理的问题，或其他假设包含空间成分的应用类问题——见图3）。注意：此类问题的解决时间显著长于空间类问题。向受试者展示的问题数量在四到十个之间不等。
    4. 在数据采集开始前和结束后安排休息阶段——用于获取基线数据。确保每个休息阶段持续时间相同（例如，120秒）。
  4. 如需要，可对受试者进行退出访谈。内容可包括其对实验呈现方式、佩戴EEG头戴设备的感受、招募及准备过程中的沟通方式，和/或上述需口头回答的任何流程的意见。也可向受试者发放经过验证的用户问卷，以替代访谈。
  5. 关闭任务呈现软件和EEG记录软件，取下EEG头戴设备，并关闭视频录制设备。

5. 本节总结

  1. 向研究参与者致谢并结束其参与。感谢参与者，并向其说明后续可能的联系安排（例如，用于随访访谈或研究的后续环节），解释研究结果将如何发表和/或向参与者提供，以及提供约定的任何茶点或报酬（或说明报酬的发放方式）。
  2. 将数据日志转移至所需的长期存储或传输存储设备中。按照机构审查委员会（IRB）协议的规定妥善保存已签署的知情同意书。
  3. 清理仪器和实验室空间。
    1. 从耳机上取下毛毡垫，并进行消毒或妥善丢弃。
    2. 将脑电（EEG）电极外壳和耳机归还至指定的存放位置。
    3. 妥善处理使用过的注射器和其他废弃物。
    4. 将液体试剂归位至适当的储存位置。
    5. 如无其他研究人员继续使用，确保实验室安全关闭。

6. 数据分析

  1. 识别并提取 EEG 数据日志中每个通道的原始数据以及标记数据。使用 ASCII 位标记来确定数据采集的开始和结束，以及数据采集不同阶段之间的转换例如，问题类型）和具体问题。确保每种阶段类型具有不同的标记值，以便在分析过程中进行区分。数据命名应参照参与者的ID编码作为来源。
    注意：EEGLAB 命令在此定义，但 EEGLAB 的运行需要 MATLAB。
    1. 点击文件 > 导入数据 > 使用 EEGLAB 函数与插件 > 来自EDF/EDF + GDF文件（BIOSIG工具箱）
    2. 选择合适的数据文件。单击“打开”以加载数据。
    3. 选择通道列表。单击“确定”以确认。
    4. 提供数据集名称。为数据指定一个描述性名称，以反映数据的来源和采集日期。本例中，PSF1448 表示 2014 年秋季参与者编号 48 的数据。
  2. 将提取的数据映射到蒙太奇图像上（即，通过选择脑电图耳机供应商提供的蒙太奇来确定脑电图电极的布局）例如，10-20系统）。确保用于分析的导联组合与会话期间所用脑电图头戴设备的布局一致。此要求因制造商而异。
    1. 通过点击“编辑”来修改通道位置 > 通道位置。
    2. 选择“蒙太奇”。本例中默认的蒙太奇设置合适，因此直接点击“确定”接受即可。
    3. 选择通道信息规格。此处默认设置合适，直接点击“确定”接受即可。
  3. 将脑电图（EEG）通道数据缩减为最能代表脑活动的部分，定义如下。
    1. 对数据应用初始滤波。通常应用高通滤波和低通滤波（高通滤波的下限为 0.1 Hz，低通滤波的上限为 59 Hz）。将低通滤波的上限设置为低于 60 Hz 可去除美国电网带来的噪声。将数据集另存为新名称，作为恢复点。
      1. 点击工具 > 基础FIR滤波器（新建，默认）
      2. 设置基本滤波参数。将下限设为 0.1 Hz，上限设为 59 Hz，不绘制频率响应图，然后点击“确定”以确认设置。
      3. 为过滤后的数据指定一个新名称（通过追加） "_filtered" （使用现有数据集名称）。勾选将数据保存为文件的选项，并使用相同的名称作为文件名。点击“确定”以确认。
    2. 删除首个脑电图标记之前或最后一个脑电图标记之后的所有数据，需考虑脑电图标记记录时可能存在的延迟。记录指示数据采集开始的标记延迟时间（时间）以及指示数据采集结束的标记延迟时间。将数据集另存为新名称，作为恢复点。
      1. 潜伏期数值可在以下位置找到 "编辑事件值 - pop_editeventvals()" 屏幕；按下“>>”按钮以跳转至表示脑电图数据结束的最终标记。无需接受任何更改，记录完数值后点击“取消”即可。
      2. 点击编辑 > 选择数据。
      3. 输入起始和结束潜伏期（时间）值，以空格分隔 "时间范围 [最小值 最大值] (s)" 字段，然后单击“确定”以确认。
      4. 为裁剪后的数据指定一个新名称（通过追加） "_cropped" （使用现有数据集名称）。勾选将数据保存为文件的选项，并使用相同的名称作为文件名。点击“确定”以确认。
    3. 剔除含有显著伪迹的数据片段。以下步骤描述了如何通过目视检查数据来手动完成此操作。注意：数据的删除同样可能引起伪迹34,35.
      1. 对每个通道的数据进行归一化处理（去除均值，并使每个通道处于相同的尺度）。同时去除直流偏移（这会改变数据，但不影响可视化效果）。
        1. 点击绘图 > 通道数据（滚动）
        2. 点击设置 > 显示的时间范围
        3. 指定时间范围（例如，30秒）在图中显示 "新窗口长度（s）：" 领域。时间范围基于给定阶段内（或两个空间问题阶段内）标记之间的时间间隔，可依据标记间的最大值、最小值或平均值确定。
        4. 点击 "标准" 单击按钮以规范化图表中的数据（此操作仅为外观调整，不会改变底层数据）。
        5. 点击显示 > 去除直流偏移以消除图中的直流偏移（此操作仅为外观调整，不会改变底层数据）。
      2. 去除那些不随时间规律重复出现的大尺寸伪影。
        1. 标记所有外观异常的伪迹数据。完成所有伪迹数据的标记后，点击“拒绝”按钮。
          注意：这些异常可能在数据中表现为异常高或宽的峰——出现在单个或多个通道中——或表现为仅出现在少数通道中的长趋势。如果在图中看到不同通道的数据似乎相互交叉，则数据可疑。这些代表不属于脑电波谱的伪迹，极有可能是受试者的肌肉运动或一个或多个连接不良的节点所致。任何类似方波的信号均不代表人类脑活动。
      3. 将数据集另存为新名称以作为恢复点。
        1. 点击文件 > 将当前数据集另存为。
        2. 为裁剪后的数据指定一个新名称（通过追加） "_manRej" （替换为现有数据集名称）。点击“保存”以确认。
      4. 如果某个通道似乎出现故障，请单独移除该通道的数据。这将造成较大的数据损失，因此务必谨慎操作。应观察该通道在较长时间内的数据表现，因其常随时间推移趋于稳定并提供有用数据。
    4. 运行独立成分分析（ICA），并选择脑电活动的最佳表征。
      注意：这有助于去除数据中成组的重复性伪影。这些组包含以大致规律的时间间隔多次出现且形状重复的伪影。通常它们源于眨眼或脉搏等生理活动——每种生理活动都有其对应的伪影组。
      1. 将ICA分离的数据根据导联图映射到颅骨的表征上。剔除与眨眼、脉搏或肌肉紧张相关的结果——这些通常在ICA结果中分别表现为眼上方、颞部附近或耳部区域的显著激活。剔除显示整个颅骨均被激活的任何成分，因其不能代表真实的脑活动（参见 图4).35 接受其他结果（参见 图5 - 6).
        1. 点击工具 > 运行独立成分分析（ICA）。
        2. 选择默认的（runica）ICA 算法。点击“确定”以确认。
        3. 点击绘图 > 组分特性
        4. 选择组分索引（已加载到内存中的14个EEG电极通道）和频谱选项。下限为0.1 Hz，上限为59 Hz。单击“确定”以确认输入。
        5. 在“接受/拒绝”窗口中，单击“接受”按钮可将状态更改为“拒绝”（再次单击可恢复为“接受”）。单击“确定”以记录接受/拒绝标记。
      2. 在二维彩色图中绘制经独立成分分析（ICA）分离的数据。剔除呈现条纹状、空白或充满不连续点的结果，然后将数据集另存为新名称作为恢复点（参见 图5 - 6).
        1. 在“接受/拒绝”窗口中，点击“接受”按钮可将状态更改为“拒绝”（再次点击可恢复为“接受”）。点击“确定”以记录接受/拒绝标记。
        2. 点击工具 > 移除组件 — 实际移除先前标记为剔除的数据。
        3. 单击“确定”继续。被记录为拒收的组件的索引如下所示 "移除组件" 窗口
        4. 点击接受 "确认" 继续进行数据修剪的窗口。
        5. 为剪枝后的数据指定一个新名称（通过追加） "_manRejPruned" （使用现有数据集名称）。勾选将数据保存为文件的选项，并使用相同的名称作为文件名。点击“确定”以确认。
          注意：持续时间超过 0.5 秒的拖影视为应被剔除的合理情况。相对 "良好性" 可能需要在此处使用，具体取决于其他数据集的表现情况——建议至少保留一半的组分。良好的结果通常在二维连续数据颜色图上表现为连续的渐变34.
  4. 移除数据中保留的边界值。将数据集另存为新名称以作为恢复点。
    1. 点击编辑 > 事件值
    2. 滚动浏览事件，当事件类型为边界时，点击“删除事件”按钮。删除所有边界事件后，点击“确定”。
    3. 为已删除边界的数据指定一个新名称（通过追加） "_deleteBoundaries" 到现有数据集名称）。单击“保存”以确认。使用与之前相同的菜单项选择进入此界面（参见步骤 6.3.3.3.1）。
  5. 针对每种运动类型计算绝对功率指标。该指标基于微伏测量值和时间，采用基于功率的对数变换方法，针对每个频段（Delta、Theta、Alpha、Beta 和 Gamma）分别计算。22
    1. 将数据分块为若干区块，使用标记指示每个任务的开始和结束。
      1. 点击编辑 > 使用事件选择数据。
      2. 为每种任务类型设定适当的时间范围。通过休息时段的持续时间来定义休息期的时间范围。对于空间问题（其持续时间大致相近），可采用所有空间任务的平均持续时间或最长持续时间。对于应用类（例如，工程静力学问题，确定每个问题的平均持续时间。将数据集另存为新名称，作为还原点。
        1. 输入标记类型 "事件类型（[]=全部）" 领域，（例如，此处使用标记类型50标记休息事件）。本实验中休息事件持续时间为120秒，因此输入 "1 120" 对于时间限制数组，单击“确定”以确认。
        2. 为事件数据指定一个新名称（通过追加） "_rest" 使用与此数据集相同的名称）。勾选将数据保存为文件的复选框，并使用相同的名称作为文件名。点击“确定”以确认。
          注意：如果应用部分的时间可以缩短至与空间任务大致相同，则应使用与空间任务相同的时间段长度。由于脑电图（EEG）是一种对时间敏感的测量方法，各实验条件下的时间片段越精确，最终数据受到的混杂影响就越小。即.，每种条件下采集的样本数量将更加一致。
  6. 比较结果以进行最终分析。
    1. 根据基线静息状态测量值，计算每个片段所占的百分比。参见补充代码文件， 表 1 - 8.
      1. 在 MATLAB 中打开 Absolutepower 脚本，点击运行按钮，对步骤 6.6 中已加载到工作区的数据运行该脚本例如，其余数据）。
      2. 在 MATLAB 工作区中选择 absolutepowermatrix 数据，以传输到电子表格程序例如，MS Excel）
    2. 对每种运动/标记物类型重复步骤 6.5 - 6.6.1.2。
    3. 与相似时间段的结果进行比较（例如，空间任务）相互比较，以了解其相对难度。
    4. 比较不同参与者的测试结果，以识别在所评估技能方面表现较高者与表现较低者。注意：表现较高者在β激活相对于基线的变化幅度可能很小，而表现较低者的变化幅度可能高达70%。21-26.

访问受限。请登录或开始试用以查看此内容。

结果

本节通过下述示例图示说明前述步骤。由于本文旨在聚焦方法学，故未提供包含统计检验的完整数据汇总。潜在的PSVT:R、MCT和空间问题示例分别见图1、图2和图3。

EEG 帽将通过每个给定通道的电位来采集大脑激活信号，这些信号可如图7所示并行查看。如前所述，数据中的某些伪迹需要手动去除，而其他伪迹可通过独立成分分析（ICA）去除。有时可识别出故障通道，此类伪迹在图7中可见。在分析软件中，可依次手动标记大幅值的非重复性伪迹，然后点击“REJECT”按钮予以去除（如步骤 6.3.3.2.1 所示）。所有包含 EEG 数据分析图像的图示均来自材料表中列出的分析软件工具。

在完成ICA之后，分析软件以两种方式对数据进行映射：1）激活活动的头皮分布图，以及2）按试验次数和时间排列的激活情况的二维连续数据图。可接受数据的示例如图5所示。三个被拒数据案例的头皮分布图示例显示了与大脑活动无关的信号，见图4

访问受限。请登录或开始试用以查看此内容。

讨论

本方案讨论了应用脑电图技术测量参与者在解决两种典型空间能力测试工具以及高空间性工程静力学问题时的大脑活动。此处详述的方法最终可能有助于理解在解决这些问题时表现高低不同者的神经效率差异。了解工程专业学生在完成MCT和PSVT:R测试时神经效率的任何差异至关重要，因为这些测试常被用于评估空间能力。将两者相互比较，有助于我们更准确地评估它们在工程学学习成功中的适用性，以及其在基础工程课程体系中的地位。

本方案建立了与空间认知任务相关的神经效率研究的操作流程。必须采用可靠且有效的测量工具来评估与工程学内容相关联的空间能力。同时，工程学问题应针对特定课程的代表性教学内容。脑电图（EEG）测量提供了一种独特的非侵入性手段，可用于交叉验证学生在解决工程问题中涉及空间认知过程时的神经活动数据。此类数据采集应进行准确的时间戳记录，以确保与视频存档事件的同步对应。必须严格遵守机构审查委员会（IRB）的规程，确保参与者数据及分析结果的匿名性。

大多数故障问题发生在采集脑电图（EEG）数据期间，具体情况如下所述，且其中大部分问题可在数据记录之前得到解...

访问受限。请登录或开始试用以查看此内容。

披露

作者声明不存在任何利益冲突或竞争性经济利益。

致谢

作者谨此感谢 Christopher Green、Bradley Robinson 和 Maria Manuela Valladares 在数据收集过程中提供的帮助。脑电图（EEG）设备的资金由犹他州立大学研究与研究生教育办公室设备资助项目提供，资助对象为 Kerry Jordan 多感官认知实验室。Benjamin Call 的研究工作由犹他州立大学研究生院颁发的总统博士研究奖学金支持，该奖学金用于其在 Wade Goodridge 博士指导下的研究工作。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
Emotiv EPOC 型号 1.0Emotiv型号：Emotiv Premium"高分辨率、多通道、便携式脑电图系统"
Emotiv 控制面板（软件）Emotiv用于数据收集。
Emotiv Testbench（软件）Emotiv用于数据收集。
虚拟串行端口模拟器 - VSPE（软件）ETERLOGIC.COM使用 COM10 进行数据采集。可免费下载，具体取决于操作系统。
E-Prime 2.0（软件）心理学软件工具用于数据采集（向参与者呈现问题并收集不同阶段的标记物）。
EEGLab 13.4.4b（软件）斯瓦茨计算神经科学中心（SCCN）用于数据分析。 "用于电生理信号处理的开源环境". SCCN 是加州大学圣迭戈分校神经计算研究所的一个研究中心。
MATLAB R2014bThe Mathworks, Inc.用于运行 EEGLab
Microsoft Excel 2013Microsoft用于汇总和比较来自 EEGLab 的表格化结果 &和 MATLAB 生成表格
内置麦克风的摄像机佳能CNVHFR50用于记录实验过程
注射器套装（5 cc 注射器 & 16 G 钝针 × 2）Electro-Cap Intnl. Inc.E7用于保持脑电帽的毛毡湿润。
Nuprep 脑电图皮肤准备凝胶韦弗公司10-30用于清洁乳突。
消毒剂PurellS-12808用于手部消毒

参考文献

  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).

访问受限。请登录或开始试用以查看此内容。

重印与许可

标签

神经效率脑电图头戴设备脑波分析任务表现心理切割测试普渡空间可视化工程静力学组分分析
利用脑电图测量比较特定任务的神经效率：空间智力任务
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。