Waiting
Traitement de la connexion…

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

Behavior

利用脑电图测量任务特定神经效率的比较：空间智能任务

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

这份手稿介绍来衡量人的神经活动，同时解决空间重点工程问题的方法。脑电图方法有助于解释神经效率方面测试脑电波测量，以最终实现两个问题类型之间和参与者之间的工作性能比较的目的。

Abstract

空间智能是常挂在工程教育和工程专业的成功。使用脑电图使他们执行需要导出的解决方案空间能力连续任务的个人的神经效率对比计算。此处神经效率被定义为具有以下测试激活，并因此花费更少的神经资源，以便在相对于其他组或其他任务执行的任务。对于具有类似持续时间的任务的任务间的比较，这些测量可使得任务类型难度的比较。对于内部参与者和参与者间的比较，这些测量提供了潜在洞察的空间能力和不同的工程问题的解决任务的参与者的水平。在所选择的任务的性能，可以分析并与β-活动相关。这项工作提出了详细的研究方案就读的学生ENG的神经效率在年龄典型的空间能力和静力学问题的解决。学生完成切削试验（MCT）旋转，普渡空间可视化测试（PSVT：R）特有的心理问题，和静。同时从事解决这些问题，参与者的脑电波用脑电图允许将收集到的数据有关的α和β脑波激活和使用测得的。这项工作看起来识别途径在工程成功的表现，并在工程教育所产生的改进，可遵循关联与空间密集的工程任务纯粹的空间任务的功能表现。

Introduction

空间能力是科学，技术，工程和数学（STEM）领域和教育至关重要，并在这些领域取得成功1,2,3相关。因此，要理解的是如何空间能力的影响的问题解决4的发展是重要的。空间能力已与兴趣5，6的性能，成功的工程学者7和成功的专业工程8。然而，没有表明在解决典型的许多空间能力的仪器，也没有具体的工程内容，具有高度的空间问题的具体神经过程做了大量的工作。

本文介绍了用于数据收集和空间能力的仪器评分与神经测量相结合的分析方法。朱庇特与出版的目的是使这些方法更广泛的受众更容易获得。一般公众的硬件和软件WERE在此研究中使用。作为一个方法纸，全部结果/数据集不报，也不是提供多个样品。所有图像本出版物专门抓获。下面详细介绍的方法编制的基础上，从八所高校大二的中年人士，其中3名是女性数据的初步报告发布会9人利用。

许多现有的仪器被用于指示的固有或个人了解到空间能力水平。通常使用的两个有效和可靠10,11文书是心理切削试验（MCT）12和循环的普渡空间可视化试验（PSVT：R）的13。虽然最初设计职业14这些仪器测试由皮亚杰理论10,15描述空间可视化不同的发展阶段。使用这些工具的创建一个需要了解的基本生理认知现象existin当个人通过这些问题的工作克为此，本研究旨在展示利用，可能会最终提高空间思想的分析和理解的经验生理数据的方法，验证现有指标的测试能力，并增加典型的工程教育的空间评估，以更复杂的问题的适用性。许多的这些问题可以在工程静力学会遇到。

静是一个基础力学课程交付给大多数工程的学生（ 例如 ，生物，机械，土木，环境，航空航天工程）16,17。这是学生在核心工程内容18给出的第一个广泛的解决问题的经验之一。静涉及力对刚体的相互作用是静止或以恒定速度移动的研究。不幸的是静具有高辍学，退缩，和故障率（14％为见于不变拟tigated大学），这可能与传统的讲座和课程交付模型忽略的关键支持途径，如空间增强的教育方法。例如，在静力学空间增强的方法可以针对部队典型分析分析之外是如何相互作用的可视化和加强学生与接地概念化程序性知识。需要从认知神经科学的角度来调查这种干预的有效性。

脑电图（EEG）提出衡量学生的脑电波活动的一个独特的移动方式。个人执行任务谁引起公测激活一般都与任务具体聘任，细心的他们在做什么19,20。随着任务的需求增加，对β波的幅度增加，一样的皮质区的带宽频率占用的大小。更火的神经元内公测频率范围（阿尔法：8 - 12赫兹，β：12 - 24Hz），可被定义为更大的功率测试。与此相关，为一个在任务变得更有经验，β波的振幅减小，产生更少的测试能力。这是神经效率假说21-28，其中当执行任务涉及在高频功率的减小更大的任务经历的一部分。尽管脑电图先前已在空间能力（通常为心理旋转和空间导航任务）的研究中使用-和适用的数据已在α，β已经确定，和θ波段27-33 -观察这个alpha和beta乐队研究和β被选定为本文进一步分析的代表，并在预备会议报告9。下面，因而注重测试带分析确定的程序，但调查的所有三个频段，这取决于所记录的数据，在未来的建议。

该神经效率假说的各种任务，包括国际象棋，视觉空间记忆，平衡和休息过测试。在执行常见任务时，所有的都表示任务的经验，在降低频率的功率因数。一个特别的研究已经25提供的证据，尽管（如智商测量）一个人的智慧可以帮助个人获得的技能在其神经效率的贡献远远超过智能执行任务，经验任务。换言之，越有经验的个人，越neurally效率，他或她就越​​大。

涉及空间能力现有神经效率的研究主要集中在空间旋转，并且不同的问题集已被用于比较不同的人群（ 例如 ，男/女）27-28。的空间能力任务脑电图的研究还比较性能与其他任务类型提供了深入了解（ 例如 ，口头任务）27,29,30。该方法在本文重点讨论和比较从MCT，PSVT问题：R以及静态平衡的任务，这是有关空间能力但不限于空间旋转和导航。其它空间任务可以代替给定为在该手稿示例的那些中使用。以这种方式，新的见解可对不同人群将来可获得（ 例如 ，男/女或专家/新手），以最终有助于提高工程教育实践。

在努力探讨空间能力和工程资质，我们已经开发利用脑电图测量的特定的空间和工程任务的有限的电池中，以确定效果较差的为高性能参与者的β波激活的协议。在这种情况下，术语高表演者是相关的参与者的性能，并且是不反光的时间由在该领域所花费的金额的学习者，因为所有参加者大约在他们的教育的相同点。此外，该问题涉及的集合是相当具体和基础;因此术语“专家”或“高性能”这里不能以专家，专业工程师使用的感觉来看，但代表工程力学课程和空间能力的手段这种狭隘片只有高性能。神经测量，也可用于鉴定任何毛趋势为哪些任务类型可以吸收更多的认知资源比其他，与有关的难度水平可能的解释。该信息可以潜在地提供深入了解未来的评估和干预有关的空间的能力。其它未来的见解可以通过考虑脑，这是不在本研究可能的更具体的区域导出由于所使用的脑电图硬件可用信道的数量有限。

Subscription Required. Please recommend JoVE to your librarian.

Protocol

伦理声明关于人类受试者的用途

参与这项工作的程序已经为人类受试者的研究批准的机构审查委员会（IRB），犹他州立大学。建议任何类似的工作也应该由相关的IRB批准。参与者被允许停止或在实验过程中从研究随时退出。

1.参加者的选择

  1. 目前在读的课程静学生在自愿的基础上选择的参与者。确保学员此前已暴露在静力学的内容，而在研究中，他们会看到的。
    注：理想参与者应参与具有通过演讲暴露于材料至少四周前的研究，以便有时间的概念整合和开发差动性能水平。
  2. 进行招聘以下所有IRB协议。说明所有的程序和限制，详细的潜在参与者。描述未来的接触以及如何研究的结果可能会公布和/或提供给参与者的范围。定义参与研究任何赔偿。如果志愿者选择在报名参加学习，为他或她有双编码的识别码只知道和主要研究者的控制。
    注意：特定人口招募将要求的统计分析，以验证该样品的统计功效和所需参与者的数目来分析脑电波数据的个体差异。如果研究人员想要进行人民之间的比较研究，那么功率分析应该进行开发两个群体适当的参与者组的大小。
  3. 选择活动或有代表性的期望为参与者的经验问题。
    注：在这个协议中，大二级工程被选中参加了一个静力学课程的学生。认为相关活动来自静介绍内容以及两种常用的空间能力的手段问题：精神割平面测试（MCT）和普渡空间可视化测试（PSVT-R）。每个仪器测试的空间能力和空间发展的这一选择的学生群体水平不同的结构。
  4. 建立一个日历组织实验室课程的学员。

2.仪器的研制

  1. 设置各制造商的说明脑电图耳机（又名盖）。参与者到达的研究之前完成这项工作。重申，本程序是特定到一般耳机如Emotiv公司，相对于医用级脑电图设置。
    1. 充电脑电图耳机 - 最好是至少每节1小时收费。对于一个经常使用的实验室，至少有两个耳机充电的•全部时间。
    2. 放置所需的所有液体在可访问的区域，包括液体润湿的EEG电极（ 例如 ，水），并确保用于脑电图参考节点的良好接触的研磨清洁剂。
    3. 将毛毯到每个套管（确保金触点，在每个外壳牢固就位）。用注射器将润版液饱和的毛毡。允许挫伤电极休息。
  2. 设置任何所需的摄像机来衡量参与者的行为。对于目前的协议，使用每个参与者两台摄像机。重新调整相机一旦参与者到位。要确保视频是时间标记。
    1. 集中在一个相机上的参与者的脸上的话，旨在记录的面部表情和获得高质量的音频。
    2. 重点在参与者面前该地区的其他相机捕捉手部动作，包括手写操作（如手写的预期，确保在使用书写strument是黑暗和/或足够厚到相机捕捉），以及足够的电脑显示器，提供洞察力，以在其中暂时解决了任务。
    3. 打开计算机，并验证该软件是记录脑电波数据。验证所有软件和数据采集设备进行数据收集足够的接口。

3.研究参与者和对话开始的制备

  1. 验证每上面讨论的IRB协议参与者在收到文件同意。答案在开始研究前的任何问题的参与者。特别提醒的是收集到的数据将被ID代码引用会有这些数据联系的参与者没有标识信息，他们可以在任何时候撤销参与者。
  2. 让每位参与者一个人口调查填写参与研究之前。这项调查可能会问性别，一GE，以往的经验，可能会在研究影响他们的能力（ 例如 ，过去的工程或空间上强化班，空间能力增强的兴趣爱好，对于问题的排除标准，例如创伤性脑损伤，他们可能受到他们使用哪只手）。
    1. 排除了EEG分析的志愿者小组的参与者如有的存在以下条件：（一）参与者左手或灵巧的，为了控制大脑偏侧混淆; （二）;个人不能参加实验课因身体残疾;或（c）个人遭受严重的脑损伤。在招聘过程中通知这些限制潜在的参与者，或尽早避免不必要的花费时间和资源。
  3. 抵达后，确保参与者舒适，解决遗留的问题或疑虑。
    1. 演示用饱和注射器节点，并解释说，它只会被用来保持脑电图毡潮湿。如果参与者有针的极度恐惧中，需要考虑其他的预防措施（ 例如 ，保持注射器他们的焦平面的重新润湿毡时）。
    2. 请参与者从他们身上取出的任何电子设备。
  4. 广场上的参与者的脑波耳机。
    1. 检查毡用于祛湿毡/套管组合放入脑电图耳机。
    2. 与磨料清洁剂清洁参与者的参考点（ 例如 ，乳突处理）。擦去任何残留物。
    3. 放置耳机上与参考点适当地对准的参考节点的参与者。不要过度弯曲耳机的怀抱。离开参考节点和耳的背面之间的间隙，以便不引起不适，并与参加者的头部适当地对准和空间的耳机。

4.会话中执行软件

  1. 启动脑电图记录软件。确保通过检查所有的频道被显示在记录设备上的记录设备（ 例如 ，个人计算机）和脑电图耳机之间存在良好的连接。检查所有通道最初显示低幅度的振荡类似的行为。检查脑电图，以确保与参与者良好的连接 - 再润湿并调节毛毡以便实现记录设备上一致的模式 - 立即休止期之前和每个新的问题类型的开始之前。
    注：脑电图在128赫兹运行。 Electrooculography未用于记录眼球运动，并且是不使用链接耳参考。
  2. 指导参与者在任务演习，以静止和安静地保持。
  3. 启动任务演示软件。
    注：在数据采集，所有预与参与者计划可视通信通过电脑显示器发生。在这种情况下，一系列的空间和工程问题将出现在计算机屏幕上，以及参加者将被要求解决这些问题。正确答案数据收集过程中没有提供给与会者。基于用户输入的问题的图像先进，所以定时是基于解决问题的持续时间。
    1. 显示空间问题1型（ 如 PSVT：R -选择题测试，或真假旋转问题- 见图1）13。注：（ 如 ，30秒），这些问题的持续时间将被用作用于数据分析的时间范围内。被列入该组五个问题。
    2. 显示空间问题2型（ 如 MCT -选择题测试，或真假心理切削性能问题-参见图2）12。注意：这些问题的持续时间将（ 例如 ，30秒）。用作数据分析的时间范围内。被列入该组五个问题。
    3. 显示屏工程问题类型17（ 例如 ，静力学问题-分解到重点工程静，或任何其他应用问题类型假设有空间分量的具体原则- 见图3）。注意：这些问题需要显著的时间比空间的问题需要解决。的示出的参与者的问题数量变化从四个到十。
    4. 分配在开始的休息时间和数据采集的结束 - 用于获得基线数据。确保每个这些具有相同的持续时间（ 例如 ，120秒）。
  4. 如果需要的话，进行离职面谈的参与者。这可能包括他们的思想对实验演示，戴着耳机的脑电图，在整个招聘和参与者准备使用的通信过程，和/ Oř要求上述口头回答任何协议。经过验证的用户调查问卷可以提供给参与者，而不是进行了采访。
  5. 关闭任务的演示软件，脑电图记录软件，删除脑电图耳机，并关闭录像设备。

5.会议闭幕

  1. 关闭该研究的参与者。感谢参与者，并为他们未来的任何接触的概述（ 例如 ，为后续的访谈或研究的后续会话），解释如何研究的结果可能会公布和/或提供给学员，并提供任何点心或支付（或如何付款将加以解释），作为参与研究部分赔偿达成一致。
  2. 传输数据记录到任何所需的长期或转让存储设备。适当以及由IRB协议指定存储签署知情同意书。
  3. 从耳机中取出毛毯和消毒或自行处理。
  4. 返回脑电图电极外壳和耳机的存放位置。
  5. 处理用过的注射器和垃圾恰当的。
  6. 返回液体适当存储位置。
  7. 安全实验室如果没有使用其它的研究人员。

6.数据分析

  1. 识别和提取原始数据为每个通道和脑电图数据记录标记数据。使用ASCII码位标志来标识的开始和数据收集的目的，以及数据收集的不同阶段（ 例如 ，问题类型）和个别问题之间的转换。确保每个相位类型具有不同的标记值，以便在分析过程中，使分化。命名引用参与者ID码作为源的方式数据。
    注：EEGLAB命令是d-在此efined，但EEGLAB需要MATLAB此执行。
    1. 单击文件>导入数据>使用EEGLAB功能和插件>从EDF / EDF + GDF文件（BIOSIG工具箱）
    2. 选择适当的数据文件。单击打开加载数据。
    3. 选择频道列表。单击OK接受。
    4. 提供一个数据集名称。为反映源和采集日期数据指定一个描述性名称。在这种情况下，PSF1448表示2014年秋季从参与者编号48的数据。
  2. 映射所提取的数据传送到蒙太奇（ 即 ，脑电图节点的布局。）通过选择由脑电图耳机供应商提供的蒙太奇（ 例如 ，10 - 20系统）。确保被用于分析蒙太奇在会话期间使用的脑电图耳机的布局相匹配。这是制造商特有的。
    1. 通过单击编辑>频道位置编辑通道位置。
    2. 选择蒙太奇。在这种情况下，defauLT蒙太奇是适当的，因此只需单击OK接受。
    3. 选择信道信息规范。在这种情况下，默认值是合适的，因此只需单击OK接受。
  3. 减少脑电图信道的数据到它是最有代表性的大脑活动的，如下面所定义。
    1. 施加初始过滤器的数据。通常情况下，施加高通，低通滤波器（以0.1赫兹的下限高通滤波器的和59赫兹的上限低通滤波器的）。施加低通滤波器小于60赫兹移除从美国电网的噪音。一个新的名字作为一个还原点保存数据集。
      1. 单击工具>基本FIR滤波器（新，默认值）。
      2. 设置基本过滤器参数。设置下缘到0.1赫兹，更高的边到59赫兹，不积的频率响应，并单击OK接受。
      3. 对于过滤后的数据指定一个新的名称（通过附加“_filtered”现有的数据集名）。检查的B牛将数据保存为文件，并使用相同的名称为文件名。单击OK接受。
    2. 删除第一个脑电图标记最后EEG标记之前或之后，摆在任何数据 - 记住任何延迟保持在记录脑电图标记。记录指示的数据记录的起始和标记的指示的数据的结束的等待时间标记的延迟（时间）。一个新的名字作为一个还原点保存数据集。
      1. 该延迟值可以在中找到“编辑活动的价值观 - pop_editeventvals（）”画面;按“>>”按钮，进入到最后的标记标志着脑电数据的结尾。没有变化需要接受，所以单击取消一旦值已被记录下来。
      2. 单击编辑>选择数据。
      3. 输入开始和结束的等待时间（时间）值，用空格隔开，在“时间范围[最小值最大值]（S）”栏，然后单击确定接受。
      4. 指定一个新名称裁剪数据（通过附加“_cropped”现有的数据集名）。勾选将数据保存为文件，并使用相同的名称为文件名。单击OK接受。
    3. 拒绝的数据部分大型文物。这些步骤包括下面介绍如何手动做到这一点，同时视觉检查数据。注意：去除数据也将导致工件34,35。
      1. 正常化每个通道中的数据（删除的平均值，并把各信道在同一刻度）。也除去DC偏移（这会改变的数据，但不可视）。
        1. 点击绘图>信道数据（滚动）。
        2. 单击设置>显示的时间范围内。
        3. 字段：指定时间范围（ 如 ，30秒），以在“新窗口长度（S）”的情节中显示。时间范围是基于对问题的一个给定的阶段中（或在两个空间问题相内）的标记之间的时间。时间范围可以是基础d在最大值，最小值，或平均标记之间的时间。
        4. 点击“规范”按钮，在情节正常化数据（这仅仅是化妆品和不改变基础数据）。
        5. 单击显示>删除直流偏移去除DC中的情节偏移（这仅仅是化妆品和不改变基础数据）。
      2. 拆除并非随着时间的推移规律地重复大型文物。
        1. 标记所有异常的寻找神器的数据。一旦所有神器数据已被标记，单击拒绝按钮。
          注意：这些可以出现在数据作为异常高或宽峰 - 出现在一个小数目的信道或长的趋势 - 在单个或多个信道。如果来自不同渠道的数据显示为彼此交叉的情节数据值得怀疑。这些代表不属于脑电波频谱的一部分，最有可能代表由参与者或节点（S）肌肉运动伪影W¯¯第i个连通性差。任何类似的方波是不是代表人类的大脑活动。
      3. 一个新的名字作为一个还原点保存数据集。
        1. 单击文件>保存当前数据集作为。
        2. 对于裁剪的数据指定一个新的名称（通过附加“_manRej”现有的数据集名）。点击保存接受。
      4. 如果一个特定的通道看来是错误的，从失败中单独删除的数据。这代表了数据的一大损失，所以十分谨慎操作。看从信道在较长一段时间内的数据，因为它往往沉降一段时间，并提供了有用的数据。
    4. 运行一个独立成分分析（ICA），选择脑电波活动的最好表示。
      注意：这有助于去除集数据重复文物。这些集合包含将出现在大约定期多次使用重复SHA文物PE。通常情况下它们是生物功能，如闪烁或脉冲的结果 - 每一个都会有自己的一套。
      1. ICA的分离数据映射到基于该蒙太奇的头盖骨的表示。拒绝与闪烁，脉冲，或肌张力有关联的结果 - 这往往会附近的寺庙，或在耳朵上，分别出现在ICA结果强调眼睛上方的区域。拒绝显示整个颅骨如，因为它不具有代表性的大脑活动（参见图4）的接合任何部件35接受其他的结果（ 见图5 - 6）。
        1. 单击工具>运行ICA。
        2. 选择默认（runica）ICA算法。单击OK接受。
        3. 点击绘图>组件的属性。
        4. 选择组件指数（加载到内存中的14个脑电图电极通道）和光谱选项。如前所述，下边缘为0.1赫兹，具有较高的边缘59赫兹。单击OK接受条目。
        5. 在接受/拒绝窗口中，点击Accept按钮来更改状态拒绝（并再次点击它改回接受）。点击Ok记录接受/拒绝标签。
      2. 在2-D彩色图绘制ICA分隔的数据。拒绝五花出现空白，或者不连续穿插的效果，然后用新名称保存数据集作为一个还原点（ 见图5 - 6）。
        1. 在接受/拒绝窗口中，点击Accept按钮来更改状态拒绝（并再次点击它改回接受）。点击Ok记录接受/拒绝标签。
        2. 单击工具>删除组件 - 实际上移除标记为拒绝以前的数据。
        3. 点击确定继续。登录拒绝组件的指标都显示在“删除组件”窗口。
        4. 点击接受，在“确认”窗口，到c与数据的修剪ontinue。
        5. 对于修剪数据指定一个新的名称（通过附加“_manRejPruned”现有的数据集名）。勾选将数据保存为文件，并使用相同的名称为文件名。单击OK接受。
          注：扫尾持续时间超过0.5秒被认为是合理的拒绝。相对的“优度”可能需要在这里使用的，这取决于其他数据集如何好似乎是 - 它是期望保持部件中的至少一半。良好的结果通常是由上的2-D连续数据彩色图34连续灰度等级表示。
  4. 除去留在数据中的边界值。一个新的名字作为一个还原点保存数据集。
    1. 单击编辑>事件值。
    2. 通过事件滚动，然后单击删除按钮事件时，事件类型是有边界的。当所有已被删除，请单击确定。
    3. 特异性雅新的名字被删除的边界数据（通过附加“_deleteBoundaries”现有的数据集名）。点击保存接受。使用相同的菜单项选择像以前一样去该屏幕（见步骤6.3.3.3.1）。
  5. 计算每个运动类型的绝对权力指标。这是一个基于功率的对数基于所述微伏的测量和时间变换。 -对于每个频带（δ，θ，α，β，和γ）来计算22
    1. 块中的数据成块，使用标记以指示每个任务的开始和结束。
      1. 使用事件单击编辑>选择数据。
      2. 利用每个任务类型适当的时段。定义由一个间歇周期的持续时间的休息时间的时间范围。对于空间的问题（这是在持续时间大致相同），使用的所有空间任务的平均持续时间或空间的所有任务的最大持续时间。用于施加（ 例如 ，engineerin摹静）问题，确定的平均持续时间为每个问题。一个新的名字作为一个还原点保存数据集。
        1. 在输入标记类型“事件类型（S）（[] =全部）”字段，（ 如 ，标记类型50是用来标记休息事件）。其余的事件有在这种情况下，120秒的持续时间，所以输入“1 120”的时限阵列。单击OK接受。
        2. 对于事件数据指定一个新的名称（通过附加在这种情况下，“_rest”到现有的数据集的名称）。勾选将数据保存为文件，并使用相同的名称为文件名。单击OK接受。
          注意：如果能这样可以减小施加部他们采取大致相同的时间量作为空间任务，然后使用相同的时间范围大小的空间的任务。因为脑电图是时间敏感的措施，更准确的时间时期对于每个条件，更少混淆的数据是在端部（ 即 ，收集的样本数为每个赖斯化会更加一致）。
  6. 比较最终的分析结果。
    1. 计算每个相对于基线的其余测量块的百分比。见补充编码文件，及表1 - 8。
      1. 打开Absolutepower脚本MATLAB和点击运行按钮来运行步6.6期间在工作区中装载的数据脚本（ 例如 ，其余数据）。
      2. 选择在MATLAB工作区absolutepowermatrix的数据转移到一个电子表格程序（ 例如 ，MS Excel）中。
    2. 重复步骤6.5 - 6.6.1.2为每个运动/标记类型。
    3. 比较类似结果的时限（ 如 ，空间任务）彼此深入了解相对困难。
    4. 比较不同参与者的结果与在低技能鉴定的表演相对较高的表演被评价。注：卓越绩效可能会出现非常升ittle增加相对于基线的测试激活，而低表演可能显示70％21-26量级的增加。

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

在本节中，前面所述的步骤进行样品附图中示出，如下所述。不提供的统计测试全部数据摘要，如本文的目的是把重点放在方法。潜在PSVT的实例：R MCT，和空间的问题在图1， 图2，和图3分别给出。

的EEG帽将收集通过对于每个给定的信道，其可并联， 如图7中可以看到的电位脑激活。正如前面所提到的，数据中的某些工件需要手动移除，而其他人可以经由ICA被移除。有时一个有故障的信道可以被识别。此类伪像在图7中可见，在分析软件，大的，非重复性的工件可以手动标识序列，然后通过点击“拒绝”按钮（如在步骤6.3.3.2.1）除去。脑电图数据分析的图像所有数据是从材料的表中所列的分析软件工具。

1）激活头皮映射表示和活化试验和时间摆着2）2-D连续数据图：继ICA，分析软件两方面的数据映射。上可接受的数据的一个例子可在​​图5中观察到。拒绝头皮的一例映射指示不与脑三种情况相关联的活动数据可以在图中可以看出4. 2D连续数据重复对这些相同的拒绝三种情况中可以看到图6，前两个地块值得考虑观察去除裸奔。第三情节的裸奔可能被认为是边缘 - 这种品质的2-D连续数据图，可以考虑将其纳入，以及研究者必须考虑包括杂散信号并放弃宝贵的数据之间的平衡。条纹超过0.5秒时被认为是格罗unds拒绝。了解更多详情，请参阅EEGLAB网站（http://sccn.ucsd.edu/eeglab/）。

一旦所有的混杂数据已被拒绝 - 无论是通过手动排斥在注视脑波重复或ICA后 - 和数据已在时间被分块为适当的活动类型，绝对功率计算可以为每个频带和每个活动进行通过在补充编码文件给出的MATLAB脚本（基于该分析软件的功能）型。然后，通过该函数产生的摘要数据示于下表中。表1包含从休息时间段的数据。 -其中使用作为基准的效率计算表2， 表3， 表4包含的绝对功率R，MCT，和静力学的问题，分别为：对于PSVT数据。由单元格的值除以相应的通道和频率禁令分别与R，MCT，和静力学问题，：D在休息表，相对绝对功率比示于表5， 表6和表7 PSVT。

最终，在所有信道的平均值被取为每个活动类型的测试频带，其结果列于表8中所示。这种类型的数据可以用于确定未来研究的ROI。从这些数据有问题的参与者，我们看到，相对绝对的权力出现了低PSVT，R比对MCT。对本声明决定性的结论，不过，仍然依赖于一个更大的样本来建立可能的统计意义。对于静任务的相对绝对功率可以比从其他参与者和表演者高VS低认知表演劳累可识别这可能与审定静问题的功能评分相关联的估计值。 虽然这是一个专门纸的方法，并提出数据的例子，从只有一个参与者，初步报告的统计分析使用的列文的测试，以评估常态，其次是弗里德曼的测试对比基X Task X所脑电图通道。最后，在显著弗里德曼的影响和相互作用进行后续Wilcoxon检验。高和低绩效的比较表现出对低绩效高于高绩效显著较高公测激活级别（PSVT：R，F3：χ2（1,6）= 5.33，P <0.03; T8：χ2（1， 6）= 4.08，p <0.05; FC6：χ2（1,6）= 4.08，p <0.05; F8：χ2（1,6）= 4.08，p <0.05; AF4：χ2（1 ，6）= 5.33，p <0.03为MCT，F3：χ2（1,6）= 5.33，p <0.03; T8：χ2（1,6）= 5.33，p <0.03; FC6： χ2（1,6）= 5.33，p <0.03; AF4：χ2（1,6）= 4.08，p <0.05为静，FC6： χ2（1,6）= 4.08，P <0.05）。9

图1
图1：PSVT：R例题 A部分展示了一个样本PSVT，R问题中的参与者看到。 （来源：格威（1976））。正确答案是C. B部分提供了解决方案的直观解释， 请点击此处查看该图的放大版本。

图2
图2：MCT例题 A部分展示了由参与者看到一个样本MCT问题。正确答案是D. B部分提供了解决方案的直观解释。 （来源：CEEB（1939））“目标=”_空白“>点击此处查看该图的放大版本。

图3
图3：静例题说明了给参与者一个例子静校正问题。这个问题是在平面（ 即 ，2-D）给出平衡三股势力和共同连接结构。 请点击此处查看该图的放大版本。

图4
图4：后ICA头 ​​皮映射数据的三个例子无脑头皮映射的活动的例子是从个人，23岁，男性参与者中。全头皮激活，激活上面有单眼/寺庙和激活集中Øñ眼睛和太阳穴都表示下士活动，而大脑活动，如ICA后，IC2，IC3，IC4和分别。 请点击此处查看该图的放大版本。

图5
图5：可接受后ICA数据图象插图接受头皮地图和2-D连续数据情节ICA的样品箱后，独立成分13（IC13），由个人，23岁，男性参与者。激活出现在头皮映射视图大脑的一个区域为中心，并没有大的条纹是在连续的数据图可见。 请点击此处查看该图的放大版本。


图6：2-D连续数据图匹配头皮映射图像后ICA连续数据图的三个例子均来自个人，23岁，男性参与者中。从ICA的2-D连续数据地块厚带或条纹表明IC2的不连续性并不代表正常的脑功能，IC3，IC4 -尤其是在IC2和IC3图请点击此处查看该图的放大版本。

图7
图7：脑波数据与文物工件的屏幕截图（通道F7）手动标记为拒绝来自个人，23岁，男性参与者采样时间范围。注意通过多种渠道事件 132和133之间：类似的事件被重复多次（大致相同的形状，并以规则的间隔尺寸） -并且因此被假定为代表的非脑生物功能-并且可以通过独立成分分析被移除（ 例如 ，闪烁）。 （ICA）。 请点击此处查看该图的放大版本。

。补充编码文件：MATLAB脚本维修 ，显示基于微伏测量和时间转换的脚本（spectopo.m和absolutepower.m） -每个频带计算（δ，θ，α，β，γ） -以获得绝对功率在每个频率22。在pop_chanedit.m正常功能所需的代码更改也包括在内。lemental_Code_File.txt“>请点击这里下载该文件。

休息 AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4
三角洲 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
α 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
公测 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
伽马 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

表1：休息绝对权力包含基准休息时间段的绝对功率值。值显示为每个脑电图帽通道和每个神经频段。 请点击此处下载此表为Excel电子表格。

心动过速，R AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4
三角洲 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
α 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
公测 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
伽马 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

表2：PSVT：R绝对权力包含当参与者被解决PSVT时间段的绝对功率值，R问题。值显示为每个脑电图帽通道和每个神经频段。 请点击此处下载此表为Excel电子表格。

MCT AF3 F7 F3 FC5 T7 P7 </ TD> O1 O2 P8 T8 FC6 FC4 FC8 AF4
三角洲 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
α 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
公测 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
伽马 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

表3：MCT绝对权力包含当参与者被解决的问题MCT时间段的绝对功率值。值显示为EAC^ h脑电帽通道和每个神经频段。 请点击此处下载此表为Excel电子表格。

静力学 AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4
三角洲 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
α 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
公测 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
伽马 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

表4：静绝对权力包含当参与者被解决的问题静为时间段的绝对功率值。值显示为每个脑电图帽通道和每个神经频段。 请点击此处下载此表为Excel电子表格。

PSVT，R％ AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4 平均
三角洲 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
α 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
公测 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％
伽马 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

表5：PSVT：v相对绝对权力包含相对绝对功率值-即，该比率比休息基线-用于当参与者被解决PSVT的时间周期，R问题。值示为每个EEG帽通道和每个神经频带。/ftp_upload/53327/Table_5.xlsx">Please点击这里下载该表为Excel电子表格。

MCT％ AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4 平均
三角洲 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
α 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
公测 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％
伽马 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

表6：MCT相对绝对权力包含相对绝对功率值-即，该比率比休息基线-为对时间周期时，参加者解决的MCT的问题。值显示为每个脑电图帽通道和每个神经频段。 请点击此处下载此表为Excel电子表格。

静％ AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4 平均
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
α 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
公测 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％
伽马 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

表7：静相对绝对权力包含相对绝对功率值-即，该比率比休息基线-为对时间周期时，参加者解决静力学的问题。价值观是SH自己的每一个脑电图帽通道和每个神经频段。 请点击此处下载此表为Excel电子表格。

平均
PSVT，R％ 85.2％
MCT％ 109.2％
静％ 90.5％

表8：场均相对绝对权力包含相对绝对功率值-即，相对于其余基线的比率-在所有EEG帽通道的时间周期平均时参与者是解决PSVT：R MCT，和静力学问题。百分比显示的测试频段只。 请点击此处下载此表作为ñExcel电子表格。

Subscription Required. Please recommend JoVE to your librarian.

Discussion

该协议将讨论脑电图的应用来衡量参与者从两个典型的空间能力的仪器工作的问题和高度的空间工程静问题的大脑活动。这里详细介绍的方法最终可能能够帮助了解高，低绩效从事工作的这些问题的神经效率。它是了解工程学生在MCT和PSVT工作的神经效率的任何差异至关重要：R因为这些测试经常用于评估空间能力。比较他们互相使我们能够更好地评估其在工程应用的成功及其在基础工程课程的地位。

该协议确立了与空间认知任务相关的神经效率研究程序。重要的是，可靠和有效的手段来评估连接工程内容空间能力。据我S还重要的工程问题，目标具体课程代表工程内容。脑电图测量提供给从三角从事工程解决问题的空间方面的学生认知成分数据的唯一的非侵入性的能力。正确的时间戳应该用于收集此类数据，从而确保了视频归档事件三角。 IRB协议应遵循严格，以确保参与者的数据和分析的匿名性。

同时收集脑电数据，详述如下故障大多发生的担忧，并记录数据前，多数那些被处理。为贫困阻抗和噪声更正安装过程中最好的处理。继脑电图耳机制造商的说明是至关重要的，在我们的经验是由制造商的软件的适应症可以引导用户访问特定的检查电极。典型的毡垫和participan之间的连接T的头部需要被衰减更多，或者各电极和耳机之间的连接可能需要进行检查。如果一些连接是可见的，但是质量较差，使用注射器来重新挫伤毛毯常常是足够的，并且有时耳机需要被物理地调整，以确保与头皮固体接触。在一对夫妇的情况下，我们不得不问参与者，我们能够获得良好的连接之前冲洗它们在水槽的头发。当电极似乎不能发送数据时，它经常被除去电极，然后重新插入补救。有时，塑料壳用于电极会破裂，在这种情况下，将需要更换。

数据分析过程中可能发生其它的故障排除，并在协议进行了讨论。数据预处理包括过滤和去除工件。通常情况下，数据分析软件支持手动排斥反应以及能够预处理和亲过程中运行的脚本数据cessing。

修改对分析软件中的脚本制作。这些变化都记录在补充代码文件。修改的协议，也可以进行。兼协议已被使用，其中在研究过程中需要口头答案。这将引进更多的文物进脑电数据，但会在测试过程中提供更多的洞察参与者的功能知识。替代也被用于在其中参与者与会话之后研究者的视频记录的采访参与。

其他推荐的潜在修改包括利用不同的空间能力测试14，不同的工程问题17，或其他教育评估。不同的大脑活动的指标，通过脑电图等仪器仪表可能，还可以在困难或其他特征，技能评估的线索。

jove_content“>我们认识到，有与本文档中定义的技术局限性的空间能力由PSVT测定的构建体（旋转和切割刨光表面）：R和MCT只有两个可测量与其它空间度量许多潜在的构建体。此外，不同的空间密集型任务（ 即 ，不同类型的问题，或不同的课程和课程）也可以进行评定。研究神经效率应当然也比刚基本工程课程如静更广的范围进行。对于例如，它应该在文献承认许多干领域内进行研究，以依赖于空间推理3。此外，神经效率研究不应限于直接链接只向空间能力21-28技能。即使在参与脑波的研究测量时，在一个任务的持续时间平均的功率测量的实践中禁止调查进入脑活动模式中可能发生的其他相关性。 EEG测量，由于它们的时间响应，不限于神经效率的研究。与EEG仪器本身由脑电波活动它可以检测相比，功能性的近红外光谱或功能性磁共振成像的更高的空间分辨率时特别的深度的限制，虽然它的时间响应仍然是最好的36之间。

最后，用生理测量提供洞察教育理论与实践的潜力巨大的出现37,38。技术方法和本议定书的目标是比教育/培训使用脑电生物反馈的方法研究了39种不同的 ，但都是为洞察力的现象得到了如空间能力开发和工程技能的发展值得考虑。使用脑电图检查神经effici的这种方法具体的空间能力的仪器中固有的空间任务之间ency定义隔离空间能力测试的另一种方法。这体现了一个神经科学的方法调查空间能力测试，以及对现有教育理论的研究打开一个神经科学的方法新的应用程序。寻找方法来验证和确认的工程文化的一部分。在这个新的应用程序，生理检测脑波可以打开的理解和提炼教育理论的新境界。事实上，如果被视为确认的潜在途径，一种新型的新一代工程教育研究可能出现。

Subscription Required. Please recommend JoVE to your librarian.

Acknowledgments

作者要感谢克里斯托弗·格林，布拉德利·罗宾逊，和玛丽亚曼努埃拉·巴利亚达，数据的收集帮助。脑电设备经费由科研与研究生研究设备格兰特犹他州立大学的办公室克里乔丹的多感官认知实验室提供。本杰明调用由总统博士研究奖学金从犹他州立大学的校研究生达到他与韦德博士古德里奇工作的支持。

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

行为，第114，空间智能，脑电图，神经效率，空间能力，空间思维，工程教育，静
利用脑电图测量任务特定神经效率的比较：空间智能任务
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