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

Ved hjælp elektroencephalografi Målinger for Sammenligning af Task-Specifikke neurale Efficiencies: Spatial Intelligence Opgaver

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

Dette manuskript beskriver en tilgang til at måle neurale aktivitet af mennesker, mens løse rumligt fokuserede ingeniørmæssige problemer. Den elektroencefalografi metode hjælper fortolke beta hjerne bølge målinger i form af neurale effektivitet, med det formål i sidste ende gør det muligt for sammenligninger af opgaveløsningen både mellem problemtyper og mellem deltagerne.

Abstract

Spatial intelligens er ofte knyttet til succes i ingeniøruddannelserne og teknik erhverv. Brugen af ​​elektroencefalografi muliggør sammenlignende beregning af den enkeltes neurale effektivitet, som de udfører på hinanden opgaver, der kræver fysisk evne til at udlede løsninger. Neural effektivitet her er defineret som havende mindre beta-aktivering, og derfor expending færre neurale ressourcer, at udføre en opgave i forhold til andre grupper eller andre opgaver. For inter-opgave sammenligninger af opgaver med lignende varigheder, kan disse målinger muliggøre en sammenligning af opgavetype vanskeligheder. For intra-deltager og inter-deltager sammenligninger disse målinger giver potentielle indblik i deltagerens niveau af rumlig evne og forskellige engineering problemløsning opgaver. Præstation på udvalgte opgaver kan analyseres og korreleret med beta aktiviteter. Dette arbejde præsenterer en detaljeret forskningsprotokol studere den neurale effektivitet af studerende englagres i løsning af typiske rumlige evner og statik problemer. Studerende afsluttet specifikke for Mental problemer Cutting Test (MCT), Purdue Rumlig Visualisering test rotationer (PSVT: R), og Statik. Mens engageret i at løse disse problemer, blev deltagernes hjernebølger målt med EEG giver data, der skal indsamles om alfa og beta hjernebølge aktivering og brug. Arbejdet ser ud til at korrelere funktionelle ydeevne på rene rumlige opgaver med rumligt intensive ingeniørmæssige opgaver at identificere veje til vellykket præstation i teknik og de deraf forbedringer i ingeniøruddannelser, der kan følge.

Introduction

Rumlig evne er afgørende for videnskab, teknologi, teknik og matematik (STEM) felter og uddannelse og korrelerer med succes på disse områder 1,2,3. Derfor er det vigtigt at forstå udviklingen af hvordan fysisk evne virkninger problemløsning 4. Rumlig evne har været forbundet med renter 5, performance 6, succes i tekniske akademikere 7 og succes i tekniske fagfolk 8. Men der er ikke en masse arbejde indikerer specifikke neurale processer i at løse problemer er typiske for mange rumlige evne instrumenter, eller specifikke teknik indhold, der er meget rumlig.

Dette papir giver en introduktion til metoder, der anvendes til indsamling og analyse af rumlige evne instrument scores kombineret med neurale målinger data. Hensigten med at udgive med JOVE er at gøre disse metoder mere tilgængelig for et bredere publikum. Generelle offentlige hardware og software were brugt i dette studie. Som metoder papir, er fuldstændige resultater / datasæt ikke rapporteret, er heller ikke flere prøver til rådighed. Alle billeder blev taget til fange specielt til denne udgivelse. Metoderne beskrevet nedenfor blev udnyttet i at udarbejde en foreløbig konference rapport 9 baseret på data fra otte kollegium sophomore-alderen deltagere, hvoraf tre var kvinder.

Mange eksisterende instrumenter anvendes til at indikere niveauer af rumlig evne iboende eller lært af enkeltpersoner. To gyldige og pålidelige 10,11 instrumenter, der almindeligvis anvendes, er Mental Cutting Test (MCT) 12 og Purdue Rumlig Visualisering test rotationer (PSVT: R) 13. Mens oprindeligt erhvervsmæssigt designet 14 disse instrumenter teste forskellige stadier af rumlig visualisering udvikling beskrevet af Piaget teori 10,15. Brugen af ​​disse instrumenter skaber et behov for at forstå de underliggende fysiologiske kognitive fænomener existing når enkeltpersoner arbejde gennem disse problemer. Af denne grund, denne undersøgelse har til formål at fremvise metoder udnytte empiriske fysiologiske data, som i sidste ende kan forbedre analysen og forståelsen af ​​rumlig tænkning, kontrollere eksisterende metrics testning kapaciteter, og øge anvendeligheden af ​​rumlige vurderinger til mere komplekse problemer er typiske for ingeniøruddannelse. Mange af disse problemer kan opstå i engineering Statik.

Statik er en grundlæggende mekanik kursus leveret til de fleste ingeniørstuderende (f.eks., Biologiske, mekaniske, Civil, Miljø, Aerospace Engineering) 16,17. Det er en af de første omfattende problemløsning erfaringer, at de studerende er givet i core engineering indhold 18. Statik omfatter undersøgelse af interaktionen af ​​kræfter på et stift legeme, der er i hvile eller bevæger sig med en konstant hastighed. Desværre Statik har høj frafald, tilbagetrækning, og fejlrater (14% som set i undersøsøgt, University), og dette kan være relateret til traditionelle foredrag og pensum leveringsmodeller der udelade vigtige veje for støtte såsom rumligt forbedrede tilgange til uddannelse. For eksempel kan rumligt forbedrede tilgange i Statik målrette visualisering af, hvordan kræfterne interagerer uden for typiske analytisk analyse og styrke elevernes proceduremæssig viden med jordet konceptualisering. Effektiviteten af ​​sådanne interventioner skal undersøges fra en kognitiv neurovidenskabelig perspektiv.

Elektroencefalografi (EEG) præsenterer en unik og mobil metode til måling af elevernes hjerneaktivitet. Personer, der udfører opgaver, der fremkalder beta aktivering er generelt meget engageret med opgaven detaljerne og er opmærksomme på, hvad de gør 19,20. Som opgave kræver forhøjelse, amplituden af ​​beta bølge forøges, ligesom størrelsen af ​​det kortikale område de båndbreddefrekvenser besætte. Jo flere neuroner, der brand ibeta frekvensområde (alpha: 8. - 12 Hz, beta: 12 - 24 Hz) kan defineres som større beta magt. I tilknytning hertil som man bliver mere erfaren i en opgave, amplituden af ​​beta bølger falder, genererer mindre beta magt. Dette er en del af den neurale effektivitet hypotese 21-28, hvor større opgave oplevelse, når du udfører en opgave er relateret til et fald i frekvens magt. Selvom EEG tidligere er blevet anvendt i studiet af rumlige evner (ofte for psykisk rotation og rumlige navigations opgaver) - og gældende data er identificeret i alfa, beta og theta båndene 27-33 - alfa- og beta bånd blev observeret for denne undersøgelse, og beta blev udvalgt til yderligere repræsentativ analyse i dette papir og i det foreløbige konference rapport 9. Procedurerne defineret nedenfor således fokusere på beta band analyse, men en undersøgelse af alle tre bands, afhængigt af de loggede data, anbefales i fremtiden.

Detneurale effektivitet hypotese er blevet testet på forskellige opgaver, herunder skak, visuospatial hukommelse, balancering, og hvile. Alle har angivet opgave erfaring som en faktor i nedsat frekvens magt, når du udfører velkendte opgaver. En særlig undersøgelse 25 har fremlagt beviser for, at selv om efterretninger om en person (som målt ved IQ) kan hjælpe den enkelte erhverve de færdigheder til at udføre en opgave, erfaring med opgaven opvejer intelligens i sit bidrag til neurale effektivitet. Med andre ord, jo mere opleves en person er, mere neuralt effektiv han eller hun bliver.

Eksisterende undersøgelser neurale effektivitet involverer rumlige evne har primært fokuseret på rumlig rotation, og forskellige problemområder sæt er blevet brugt til at sammenligne forskellige populationer (f.eks., Mand / kvinde) 27-28. EEG undersøgelser af rumlige evne opgaver har også givet indsigt ved at sammenligne resultater med andre opgavetyper (f.eks., Verbale opgaver)27,29,30. Metoderne diskuteret i dette papir fokus på og sammenligne problemer fra MCT, PSVT: R, samt statisk ligevægt opgaver, som er relateret til rumlig evne, men er ikke begrænset til rumlig rotation og navigation. Andre rumlige opgaver kan anvendes i stedet for dem, der anvendes som eksempler i dette håndskrift. På denne måde kan der opnås yderligere indsigt i fremtiden med hensyn til forskellige populationer (f.eks., Mand / kvinde eller ekspert / novice) til i sidste ende at forbedre engineering pædagogiske praksis.

I et forsøg på at undersøge rumlige evner og teknik aptitude, har vi udviklet en protokol udnytte EEG-målinger til at identificere de beta bølge aktiveringer af lav udfører til højtydende deltagere i en begrænset batteri specifikke rumlige og ingeniørmæssige opgaver. I dette tilfælde udløber høj performer er relateret til udførelsen af ​​deltageren, og ikke afspejler den tid brugt i marken vedelev, som alle deltagere var på omtrent samme tidspunkt i deres uddannelse. Derudover er problemet sæt involverede er helt specifik og grundlæggende; således udtrykkene "ekspert" eller "højtydende" heri må ikke ses i den forstand en ekspert, professionelt ansat ingeniør, men repræsenterer kun høj ydeevne i denne snævre skive ingeniør mekanik pensum og rumlige evne instrumenter. De neurale målinger kan også bruges til at identificere eventuelle grove tendenser for hvilke opgavetyper kan rekruttere mere kognitive ressourcer end andre, med mulig fortolkning vedrørende sværhedsgrader. Disse oplysninger kan potentielt give indsigt i fremtidig vurdering og intervention med hensyn til rumlig evne. Andre fremtidige indsigt kan udledes ved at overveje mere specifikke regioner af hjernen, hvilket ikke var muligt i denne undersøgelse på grund af det begrænsede antal tilgængelige kanaler i EEG anvendte hardware.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Etisk erklæring om anvendelse af menneskelige deltagere

Procedurer er involveret i dette arbejde er blevet godkendt af Institutional Review Board (IRB) ved Utah State University for studiet af mennesker. Det anbefales, at enhver lignende arbejde også skal godkendes af den relevante IRB. Deltagerne får lov til at stoppe eller trække sig ud af undersøgelsen på ethvert tidspunkt under eksperimentet.

1. Udvælgelse af deltagere

  1. Vælg deltagere på frivillig basis fra studerende i øjeblikket indskrevet i en Statik kursus. Sørg for, at deltagerne har tidligere været udsat for Statik indhold, de vil se i undersøgelsen.
    Bemærk: Ideelt deltagere skal have eksponering til materialet via foredrag mindst fire uger før deltagelse i undersøgelsen, så der er tid til konsolidering af begreber og udvikling af differentierede ydeevne.
  2. Gennemføre rekruttering efter alle IRB protokoller. Forklaralle procedurer og begrænsninger til potentielle deltagere i detaljer. Beskriv omfanget af fremtidige kontakt og hvordan resultaterne af undersøgelsen kan offentliggøres og / eller stilles til rådighed for deltagerne. Definer nogen kompensation for deltagelse i undersøgelsen. Hvis en frivillig vælger at tilmelde sig undersøgelsen, give ham eller hende med en dobbelt-kodet identifikationskode kun kendt og kontrolleret af hovedinvestigatoren.
    Bemærk: Specifik befolkning rekruttering vil kræve statistisk analyse for at kontrollere statistiske styrke af prøven og antallet af nødvendige deltagere til at analysere de individuelle forskelle i brainwave data. Hvis forskeren ønsker at gennemføre en sammenlignende undersøgelse mellem befolkningerne, så bør gennemføres en magt analyse for at udvikle passende deltager gruppestørrelser for begge populationer.
  3. Vælg aktiviteter eller problemer, der er repræsentative for de erfaringer ønskes for deltagerne.
    Bemærk: I denne protokol, sophomore-niveau engineeringstuderende i en Statik kursus blev udvalgt. De, der skønnes relevant var problemer fra indledende Geoteknik indhold samt to almindeligt anvendte rumlige evne instrumenter: Mental Cutting Plane Test (MCT) og Purdue Spatial Visualisering Test (PSVT-R). Hvert instrument tester forskellige konstruktioner af rumlige evner og niveauet af den fysiske udvikling i dette udvalgte studerende befolkning.
  4. Etablere en kalender til at organisere laboratorie-sessioner for deltagerne.

2. Udarbejdelse af instrumenter

  1. Opsæt EEG headset (aka caps) pr producentens anvisninger. Udfyld denne forberedelse før deltageren ankommer til undersøgelsen. For at gentage denne procedure er specifik for generelle mobile headsets såsom Emotiv, i modsætning til medicinsk kvalitet EEG opsætninger.
    1. Oplad EEG headset - ideelt set mindst 1-hr per session. For en regelmæssig brugt laboratorium, have mindst to headsets opladning ent alle tidspunkter.
    2. Læg alle nødvendige væsker i et tilgængeligt område, herunder væske til at dæmpe EEG elektroder (f.eks. Vand) og en slibende rengøringsmiddel for at sikre god kontakt til EEG reference- noder.
    3. Sæt filt i hvert hus (sikre det guldbelagte sidder godt fast i hvert kabinet). Mætte filt med dæmpende væske ved hjælp af en sprøjte. Tillad dæmpede elektroder til hvile.
  2. Opsæt eventuelle nødvendige videokameraer til at måle deltager adfærd. For den nuværende protokol, bruge to videokameraer pr deltager. Re-justere kameraer, når deltageren er på plads. Vær sikker på, at videoen er tidsstemplet.
    1. Fokus ét kamera på deltagerens ansigt, hvis sigte at registrere ansigtsudtryk og få lyd af høj kvalitet.
    2. Fokus den anden kamera på området foran deltageren at fange hånd bevægelse, herunder håndskrift handlinger (hvis der forventes håndskrift, så sørg for at bruge en skrift istrument, der er mørk og / eller tyk nok til at blive optaget af kameraet), og nok af computerskærmen for at tilvejebringe indsigt i, hvilken opgave bliver løst på hvilket tidspunkt.
    3. Tænd for computeren, og kontrollere, at softwaren er på at optage brainwave data. Kontroller, at alle software og dataindsamling enheder sammenknytning tilstrækkeligt til dataindsamling.

3. Udarbejdelse af undersøgelsens deltagere og Session Påbegyndelse

  1. Bekræft modtagelse af dokumenterede samtykke fra deltagere pr IRB aftale diskuteret ovenfor. Besvare eventuelle spørgsmål deltagerne har forud for påbegyndelse af undersøgelsen. Mind deltagerne om, at data indsamlet vil blive refereret af fondskode, og der vil være nogen identificerbare oplysninger, der binder data til deltageren, og at de kan trække sig tilbage til enhver tid.
  2. Spørg hver deltager til at udfylde en demografi undersøgelse forud for deltagelse i undersøgelsen. Undersøgelsen kan spørge om køn, enge, tidligere erfaringer, der kan påvirke deres evner i undersøgelsen (f.eks., forbi ingeniør eller rumligt intensive kurser, fysisk evne øger hobbyer, og spørgsmål om udelukkelseskriterier såsom traumatiske hjerneskader, de måtte have lidt, hvilken hånd de bruger).
    1. Udeluk deltagere fra den frivillige gruppe for EEG analyse, hvis en af ​​følgende betingelser er til stede: (a) deltageren er venstrehåndet eller begge hænder, for at styre for hjernens laterality forvirrer; (B); den enkelte kan ikke deltage i lab sessioner på grund af et fysisk handicap; eller (c) den enkelte har lidt alvorlig hjerneskade. Giv potentielle deltagere i disse begrænsninger under rekrutteringsprocessen, eller så tidligt som muligt for at undgå at bruge unødvendig tid og ressourcer.
  3. Ved ankomsten, sikre deltageren er komfortable og løse eventuelle tilbageværende spørgsmål eller bekymringer.
    1. Demonstrere sprøjten bruges til at mættenode og forklare, at det kun vil blive brugt til at holde EEG filt fugtig. Hvis deltageren har en ekstrem frygt for nåle, overveje at implementere andre forholdsregler (f.eks., At holde sprøjten ud af deres fokusplanet når re-fugte filt).
    2. Spørg deltageren at fjerne eventuelle elektronik fra deres person.
  4. Placer EEG headset på deltageren.
    1. Kontroller filt for fugt og placere filt / casing kombinationer i EEG headset.
    2. Rengør referencepunkter (f.eks., Mastoid proces) af deltageren med den slibende sæbe. Tør eventuelle rester væk.
    3. Placer headsettet på deltageren med reference- noder passende afstemt med referencepunkter. Undgå at bøje armene på headsettet. Efterlad et mellemrum mellem reference node og bagsiden af ​​øret, således at ikke forårsage ubehag, og tilpasse og rum headsettet passende med deltagerens hoved.

4. Software Udførelse inden sessionen

  1. Start EEG-logging software. Sørg for, at der eksisterer en god forbindelse mellem den logning enhed (f.eks., Personlig computer) og EEG-headset ved at kontrollere, at alle kanaler vises på logging-enheden. Kontroller, at alle kanaler oprindeligt vise samme adfærd med lav amplitude svingninger. Kontroller EEG at sikre god tilslutning med deltageren - genvædning og justering af filt for at opnå ensartede mønstre på logging-indretningen - umiddelbart før de hvileperioder og før starten af ​​hver ny problemtype.
    Bemærk: EEG fungerer ved 128 Hz. Electrooculography blev ikke brugt til at registrere øjenbevægelser, og forbundet-ear henvisning blev ikke brugt.
  2. Instruer deltageren at forblive som stadig og stille som muligt i løbet af opgaven øvelser.
  3. Starte opgaven-præsentation software.
    Bemærk: Under dataindsamling, alle præ-planlagt visuel kommunikation med deltageren forekommer via computerskærmen. I dette tilfælde vil en række rumlige og ingeniørmæssige problemer vises på computerskærmen, og deltagerne vil blive bedt om at løse dem. Korrekte svar blev ikke givet til deltagerne under dataindsamlingen. Problemet billeder avancerede baseret på brugerens input, så timingen var baseret på problemløsning varighed.
    1. Display rumlige problem type 1 (f.eks PSVT:. R - en multiple choice-test, eller sand-falsk rotation problemer - se figur 1) 13. Note: (. F.eks, 30 sek) Varigheden af disse problemer vil blive anvendt som tidsintervallet for dataanalyse. Fem problemer blev inkluderet i dette sæt.
    2. Display rumlig problem type 2 (f.eks MCT -. En multiple choice test, eller sand-falsk mentale opskæring problemer - se figur 2) 12. Bemærk: Varigheden af disse problemer vil (fx 30 sek.)anvendes som tidsintervallet for dataanalyse. Fem problemer blev inkluderet i dette sæt.
    3. Display engineering problem typen 17 (. F.eks Ingeniørberegninger problemer - opdelt til at fokusere på bestemte principper for teknik Statik, eller enhver anden anvendt problemtype hypotese at have rumlige komponenter - se figur 3). Bemærk: Disse problemer tager væsentligt længere tid at løse end de rumlige problemer. Antallet af problemer, der er vist til deltagere varierede fra fire til ti.
    4. Tildel hvileperioder i starten og slutningen af ​​dataindsamlingen - bruges til at opnå grundlæggende data. Sørg for, at hver af disse har samme varighed (f.eks., 120 sek).
  4. Hvis det ønskes, foretage en exit interview med deltageren. Dette kan omfatte deres tanker om den eksperimentelle præsentation, iført EEG headset, kommunikationsprocessen bruges i hele rekruttering og deltager forberedelse, og / or enhver protokol kræver verbale svar nævnt ovenfor. En valideret bruger spørgeskema kan udleveres til deltagerne i stedet for at gennemføre et interview.
  5. Sluk opgaven-præsentation software, EEG-logging software, fjerne EEG headset, og sluk for video-kontrolapparatet.

5. Indgåelse af sessionen

  1. Afvis studiet deltager. Tak deltageren og give dem et overblik over eventuelle fremtidige kontakt (f.eks., For opfølgende interviews eller efterfølgende sessioner af undersøgelsen), forklarer, hvordan resultaterne af undersøgelsen kan offentliggøres og / eller stilles til rådighed for deltagerne, og give eventuelle forfriskninger eller betaling (eller en forklaring på, hvordan betalingen vil blive leveret) aftalt som en del af kompensation for deltagelse i undersøgelsen.
  2. Dataoverførsel logs på eventuelle nødvendige langsigtede eller overføre lagringsenheder. Opbevar den underskrevne samtykkeerklæring korrekt og som er udpeget af IRB-protokol.
  3. Fjern filt fra headsettet og rense eller bortskaffe dem.
  4. Retur EEG elektrode tarme og headset til korrekt opbevaring placering.
  5. Bortskaf brugte sprøjter og papirkurven korrekt.
  6. Retur væsker til passende lagerpladser.
  7. Fastgør laboratoriet, hvis ikke bruges af andre forskere.

6. Data Analysis

  1. Identificere og udtrække de rå data for hver kanal og markøren data fra EEG datalogs. Brug ASCII bit markører til at identificere begyndelsen og slutningen af dataindsamlingen, samt overgangene mellem forskellige faser af dataindsamling (f.eks., Problem typer) og individuelle problemer. Sikre, at hver fase type har en forskellig markør værdi, således at differentiering under analyse. Datanavnet på en måde, der refererer deltageren ID-kode som kilde.
    Bemærk: EEGLAB kommandoer er defined heri, men EEGLAB kræver MATLAB til denne henrettelse.
    1. Klik på Filer> Importer data> Brug EEGLAB funktioner og plugins> Fra EDF / EDF + GDF-filer (BIOSIG værktøjskasse)
    2. Vælg den relevante datafil. Klik på Åbn for at indlæse data.
    3. Vælg kanallisten. Klik på OK for at acceptere.
    4. Giv en Datasæt navn. Angiv et beskrivende navn til de data, der afspejler kilden og indsamlingsdato. I dette tilfælde angiver PSF1448 data fra Deltager ID 48 i efteråret 2014.
  2. Kort de udtrukne data til montage (dvs. opstillingen af EEG noder.) Ved at vælge montage leveres af EEG headset leverandør (fx en 10 -. 20 system). Sørg for montage, der anvendes til analysen matcher layoutet af EEG headset udnyttes under sessionen. Dette er producent-specifik.
    1. Rediger kanal placeringer ved at klikke på Rediger> Channel Steder.
    2. Vælg Montage. I dette tilfælde default montage er hensigtsmæssig, så skal du blot klikke på OK for at acceptere.
    3. Vælg Channel Information Specification. I dette tilfælde er passende standard, så skal du blot klikke på OK for at acceptere.
  3. Reducer kanal data EEG til det, som er mest repræsentative for hjerneaktivitet, som defineret nedenfor.
    1. Anvend en indledende filter til dataene. Typisk anvender en høj-pass, lavpasfilter (med 0,1 Hz som den nedre grænse af højpasfiltret og 59 Hz som den øvre grænse for lavpasfilteret). Anvendelse af en lavpasfilter mindre end 60 Hz fjerner støj fra elnettet USA. Gem datasættet med et nyt navn som et gendannelsespunkt.
      1. Klik på Værktøjer> Grundlæggende FIR Filter (ny, standard).
      2. Set Basic Filter parametre. Sæt Lavere kant til 0,1 Hz, Højere kant til 59 Hz, ikke plotte frekvensgangen, og klik på OK for at acceptere.
      3. Angiv et nyt navn til de filtrerede data (ved at tilføje "_filtered" til den eksisterende datasæt navn). Tjek box at gemme data som en fil og bruge det samme navn til filnavnet. Klik på OK for at acceptere.
    2. Fjern alle data, der ligger før den første EEG markøren eller efter sidste EEG markør - at holde sig for øje, enhver ventetid i registrering af EEG markører. Optage latenstiden (tid) af markøren angiver indledningen af ​​datalagring og latenstiden af ​​markøren angiver afslutningen af ​​dataene. Gem datasættet med et nyt navn som et gendannelsespunkt.
      1. Latenstiden værdier kan findes i "Rediger event værdier - pop_editeventvals ()" skærm; tryk på ">>" knappen for at gå til den endelige markør der angiver afslutningen af ​​EEG data. Ingen ændring skal accepteres, så klik på Annuller, når værdierne er blevet registreret.
      2. Klik Rediger> Vælg data.
      3. Indtast begyndelsen og slutningen ventetid (tid) værdier, adskilt af et mellemrum, i "Time interval [min max] (s)", og klik på OK for at acceptere.
      4. Angiv et nyt navn tilbeskåret data (ved at tilføje "_cropped" til den eksisterende datasæt navn). Markér feltet for at gemme data som en fil og bruge det samme navn til filnavnet. Klik på OK for at acceptere.
    3. Afvis sektioner af data med store artefakter. Trinene medtaget nedenfor beskriver, hvordan du gør dette manuelt, mens visuelt inspicere dataene. Bemærk: fjernelse af data vil også medføre artefakter 34,35.
      1. Normalisering af dataene i hver kanal (fjern middelværdien og sætte hver kanal i samme målestok). Også fjerne DC-offset (dette ændrer dataene, men ikke visualiseringen).
        1. Klik Plot> Channel data (scroll).
        2. Klik på Indstillinger> Tid rækkevidde at vise.
        3. Angiv tidsintervallet (. Fx 30 sek), der skal vises i plottet i "Nyt vindue længde (er):" feltet. Tiden serien er baseret på den tid mellem markører for problemer inden for en given fase (eller inden for de to rumlige problem faser). Tidsintervallet kan være basisd på maksimum, minimum eller gennemsnitlig tid mellem markører.
        4. Klik på knappen "Norm" at normalisere dataene i plottet (dette er kun kosmetisk og ændrer ikke de underliggende data).
        5. Klik på Vis> Fjern DC offset for at fjerne DC offset i grunden (dette er kun kosmetisk og ændrer ikke de underliggende data).
      2. Fjern store artefakter, men ikke gentaget regelmæssigt over tid.
        1. Markér alle de unormale Attraktive artefakt data. Når alle artefakt data er blevet markeret, skal du klikke på knappen Afvis.
          Bemærk: Disse kan fremstå som unormalt høje eller brede toppe i data - i enkelte eller flere kanaler - eller så længe tendenser, der vises i et lille antal kanaler. Dataene er mistænkelige, hvis data fra separate kanaler synes at krydse hinanden i plottet. Disse repræsenterer artefakter, som ikke er en del af brainwave spektrum og sandsynligvis repræsenterer muskelbevægelser af deltageren eller en node (r) wed dårlig forbindelse. Noget, der ligner en firkantet bølge ikke er repræsentativ for menneskelige hjerne aktivitet.
      3. Gem datasættet med et nyt navn som et gendannelsespunkt.
        1. Klik på Filer> Gem aktuelle datasæt som.
        2. Angiv et nyt navn til de beskårne data (ved at tilføje "_manRej" til den eksisterende datasæt navn). Klik på Gem for at acceptere.
      4. Hvis en bestemt kanal ser ud til at være defekt, skal du fjerne data fra det individuelt. Dette udgør et stort tab i data, så gør det med stor forsigtighed. Kig på data fra kanalen over en lang tidsperiode, som det ofte lægger sig over tid og giver nyttige data.
    4. Kør en uafhængig Component Analysis (ICA), og vælge de bedste repræsentationer af hjerneaktivitet.
      Bemærk: Dette hjælper i fjernelse af sæt af gentagne artefakter i data. Disse sæt indeholder artefakter, der vil blive vist flere gange på nogenlunde regelmæssigt med en gentagen shape. De er typisk et resultat af biologiske funktioner såsom blinkende eller puls - som hver især vil have sit eget sæt.
      1. Kortlægge ICA-adskilte data til en repræsentation af kraniet baseret på montagen. Afvis resultater er forbundet med at blinke, puls, eller muskelspændinger - som ofte vil vises i ICA resultater fokusområder over øjnene, nær templer, eller over ørerne, hhv. Afvis enhver komponent, som viser hele kraniet som at være involveret, da det ikke er repræsentative for hjerneaktivitet (se figur 4) 35 Accepter andre resultater (se figur 5 - 6)..
        1. Klik på Funktioner> Kør ICA.
        2. Vælg standard (Runica) ICA algoritme. Klik på OK for at acceptere.
        3. Klik Plot> Component egenskaber.
        4. Vælg den komponent indeks (de 14 EEG elektrode kanaler indlæst i hukommelsen) og spektrale muligheder. Som før, den nedre kant er 0,1 Hz, og den højere kant er 59Hz. Klik Ok at tillade opførelse.
        5. Inden for Accepter / Afvis vindue, skal du klikke på knappen Accepter at ændre status til Afvis (og klik igen for at ændre det tilbage til Accepter). Klik på OK for at logge på Accepter / Afvis mærkning.
      2. Plot de ICA-adskilte data i en 2-D farve plot. Afvis resultater, der vises stribet, blank, eller krydret med diskontinuiteter, derefter gemme datasæt med et nyt navn som et gendannelsespunkt (se figur 5 - 6).
        1. Inden for Accepter / Afvis vindue, skal du klikke på knappen Accepter at ændre status til Afvis (og klik igen for at ændre det tilbage til Accepter). Klik på OK for at logge på Accepter / Afvis mærkning.
        2. Klik på Funktioner> Fjern Komponenter - til rent faktisk at fjerne data markeret til afvisning tidligere.
        3. Klik på OK for at fortsætte. Indeksene af komponenter logget for afvisning er vist i "Fjern komponenter" vinduet.
        4. Klik på Accepter i "Bekræftelse" vinduet til continue med beskæring af data.
        5. Angiv et nyt navn til de beskæres data (ved at tilføje "_manRejPruned" til den eksisterende datasæt navn). Markér feltet for at gemme data som en fil og bruge det samme navn til filnavnet. Klik på OK for at acceptere.
          Bemærk: Streger, der holder længere end 0,5 sek anses som rimelige for afvisning. Relative "godhed" muligvis anvendes her, afhængigt af hvor godt andre datasæt synes at være - det er ønskeligt at holde mindst halvdelen af ​​komponenterne. Gode ​​resultater er ofte repræsenteret ved kontinuerlige overgange på en 2-D Continuous Data farve plot 34.
  4. Fjern de grænseværdier tilbage i dataene. Gem datasættet med et nyt navn som et gendannelsespunkt.
    1. Klik på Rediger> event værdier.
    2. Rul gennem begivenhederne og klik på knappen Slet begivenhed, når begivenheden type er en grænse. Når alle er blevet fjernet, skal du klikke på OK.
    3. specifya nyt navn til de slettede-grænse data (ved at tilføje "_deleteBoundaries" til den eksisterende datasæt navn). Klik på Gem for at acceptere. Brug samme menupunkt valg som før for at komme til denne skærm (se trin 6.3.3.3.1).
  5. Beregn absolut magt målinger for hver øvelse type. Dette er en magt-baserede logaritmisk transformation baseret på microvolt måling og den tid -. Beregnet for hvert frekvensbånd (Delta, Theta, Alpha, Beta, og Gamma) 22
    1. Chunk dataene i blokke, der anvender markører for at angive begyndelsen og slutningen af ​​hver opgave.
      1. Klik på Rediger> Vælg data ved hjælp af hændelser.
      2. Udnyt passende tidsrammer for hver opgavetype. Definer tidsrammen for de hvileperioder ved varigheden af ​​en hvileperiode. For de rumlige problemer (som er nogenlunde ens i varighed), bruge enten den gennemsnitlige varighed af alle rumlige opgaver eller den maksimale varighed af alle rumlige opgaver. For den anvendte (f.eks., Engineering Statik) problemer, identificerer den gennemsnitlige varighed for hvert problem. Gem datasættet med et nyt navn som et gendannelsespunkt.
        1. Indtast markør type i "Event type (r) ([] = alle)" feltet (f.eks., Markør typen 50 blev brugt til at markere resten hændelser). Rest begivenheder havde en varighed på 120 sek i denne sag, så indtaste "1 120" til tidsfrister array. Klik på OK for at acceptere.
        2. Angiv et nyt navn til arrangementet data (ved at tilføje "_rest" til den eksisterende datasæt navn i dette tilfælde). Markér feltet for at gemme data som en fil og bruge det samme navn til filnavnet. Klik på OK for at acceptere.
          Bemærk: Hvis de anvendte dele kan reduceres, så de tager omtrent den samme mængde tid som de rumlige opgaver og derefter bruge den samme tidsramme størrelse som de rumlige opgaver. Da EEG er en tidsfølsomme foranstaltning, de mere præcise den tid epoker er for hver betingelse, de mindre gendrev data er i sidste ende (dvs.., Antallet af prøver indsamlet for hver betintion vil være mere konsekvent).
  6. Sammenligne resultater for endelige analyse.
    1. Beregn procentdelen for hver luns i forhold til baseline resten målinger. Se supplerende Code File, og tabel 1 - 8.
      1. Åbn Absolutepower Script i MATLAB og klik på knappen Kør for at køre scriptet på data, der indlæses i arbejdsområdet under trin 6.6 (f.eks., Resten data).
      2. Vælg absolutepowermatrix data i MATLAB Workspace for overførsel til et regnearksprogram (f.eks., MS Excel).
    2. Gentag trin 6.5 - 6.6.1.2 for hver øvelse / markør type.
    3. Sammenligne resultater med lignende tidsrammer (f.eks., Rumlige opgaver) til hinanden for indsigt i relativ vanskeligheder.
    4. Sammenligne resultater på tværs af deltagerne til at identificere højere relative kunstnere versus lavere kunstnere i de færdigheder, der vurderes. Bemærk: Høje kunstnere kan vise meget little stigning i beta-aktivering i forhold til baseline, mens dårlige resultater kan vise en stigning i størrelsesordenen 70% 21-26.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

I dette afsnit er de foregående trin illustreret med eksempler tal som beskrevet nedenfor. Fuld data resuméer med statistiske test er ikke givet, da formålet med dette papir er at fokusere på metoder. Eksempler på potentielle PSVT: R, MCT, og Rumlig problemer er angivet i figur 1, figur 2, og figur 3 hhv.

EEG cap vil indsamle hjernen aktivering via elektriske potentialer for hver given kanal, som kan ses i parallel, som vist i figur 7. Som tidligere nævnt visse artefakter inden dataene skal fjernes manuelt, mens andre kan fjernes via ICA. Til tider en defekt kanal kan identificeres. Sådanne artefakter er synlige i figur 7. I analysen software, kan de store, ikke-repetitive artefakter manuelt markeret i rækkefølge og derefter fjernes ved at klikke på knappen "AFVIS" (som i trin 6.3.3.2.1). Alle tal med billeder af EEG dataanalyseer fra analyse software værktøj anført i Table of Materials.

Efter ICA, analysen software kortlægger dataene på to måder: 1) En hovedbund-kortlagt repræsentation af aktivering, og 2) En 2-D Continuous Data plot af aktivering klædt af Forsøg og Time. Et eksempel på acceptable data kan observeres i figur 5. Et eksempel på forkastet hovedbund kortlagt data, der indikerer aktivitet ikke forbundet med hjernen i tre tilfælde kan ses i figur 4. 2D kontinuerte data plots for kan ses i de samme afviste tre sager Figur 6. det striber observeret i første to plots warrants vederlag for fjernelse. Den striber i tredje plot kan betragtes som borderline - 2-D Continuous Data plots af denne kvalitet kan anses for inklusion, og forskeren skal overveje balancen mellem herunder falske signaler og kassere værdifulde data. Streger længere end 0,5 sekunder, betragtes grounds til afvisning. For mere indsigt, henvises til EEGLAB hjemmeside (http://sccn.ucsd.edu/eeglab/).

Når alle forstyrrende data er blevet afvist - enten via manuel afvisning mens du kigger på de brainwave parceller eller efter ICA - og oplysningerne er chunked i tide til den relevante aktivitet type, kan de absolutte magt beregninger foretages for hvert frekvensbånd, og hver aktivitet skriv via MATLAB script (baseret på analyse software-funktioner) givet i supplerende Code File. De summariske oplysninger derefter genereret af funktionen vises i nedenstående tabeller Tabel 1 indeholder de data fra resten tidsperioder -.., Der anvendes som baseline for beregningerne af effektivitet Tabel 2, Tabel 3, og tabel 4 indeholder den absolutte magt data for PSVT: R, MCT, og statik problemer hhv. Ved at dividere med cellens værdi for den tilsvarende kanal og frekvens forbudd i Rest tabellen, er de relative absolut magt nøgletal fremgår af tabel 5, tabel 6 og tabel 7 for PSVT: R, MCT, og statik problemer hhv.

I sidste ende, er den gennemsnitlige værdi på tværs af alle kanaler tages for beta-båndet for hver aktivitetstype, og resultaterne er vist i tabel 8. Kan denne type data anvendes til at identificere ROI'er for fremtidig forskning. Ud fra disse data for den pågældende deltager, ser vi, at den relative absolutte magt vises lavere for PSVT: R end for MCT. Afgørende konklusioner vedrørende denne erklæring, dog fortsat afhængig af en større stikprøve for at etablere mulig statistisk signifikans. Den relative absolut magt til Statik opgaver kan sammenlignes med værdien fra andre deltagere, og skøn over høj performer vs lav performer kognitiv anstrengelse kan identificeres som kunne være korreleret med funktionelle scorer på statikken problemer for validering. Selv om dette er specifikt en metoder papir, og præsenterer eksempler på data fra kun én deltager, den foreløbige rapport statistiske analyse brugt en Levene test til at vurdere normalitet, efterfulgt af Friedmans test sammenligner gruppe x opgave x EEG-kanal. Endelig blev en opfølgende Wilcoxon test udført på signifikante Friedman virkninger og interaktioner. Sammenligningen mellem høje og lave resultater viste signifikant højere beta aktivering niveauer for dårlige resultater end for høje kunstnere (For PSVT: R, F3: χ 2 (1,6) = 5,33, p <0,03; T8: χ 2 (1, 6) = 4,08, p <0,05; FC6: χ 2 (1,6) = 4,08, p <0,05; F8: χ 2 (1,6) = 4,08, p <0,05; AF4: χ 2 (1 ., 6) = 5,33, p <0,03 For MCT, F3: χ 2 (1,6) = 5,33, p <0,03; T8: χ 2 (1,6) = 5,33, p <0,03; FC6: χ 2 (1,6) = 5,33, p <0,03; AF4:. χ 2 (1,6) = 4,08, p <0,05 For Statik, FC6: χ 2 (1,6) = 4,08, p <0,05). 9

figur 1
Figur 1: PSVT:. R Eksempel Problem Del A viser en enkelt prøve PSVT: R Problem som set af deltagere. (Kilde: Guay (1976)). Det rigtige svar er C. Del B giver en visuel forklaring af løsningen Klik her for at se en større version af dette tal.

Figur 2
Figur 2:. MCT Eksempel Problem Del A viser en enkelt prøve MCT Problem som set af deltagere. Det korrekte svar er D. Del B giver en visuel forklaring af løsningen. (Kilde: CEEB (1939))"Target =" _ blank "> Klik her for at se en større version af dette tal.

Figur 3
Figur 3:. Statik Eksempel Problem illustrerer et enkelt eksempel Statik problem givet til deltagerne. Dette problem er for in-plane (dvs.., 2-D) ligevægt givet tre kræfter og en fælles forbindelse struktur. Klik her for at se en større version af dette tal.

Figur 4
Figur 4:. Eksempler på ikke-Brain Scalp-kortlagt Aktivitet Tre eksempler på post-ICA hovedbunden-kortlagt data er vist fra et individ, 23-årige, mandlige deltager. Full-hovedbund aktivering, aktivering over et enkelt øje / tempel, og aktivering fokuseret on øjne og templer er vejledende for korporlig aktivitet, ikke hjerneaktivitet, som vises efter ICA i IC2, IC3, og IC4, hhv. Klik her for at se en større version af dette tal.

Figur 5
Figur 5:. Acceptable Post-ICA data Images Illustration af acceptabel hovedbund kort og 2-D Continuous Data plot efter ICA for en prøve tilfælde, Uafhængig Komponent 13 (IC13), fra en person, 23-årige, mandlige deltager. Aktivering synes at være centreret om en region af hjernen i hovedbunden-kortlagt visning, og ingen store striber er synlige i Kontinuerlig data plot. Klik her for at se en større version af dette tal.


Figur 6:. 2-D Continuous datategning Matchende Scalp-Kortlagte Billeder Tre eksempler på post-ICA kontinuerlig-data plots vises fra et individ, 23-årige, mandlige deltager. Tykke bånd eller striber i 2-D Continuous Data plots fra ICA indikerer diskontinuiteter ikke indikerer normal hjernefunktion i IC2, IC3, IC4 -. Især i IC2 og IC3 plots Klik her for at se en større version af dette tal.

Figur 7
Figur 7:. Brainwave data med artefakter Skærmbillede af et artefakt (kanal F7) manuelt markeret til afvisning med en prøve tid spænder fra et individ, 23-årige, mandlige deltager. Bemærk begivenheden på tværs af flere kanaler mellem 132 og 133: Lignende arrangementer gentages flere gange (ca. den samme form og størrelse med regelmæssige mellemrum) - og dermed antages at repræsentere en ikke-hjerne biologisk funktion - og kan fjernes via Independent Component Analysis (f.eks blinke.) (ICA). klik her for at se en større version af dette tal.

. Supplerende Kode Fil: MATLAB Script og -ændringer Viser scripts (spectopo.m og absolutepower.m) for omdannelsen baseret på microvolt måling og den tid - beregnet for hvert frekvensbånd (Delta, Theta, Alpha, Beta, og Gamma) - at opnå den absolutte magt ved hver frekvens 22. Koden ændringer, der kræves for korrekt funktionalitet i pop_chanedit.m er også inkluderet.lemental_Code_File.txt "> Klik her for at downloade denne fil.

HVILE AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4
delta 2,92885 4,08477 3,54998 2,34592 2,70998 2,32691 2,68544 4,27085 2,98234 8,86292 6,23237 4,78013 10,8036 3,25063
theta 0,97171 1,37529 1,31051 0,80067 0,86828 0,72737 0,89545 1,47262 0,9612 2,62535 1,81392 1,50252 3,17255 1,07803
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
beta 0,43161 0,90384 0,50791 0,53479 0,50098 0,38674 0,38319 0,58092 0,31785 1,01047 0,56527 0,49346 0,90616 0,48072
gamma 0,5045 1,34183 0,62215 0,84909 0,70052 0,51585 0,43051 0,67612 0,34162 1,03946 0,64008 0,5726 0,91932 0,51616

Tabel 1:. Rest absolutte magt Indeholder de absolutte magt værdier for de baseline Rest tidsperioder. Værdierne er vist for hver EEG cap kanal og hver neurale frekvensbånd. Klik her for at downloade denne tabel som et Excel-regneark.

PSVT: R AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4
delta 3,20159 4,9235 4,45167 2,34879 2,42221 2,02463 2,94513 5,43045 4,42694 12,7964 11.31 6,487 21,8189 4,09331
theta 0,96945 1,59045 1,37746 1,03259 0,84002 0,66437 1,07593 1,74327 1,17321 3,7199 2,85166 1,53374 5,03852 1,18174
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
beta 0,35494 0,678 0,40734 0,36971 0,37595 0,30512 0,31952 0,50253 0,28369 0,75791 0,71554 0.42837 1,01529 0,34922
gamma 0,30691 0,74519 0,41486 0,43652 0,39229 0,30623 0,30822 0,4174 0,22447 0,66889 0,70126 0,36895 0,90685 0,30268

Tabel 2: PSVT:. R absolutte magt Indeholder de absolutte effektværdier i de perioder, hvor deltageren blev løse PSVT: R problemer. Værdierne er vist for hver EEG cap kanal og hver neurale frekvensbånd. Klik her for at downloade denne tabel som et Excel-regneark.

MCT AF3 F7 F3 FC5 T7 P7 </ Td> O1 O2 P8 T8 FC6 FC4 FC8 AF4
delta 4,25246 7,54329 5,08043 5,52389 3,73567 3,26572 3,76397 5,8437 4,62085 18,7991 16,4444 6,24405 28,1184 4,59798
theta 1,19953 1,84997 1,70135 1,27424 1,30572 1,08925 1,09528 1,91699 1,34909 4,19652 3,73398 2,04338 6,21749 1,33753
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
beta 0,44047 0,89503 0,54 0,51125 0,46215 0,36589 0,3884 0,61918 0,35962 1,03223 0,89744 0,54226 1,35175 0,47197
gamma 0,41897 1,05133 0,51015 0,64259 0,51855 0,39244 0,41827 0,52564 0,29925 0,87269 0,84818 0,4996 1,08765 0,41331

Tabel 3:. MCT absolutte magt Indeholder de absolutte magt værdier for de perioder, hvor deltageren blev løse MCT problemer. Værdier er vist for each EEG cap kanal og hver neurale frekvensbånd. Klik her for at downloade denne tabel som et Excel-regneark.

statik AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4
delta 7,21032 12,8557 8,50834 7,09116 5,75386 4,80761 6,79589 9,11056 7,39437 23,7659 18,5893 11,7132 32,0165 8,38173
theta 1,64049 3,16334 1,98263 1,70548 1,52057 1,25686 1,61864 2,35557 1,6244 4,85163 3,79464 2,53764 6,50266 1,809
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
beta 0,35583 0,55288 0,41326 0,30866 0,34607 0,29362 0,357 0,59991 0,34927 1,04345 0,66066 0,44385 1,21395 0,42598
gamma 0,24587 0,43744 0,31831 0,23404 0,25428 0,2218 0,26349 0,39275 00,22939 0,7927 0,507 0,29891 0,94462 0,3172

Tabel 4:. Statik absolutte magt Indeholder de absolutte magt værdier for de perioder, hvor deltageren blev løse Statik problemer. Værdierne er vist for hver EEG cap kanal og hver neurale frekvensbånd. Klik her for at downloade denne tabel som et Excel-regneark.

PSVT: R% AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4 gennemsnit
delta 1,09312 1,20533 1,254 1,00122 0,89381 0,8701 1,0967 1,27152 1,48439 1,44382 1,81472 1,35708 2,01959 1,25924
theta 0,99766 1,15645 1,05108 1,28965 0,96746 0,91339 1,20155 1,18379 1,22056 1,41692 1,5721 1,02078 1,58816 1,09621
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
beta 0,82237 0,75013 0,80199 0,69131 0,75043 0,78897 0,83383 0,86506 0,89252 0,75005 1,26584 0,86809 1,12043 0,72645 85,2%
gamma 0,60836 0,55535 0,66682 0,5141 0,56 0,59365 0,71594 0,61734 0,65707 0,6435 1,09557 0,64435 0,98644 0,5864

. Tabel 5: PSVT: R Relativ absolutte magt Indeholder de relative absolut effektværdier - det vil sige, at forholdet i forhold til resten baseline - for de tidsperioder, hvor deltageren blev løse PSVT: R problemer. Værdierne er vist for hver EEG cap kanal og hver neurale frekvensbånd./ftp_upload/53327/Table_5.xlsx">Please klik her for at downloade denne tabel som et Excel-regneark.

MCT% AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4 gennemsnit
delta 1,45192 1,84669 1,43111 2,35468 1,37849 1,40346 1,40162 1,36828 1,54941 2,12109 2,63855 1,30625 2,60268 1,41449
theta 1,23445 1,34515 1,29823 1,59146 1,5038 1,49751 1,22317 1,30176 1,40354 1.59846 2,05851 1,35997 1,95978 1,24072
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
beta 1,02052 0,99025 1,06317 0,95599 0,9225 0,9461 1,01359 1,06585 1,13138 1,02154 1,58762 1,09891 1,49174 0,9818 109,2%
gamma 0,83046 0,78351 0,81998 0,7568 0,74023 0,76077 0,97157 0,77744 0,87596 0,83956 1,32511 0,87252 1,1831 0,80073

. Tabel 6: MCT Relativ absolutte magt Indeholder de relative absolut effektværdier - det vil sige, at forholdet i forhold til resten baseline - for de tidsperioder, hvor deltageren blev løse MCT problemer. Værdierne er vist for hver EEG cap kanal og hver neurale frekvensbånd. Klik her for at downloade denne tabel som et Excel-regneark.

statik% AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4 gennemsnit
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
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
beta 0,82441 0,6117 0,81364 0,57716 0,69079 0,75922 0,93164 1,03269 1,09885 1,03264 1,16874 0,89947 1,33966 0,88613 90,5%
gamma 0,48736 0,326 0,51162 0,27564 0,36299 0,42997 0,61205 0,58088 0,67146 0,76261 0,79208 0,52202 1,02753 0,61453

. Tabel 7: Statik Relativ absolutte magt Indeholder de relative absolut effektværdier - det vil sige, at forholdet i forhold til resten baseline - for de tidsperioder, hvor deltageren blev løse Ingeniørberegninger problemer. Værdier er shegne for hver EEG cap kanal og hver neurale frekvensbånd. Klik her for at downloade denne tabel som et Excel-regneark.

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

. Tabel 8: gennemsnit af Relativ absolutte magt Indeholder de relative absolut effektværdier - det vil sige, at forholdet i forhold til resten baseline - gennemsnit på tværs af alle EEG cap kanaler for de perioder, hvor deltageren var løse PSVT: R, MCT, og statik problemer . Procenter er vist for beta-frekvensbåndet alene. Klik her for at downloade denne tabel som enn Excel-regneark.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Protokollen diskuterer anvendelsen af ​​elektroencefalografi at måle hjernens aktivitet for deltagere, der arbejder problemer fra to typiske rumlige evne instrumenter og meget rumlige engineering Statik problemer. De beskrevne metoder her, kan i sidste ende være i stand til at hjælpe med at forstå den neurale effektivitet høje og lave kunstnere engageret i at arbejde disse problemer. Det er vigtigt at forstå eventuelle forskelle i neurale effektiviteten af ​​ingeniørstuderende arbejder på MCT og PSVT: R, som disse test ofte anvendes til at vurdere geografiske evne. Sammenligne dem med hinanden giver os mulighed for bedre at vurdere deres anvendelighed til succes i teknik og deres position i grundlæggende teknik læseplaner.

Protokollen fastlægger procedurer for forskning i neurale effektivitet forbundet med rumlige kognition opgaver. Det er vigtigt, at pålidelige og gyldige instrumenter anvendes til at vurdere rumlige evner tilsluttet engineering indhold. Det jeger også vigtigt, at tekniske problemer målrette repræsentative engineering indhold til et bestemt kursus. EEG-målinger giver en distinkt ikke-påtrængende evne til at triangulere kognitive komponent data fra elever under rumlige aspekter af teknik problemløsning. Korrekt tidsstempling bør anvendes til en sådan dataindsamling, sikrer triangulering med video-arkiverede hændelser. IRB protokoller skal strengt følges, sikrer anonymitet deltageren data og analyse.

De fleste bekymringer fejlfinding forekomme samtidig med at indsamle EEG, som angivet nedenfor, og størstedelen af ​​dem håndteres før registreres data. Korrektioner for dårlig impedans og støj er bedst håndteres under installationen. Efter EEG headset producentens anvisninger er kritisk, og i vores erfaring indikationerne fra producentens software kan dirigere brugerne til at kontrollere specifikke elektroder. Typisk forbindelsen mellem filtpuden og participant hoved skal dæmpes mere, eller forbindelsen mellem hver elektrode og hovedsættet kan være nødvendigt at blive kontrolleret. Hvis nogle tilslutning er synlig, men kvaliteten er dårlig, ved hjælp af sprøjten for at re-dæmpe filt er ofte tilstrækkeligt, og til tider skal justeres fysisk for at sikre fast kontakt med hovedbunden headsettet. I et par tilfælde, måtte vi bede deltagerne om at skylle deres hår i en vask, før vi var i stand til at opnå en god forbindelse. Når elektroden syntes at ikke at sende data, blev det ofte afhjælpes ved at fjerne elektroden og derefter sætte det. Til tider, plast tilfældet for elektroden kan revne, i hvilket tilfælde det vil være nødvendigt at udskifte.

Andre fejlfinding kan forekomme under dataanalyse, og er omtalt i protokollen. Data forbehandling involverer filtrering og fjernelse af artefakter. Ofte dataanalyse software understøtter manuel afvisning samt scripts, der kan køres under forbehandlingsfasen og pro forarbejdning af data.

Ændringer blev foretaget et script i analyse software. Disse ændringer er dokumenteret i den supplerende kode fil. Ændringer af protokollen kan også gøres. En samtidig protokol er blevet anvendt, hvor der kræves verbale svar i løbet af undersøgelsen. Dette vil indføre flere artefakter i EEG-data, men vil give mere indsigt i deltagerens funktionelle viden under prøverne. Et alternativ er også blevet anvendt, hvor deltageren deltager i en video-optaget interview med forskeren efter sessionen.

Andre anbefalede potentielle modifikationer omfatter udnytte forskellige rumlige evne tester 14, forskellige tekniske spørgsmål 17, eller andre uddannelsesinstitutioner vurderinger. Forskellige hjernens aktivitet målinger, mulige via EEG og anden instrumentering, kunne også kaste lys over de vanskeligheder, eller andre egenskaber, af dygtighed vurderinger.

jove_content "> Vi anerkender, at der er begrænsninger med den teknik defineret i dette dokument Konstruktionerne af rumlig evne (rotation og skære høvlet overflade) målt af PSVT:. R og MCT er kun to af mange potentielle konstruktioner målbare med andre rumlige målinger. desuden kan forskellige rumligt intensive opgaver (dvs.., forskellige typer af problemer eller forskellige kurser og kurser) også vurderes. Forskning i neurale effektivitet bør naturligvis også udføres på et bredere anvendelsesområde end blot grundlæggende tekniske kurser såsom Statik. for eksempel bør det undersøges inden for de mange STEM felter anerkendt i litteraturen til at afhænge af rumlig ræsonnement tre. Desuden bør neurale undersøgelser effektivitet ikke begrænses til færdigheder direkte forbundet kun rumlig evne 21-28. Selv inden for involveret i brainwave forskning måling, den praksis gennemsnit effektmålinger over varigheden af ​​en opgave forbyder undersøgelsei andre sammenhænge, ​​der kan opstå inden for de mønstre af hjerneaktivitet. EEG målinger, på grund af deres tidsmæssige responsivitet, er ikke begrænset til neurale undersøgelser effektivitet. Og EEG instrumentering er begrænset af dybden af hjerneaktivitet den kan detektere, især sammenlignet med den højere rumlig opløsning af funktionel nær-infrarød spektroskopi eller funktionel magnetisk resonans billeddannelse, selv om dens tidsmæssige responsivitet forbliver blandt de bedste 36.

I sidste ende synes enorme 37,38 potentialet i at bruge fysiologiske målinger for at give indsigt i pædagogisk teori og praksis. Den tekniske tilgang og mål for denne protokol er anderledes end den biofeedback tilgang med EEG i pædagogisk / uddannelse studerer 39, men alle er værd at overveje, da indsigt er opnået i fænomener som rumlig evne udvikling og teknik dygtighed udvikling. Denne tilgang med at bruge EEG til at undersøge neurale efficitighed mellem rumlige opgaver iboende inden for specifikke rumlige evne instrumenter definerer en anden metode til adskillelse rumlige evne tests. Dette eksempel på en ny anvendelse af et neurovidenskabelige tilgang til undersøgelse rumlige evne tests, samt åbne en neurovidenskabelig tilgang til undersøgelse af eksisterende pædagogik. At finde metoder til verifikation og validering er en del af ingeniør-kultur. Inden for denne nye applikation, kan fysiologisk brainwave test åbne en ny verden af ​​forståelse og raffinering pædagogik. Faktisk hvis ses som en potentiel allé af validering, en roman og ny generation af teknik kan opstå uddannelsesforskning.

Subscription Required. Please recommend JoVE to your librarian.

Acknowledgments

Forfatterne vil gerne anerkende Christopher Green, Bradley Robinson, og Maria Manuela Valladares, for at hjælpe med dataindsamling. Finansiering af EEG-udstyr blev leveret af Utah State University kontor for forskning og Graduate Studies Udstyr Grant til Kerry Jordans multisensoriske Kognition Lab. Benjamin Call understøttes af en Presidential Doctoral Research Fellowship opnået fra Utah State University School of kandidatstudier for sit arbejde med Dr. Wade Goodridge.

Materials

Name Company Catalog Number Comments
Emotiv EPOC Model 1.0 Emotiv Model: Emotiv Premium "High resolution, multi-channel, portable EEG system."
Emotiv Control Panel (software) Emotiv Used for data collection.
Emotiv Testbench (software) Emotiv Used for data collection.
Virtual Serial Port Emulator - VSPE (software) ETERLOGIC.COM Used COM10 in data collection. Available as a free download, depending on the operating system.
E-Prime 2.0 (software) Psychology Software Tools Used for data collection (presentation of problems to participants and collection of markers for different phases).
EEGLab 13.4.4b (software) Swartz Center for Computational Neuroscience (SCCN) Used for data analysis. "An open source environment for electrophysiological signal processing". SCCN is a Center of the Institute for Neural Computation, the University of California San Diego.
MATLAB R2014b The Mathworks, Inc. Used to run EEGLab
Microsoft Excel 2013 Microsoft Used to assemble and compare tabulated results from EEGLab & MATLAB, to create tables
Camcorder with built in Mic Canon CNVHFR50 Used to record sessions
Syringe Kit (5 cc syringe & 16 G blunted needles x 2) Electro-Cap Intnl. Inc. E7 For keeping the EEG cap's felts damp.
Nuprep EEG Skin Prep Gel Weaver and Company 10-30 For cleaning the mastoid process.
Sanitizer Purell S-12808 For sanitizing hands

DOWNLOAD MATERIALS LIST

References

  1. Sorby, S. A. Educational Research in Developing 3-D Spatial Skills for Engineering Students. Int. J. Sci. Educ. 31 (3), 459-480 (2009).
  2. Wai, J., Lubinski, D., Benbow, C. P. Spatial Ability for STEM Domains: Aligning Over 50 Years of Cumulative Psychological Knowledge Solidifies Its Importance. J. Educ. Psychol. 101 (4), 817-835 (2009).
  3. Uttal, D. H., Cohen, C. A. Spatial Thinking and STEM Education: When, Why, and How? Psychol. Learn. Motiv. 57, 147-181 (2012).
  4. Halpern, D. F., Collaer, M. L. The Cambridge handbook of visuospatial thinking. , Cambridge University Press. Cambridge. (2005).
  5. Lubinski, D., Benbow, P. Study of mathematically precocious youth after 35 years. Perspect. Psychol. Sci. 1 (4), 316-345 (2006).
  6. Sorby, S., Casey, B., Veurink, N., Dulaney, A. The role of spatial training in improving spatial and calculus performance in engineering students. Learn. Individ. Differ. 26, 20-29 (2013).
  7. Peters, M., Chisholm, P., Laeng, B. Spatial ability, student gender, and academic performance. J. Eng. Educ. 84 (1), 1-5 (1994).
  8. Pellegrino, J. W., Alderton, D. L., Shute, V. J. Understanding Spatial Ability. Educ. Psychol. 19 (3), 239-253 (1984).
  9. Goodridge, W., Villanueva, I., Wan, N. J., Call, B. J., Valladares, M. M., Robinson, B. S., Jordan, K. Neural efficiency similarities between engineering students solving statics and spatial ability problems. Poster presented at the meeting of the Society for Neuroscience. Washington, DC, , (2014).
  10. Sorby, S. A., Baartmans, B. J. The Development and Assessment of a Course for Enhancing the 3-D Spatial Visualization Skills of First Year Engineering Students. J. Eng. Educ. 89 (3), 301-307 (2000).
  11. Gorska, R., Sorby, S. A. Testing instruments for the assessment of 3-D spatial skills. Proceedings of the American Society for Engineering Education Annual Conference. , (2008).
  12. CEEB Special aptitude test in spatial relations. , CEEB. USA. (1939).
  13. Guay, R. Purdue spatial visualization test. , Purdue University. (1976).
  14. Hegarty, M. Components of Spatial Intelligence. , Elsevier Inc. San Diego, CA. (2010).
  15. Bishop, J. E. Developing Students' Spatial Ability. Sci. Teacher. 45 (8), 20-23 (1978).
  16. Goodridge, W. H., Villanueva, I., Call, B. J., Valladares, M. M., Wan, N., Green, C. Cognitive strategies and misconceptions in introductory Statics problems. 2014 IEEE Frontiers in Education Conference (FIE) Proceedings. , 2152-2159 (2014).
  17. Steif, P. S., Dantzler, J. A. A Statics Concept Inventory: Development and Psychometric Analysis. J. Eng. Educ. 94 (4), 363-371 (2005).
  18. Suresh, R. The relationship between barrier courses and persistence in engineering. J. Coll. Student Retention. 8 (2), 215-239 (2006).
  19. Pfurtscheller, G., Lopes da Silva, F. H. Event-related EEG/MEG synchronization and desynchronization: basic principles. Clin. Neurophysiol. 110 (11), 1842-1857 (1999).
  20. Klimesch, W. EEG alpha and theta oscillations reflect cognitive and memory performance: a review and analysis. Brain Res. Brain Res. Rev. 29 (2-3), 169-195 (1999).
  21. Babiloni, C., et al. Resting state cortical rhythms in athletes: a high-resolution EEG study. Brain Res. Bull. 81 (1), 149-156 (2010).
  22. Babiloni, C., et al. 34;Neural efficiency" of experts' brain during judgment of actions: a high-resolution EEG study in elite and amateur karate athletes. Behav. Brain Res. 207 (2), 466-475 (2010).
  23. Del Percio, C., et al. "Neural efficiency" of athletes' brain for upright standing: a high-resolution EEG study. Brain Res. Bull. 79 (3-4), 193-200 (2009).
  24. Grabner, R. H., Fink, A., Stipacek, A., Neuper, C., Neubauer, A. C. Intelligence and working memory systems: evidence of neural efficiency in alpha band ERD. Brain Res. Cognitive Brain Res. 20 (2), 212-225 (2004).
  25. Grabner, R. H., Neubauer, A. C., Stern, E. Superior performance and neural efficiency: the impact of intelligence and expertise. Brain Res. Bull. 69 (4), 422-439 (2006).
  26. Grabner, R. H., Stern, E., Neubauer, A. C. When intelligence loses its impact neural efficiency during reasoning in a familiar area. Int. J. Psychophysiol. 49, 89-98 (2003).
  27. Neubauer, A. C., Grabner, R. H., Fink, A., Neuper, C. Intelligence and neural efficiency: Further evidence of the influence of task content and sex on the brain-IQ relationship. Cognitive Brain Res. 25 (1), 217-225 (2005).
  28. Riecanský, I., Katina, S. Induced EEG alpha oscillations are related to mental rotation ability: The evidence for neural efficiency and serial processing. Neurosci. Lett. 482 (2), 133-136 (2010).
  29. Roberts, J. E., Ann Bell, M. Two- and three-dimensional mental rotation tasks lead to different parietal laterality for men and women. Int. J. Psychophysiol. 50 (3), 235-246 (2003).
  30. Roberts, J. E., Bell, M. A. The effects of age and sex on mental rotation performance, verbal performance, and brain electrical activity. Dev. Psychobiol. 40 (4), 391-407 (2002).
  31. Gill, H. S., O'Boyle, M. W., Hathaway, J. Cortical distribution of EEG activity for component processes during mental rotation. Cortex. 34 (5), 707-718 (1998).
  32. Caplan, J. B., Madsen, J. R., Schulze-Bonhage, A., Aschenbrenner-Scheibe, R., Newman, E. L., Kahana, M. J. Human Theta Oscillations Related to Sensorimotor Integration and Spatial Learning. The J. Neurosci. 23 (11), 4726-4736 (2003).
  33. Kahana, M., Sekuler, R., Caplan, J., Kirschen, M., Madsen, J. R. Human theta oscillations exhibit task dependence during virtual maze navigation. Nature. 399 (6738), 781-784 (1999).
  34. Delorme, A., Makeig, S. EEGLAB: An open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. J. Neurosci. Meth. 134, 9-21 (2004).
  35. Delorme, A., Sejnowski, T., Makeig, S. Enhanced detection of artifacts in EEG data using higher-order statistics and independent component analysis. NeuroImage. 34, 1443-1449 (2007).
  36. Meyer-Lindenberg, A. From maps to mechanisms through neuroimaging of schizophrenia. Nature. 468, 194-202 (2010).
  37. Campbell, S. R. Educational Neuroscience: Motivations, methodology, and implications. Educ. Neurosci.: Initiatives and Emerging Issues. Patten, K. E., Campbell, S. R. 43 (1), Wiley-Blackwell. West Sussex, United Kingdom. 7-16 (2011).
  38. Kelly, A. E. Can Cognitive Neuroscience Ground a Science of Learning?. Educ. Neurosci.: Initiatives and Emerging Issues. Patten, K. E., Campbell, S. R. 43 (1), Wiley-Blackwell. West Sussex, United Kingdom. 17-23 (2011).
  39. Cunningham, M. D., Murphy, P. J. The effects of bilateral EEG biofeedback on verbal, visual-spatial, and creative skills in learning disabled male adolescents. J. Learn. Disabil. 14 (4), 204-208 (1981).

Tags

Adfærd rumlig intelligens elektroencefalografi neural effektivitet fysisk evne rumlig tænkning ingeniøruddannelse Statik
Ved hjælp elektroencephalografi Målinger for Sammenligning af Task-Specifikke neurale Efficiencies: Spatial Intelligence Opgaver
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