Wykorzystanie pomiarów elektroencefalografii do porównania sprawności neuronalnej specyficznej dla danego zadania: zadania z zakresu inteligencji przestrzennej

Summary

Ten manuskrypt opisuje podejście do pomiaru aktywności neuronalnej ludzi podczas rozwiązywania przestrzennie skoncentrowanych problemów inżynieryjnych. Metodologia elektroencefalogramu pomaga interpretować pomiary fal mózgowych beta pod kątem wydajności neuronalnej, aby ostatecznie umożliwić porównanie wykonania zadań zarówno między typami problemów, jak i między uczestnikami.

Abstract

Inteligencja przestrzenna jest często kojarzona z sukcesem w edukacji inżynierskiej i zawodach inżynierskich. Zastosowanie elektroencefalografii umożliwia porównawcze obliczenie wydolności neuronalnej poszczególnych osób podczas wykonywania kolejnych zadań wymagających zdolności przestrzennych do wyprowadzania rozwiązań. Wydajność neuronalna jest tutaj definiowana jako mniejsza aktywacja beta, a zatem zużywanie mniejszej ilości zasobów neuronowych w celu wykonania zadania w porównaniu z innymi grupami lub innymi zadaniami. W przypadku porównań między zadaniami o podobnym czasie trwania, pomiary te mogą umożliwić porównanie trudności typu zadania. W przypadku porównań wewnątrz i między uczestnikami, pomiary te zapewniają potencjalny wgląd w poziom zdolności przestrzennych uczestnika i różne zadania związane z rozwiązywaniem problemów inżynierskich. Wydajność w wybranych zadaniach może być analizowana i korelowana z działaniami w wersji beta. W pracy przedstawiono szczegółowy protokół badawczy badający sprawność neuronalną uczniów zajmujących się rozwiązywaniem typowych problemów zdolności przestrzennych i statyki. Studenci rozwiązywali zadania specyficzne dla Mental Cutting Test (MCT), testu Purdue Spatial Visualization of Rotations (PSVT:R) i Statyka. Podczas rozwiązywania tych problemów fale mózgowe uczestników mierzono za pomocą EEG, co pozwoliło na zebranie danych dotyczących aktywacji i wykorzystania fal mózgowych alfa i beta. Prace mają na celu skorelowanie wydajności funkcjonalnej w zadaniach czysto przestrzennych z zadaniami inżynierskimi wymagającymi dużej ilości czasu w celu zidentyfikowania ścieżek do pomyślnych wyników w inżynierii i wynikających z nich ulepszeń w edukacji inżynierskiej, które mogą nastąpić.

Introduction

Zdolności przestrzenne są niezbędne w naukach ścisłych, technologii, inżynierii i matematyce (STEM) oraz edukacji i korelują z sukcesem w tych dziedzinach^1,2,3. Dlatego ważne jest, aby zrozumieć, w jaki sposób zdolności przestrzenne wpływają na rozwiązywanie problemów⁴. Zdolności przestrzenne zostały powiązane z zainteresowaniami⁵, wydajnością⁶, sukcesem w środowisku akademickim⁷ i sukcesem specjalistów w dziedzinie inżynierii⁸. Nie ma jednak zbyt wielu prac wskazujących na konkretne procesy neuronalne w rozwiązywaniu problemów typowych dla wielu instrumentów zdolności przestrzennych, ani konkretnych treści inżynierskich, które są wysoce przestrzenne.

Ten artykuł stanowi wprowadzenie do metod używanych do zbierania danych i analizy wyników instrumentów zdolności przestrzennych w połączeniu z pomiarami neuronalnymi. Intencją publikowania za pomocą JoVE jest uczynienie tych metod bardziej dostępnymi dla szerszego grona odbiorców. W badaniu wykorzystano powszechnie dostępny sprzęt i oprogramowanie. Jako dokument metodyczny, pełne wyniki/zestawy danych nie są raportowane, ani nie są dostarczane wiele próbek. Wszystkie zdjęcia zostały wykonane specjalnie na potrzeby tej publikacji. Metody opisane poniżej zostały wykorzystane do przygotowania wstępnego raportu z konferencji⁹ w oparciu o dane od ośmiu uczestników drugiego roku studiów, z których trzy były kobietami.

Wiele istniejących instrumentów jest używanych do wskazywania poziomów zdolności przestrzennych wrodzonych lub wyuczonych przez jednostki. Dwa ważne i niezawodne instrumenty^10,11, które są powszechnie używane, to Test Mentalnego Cięcia (MCT)¹² i Test Wizualizacji Przestrzennej Purdue Rotacji (PSVT:R)¹³. Instrumenty te, choć pierwotnie zaprojektowane do celów zawodowych¹⁴, testują różne etapy rozwoju wizualizacji przestrzennej opisane przez teorię Piageta^10,15. Korzystanie z tych instrumentów stwarza potrzebę zrozumienia leżących u podstaw fizjologicznych zjawisk poznawczych istniejących, gdy osoby pracują nad tymi problemami. Z tego powodu niniejsze badanie ma na celu zaprezentowanie metod wykorzystujących empiryczne dane fizjologiczne, które mogą ostatecznie poprawić analizę i zrozumienie myśli przestrzennej, zweryfikować istniejące możliwości testowania metryk oraz zwiększyć zastosowanie ocen przestrzennych do bardziej złożonych problemów typowych dla edukacji inżynierskiej. Wiele z tych problemów można napotkać w statyce inżynierskiej.

Statyka to podstawowy kurs mechaniki przeznaczony dla większości studentów inżynierii (np. Inżynieria Biologiczna, Mechaniczna, Lądowa, Środowiskowa, Lotnicza i Kosmiczna)^16,17. Jest to jedno z pierwszych obszernych doświadczeń w rozwiązywaniu problemów, które studenci otrzymują w podstawowych treściach inżynierskich¹⁸. Statyka polega na badaniu oddziaływania sił na sztywne ciało, które jest w spoczynku lub porusza się ze stałą prędkością. Niestety, Statyka ma wysokie wskaźniki rezygnacji, wycofania się i niepowodzenia (14%, jak zaobserwowano na badanym uniwersytecie), co może być związane z tradycyjnymi modelami prowadzenia wykładów i programów nauczania, które pomijają kluczowe ścieżki wsparcia, takie jak przestrzennie ulepszone podejścia do edukacji. Na przykład podejścia przestrzenne w statyce mogą być ukierunkowane na wizualizację interakcji sił poza typową analizą analityczną i wzmocnić wiedzę proceduralną uczniów dzięki ugruntowanej konceptualizacji. Skuteczność takich interwencji należy zbadać z perspektywy neuronauki poznawczej.

Elektroencefalografia (EEG) prezentuje unikalną i mobilną metodę pomiaru aktywności fal mózgowych uczniów. Osoby wykonujące zadania, które wywołują aktywację beta, są na ogół bardzo zaangażowane w specyfikę zadania i zwracają uwagę na to, co robią^19,20. Wraz ze wzrostem wymagań dotyczących zadań zwiększa się amplituda fali beta, a także rozmiar obszaru kory mózgowej, który zajmują częstotliwości pasma. Im więcej neuronów, które uruchamiają się w zakresie częstotliwości beta (alfa: 8 - 12 Hz, beta: 12 - 24 Hz), można zdefiniować jako większą moc beta. W związku z tym, gdy ktoś nabiera większego doświadczenia w zadaniu, amplituda fal beta maleje, generując mniej mocy beta. Jest to część hipotezy wydajności neuronalnej^21-28, w której większe doświadczenie w wykonywaniu zadania wiąże się ze spadkiem mocy częstotliwości. Chociaż EEG było wcześniej wykorzystywane w badaniu zdolności przestrzennych (często do zadań związanych z rotacją umysłową i nawigacją przestrzenną) - a odpowiednie dane zostały zidentyfikowane w pasmach alfa, beta i theta^27-33 - w tym badaniu zaobserwowano pasma alfa i beta, a beta została wybrana do dalszej reprezentatywnej analizy w tym artykule i we wstępnym raporcie z konferencji⁹. Poniższe procedury koncentrują się zatem na analizie pasm beta, ale w przyszłości zaleca się zbadanie wszystkich trzech pasm, w zależności od zarejestrowanych danych.

Hipoteza efektywności neuronalnej została przetestowana w różnych zadaniach, w tym w szachach, pamięci wzrokowo-przestrzennej, równoważeniu i odpoczynku. Wszyscy wskazali doświadczenie w wykonywaniu zadań jako czynnik zmniejszającej moc częstotliwości podczas wykonywania znanych zadań. W jednym z badań^{przedstawiono} dowody na to, że chociaż inteligencja danej osoby (mierzona ilorazem inteligencji) może pomóc jej w nabyciu umiejętności potrzebnych do wykonania zadania, doświadczenie w realizacji zadania przeważa nad inteligencją pod względem jej wkładu w efektywność neuronalną. Innymi słowy, im bardziej doświadczona jest dana osoba, tym bardziej staje się wydajna neuronalnie.

Istniejące badania efektywności neuronalnej dotyczące zdolności przestrzennych skupiały się głównie na rotacji przestrzennej, a różne zestawy problemów zostały użyte do porównania różnych populacji (np. mężczyzna/kobieta)^27-28. Badania EEG nad zadaniami związanymi ze zdolnościami przestrzennymi również dostarczyły informacji poprzez porównanie wydajności z innymi typami zadań (np. zadaniami werbalnymi)^27,29,30. Metody omówione w tym artykule koncentrują się i porównują problemy z MCT, PSVT:R, a także zadania równowagi statycznej, które są związane ze zdolnościami przestrzennymi, ale nie ograniczają się do rotacji przestrzennej i nawigacji. W miejsce podanych jako przykłady w niniejszym manuskrypcie mogą być wykorzystane inne zadania przestrzenne. W ten sposób w przyszłości można uzyskać dodatkowe informacje na temat różnych populacji (np. mężczyzn/kobiet lub ekspertów/nowicjuszy), aby ostatecznie pomóc w poprawie praktyk edukacyjnych w zakresie inżynierii.

W celu zbadania zdolności przestrzennych i zdolności inżynierskich, opracowaliśmy protokół wykorzystujący pomiary EEG do identyfikacji aktywacji fal beta u uczestników o niskich i wysokich wynikach podczas ograniczonej liczby konkretnych zadań przestrzennych i inżynieryjnych. W tym przypadku termin "osoba osiągająca wysokie wyniki" jest związany z wynikami uczestnika i nie odzwierciedla ilości czasu spędzonego w terenie przez uczącego się, ponieważ wszyscy uczestnicy byli mniej więcej na tym samym etapie edukacji. Ponadto zestaw problemów, z którymi się wiąże, jest dość specyficzny i podstawowy; Tak więc terminy "ekspert" lub "wysokowydajny" w niniejszym dokumencie nie mogą być postrzegane w sensie eksperta, profesjonalnie zatrudnionego inżyniera, ale reprezentują jedynie wysokie wyniki w tym wąskim wycinku programu nauczania mechaniki inżynierskiej i instrumentów zdolności przestrzennych. Pomiary neuronowe mogą być również wykorzystane do identyfikacji wszelkich ogólnych trendów, dla których typy zadań mogą angażować więcej zasobów poznawczych niż inne, z możliwą interpretacją dotyczącą poziomów trudności. Informacje te mogą potencjalnie dostarczyć informacji na temat przyszłej oceny i interwencji w odniesieniu do zdolności przestrzennych. Inne przyszłe spostrzeżenia można uzyskać, biorąc pod uwagę bardziej specyficzne regiony mózgu, co nie było możliwe w tym badaniu ze względu na ograniczoną liczbę kanałów dostępnych w używanym sprzęcie EEG.

Protocol

Oświadczenie etyczne dotyczące wykorzystywania uczestników przez ludzi

Procedury związane z tą pracą zostały zatwierdzone przez Instytucjonalną Komisję Rewizyjną (IRB) na Uniwersytecie Stanowym Utah w zakresie badań na ludziach. Zaleca się, aby wszelkie podobne prace były również zatwierdzane przez odpowiedni IRB. Uczestnicy mają prawo przerwać lub wycofać się z badania w dowolnym momencie trwania eksperymentu.

1. Wybór uczestników

1. Dobrowolnie wybieraj uczestników spośród studentów aktualnie zapisanych na kurs statyki. Upewnij się, że uczestnicy mieli wcześniej kontakt z treściami statycznymi, które zobaczą podczas badania.
   Uwaga: Idealnie byłoby, gdyby uczestnicy mieli kontakt z materiałem poprzez wykład co najmniej cztery tygodnie przed udziałem w badaniu, aby był czas na utrwalenie koncepcji i opracowanie zróżnicowanych poziomów wydajności.
2. Przeprowadzaj rekrutację zgodnie ze wszystkimi protokołami IRB. Wyjaśnij szczegółowo wszystkie procedury i ograniczenia potencjalnym uczestnikom. Proszę opisać zakres przyszłych kontaktów oraz sposób, w jaki wyniki badania mogą zostać opublikowane i/lub udostępnione uczestnikom. Określ wszelkie wynagrodzenia za udział w badaniu. Jeśli ochotnik zdecyduje się wziąć udział w badaniu, należy mu dostarczyć podwójnie zakodowany kod identyfikacyjny, znany i kontrolowany tylko przez głównego badacza.
   Uwaga: Rekrutacja określonej populacji będzie wymagała analizy statystycznej w celu zweryfikowania mocy statystycznej próby i liczby wymaganych uczestników do analizy indywidualnych różnic w danych fal mózgowych. Jeśli badacz chce przeprowadzić badanie porównawcze między populacjami, należy przeprowadzić analizę mocy w celu opracowania odpowiedniej wielkości grup uczestników dla obu populacji.
3. Wybierz ćwiczenia lub problemy, które są reprezentatywne dla doświadczeń pożądanych przez uczestników.
   Uwaga: W tym protokole wybrano studentów drugiego roku inżynierii zapisanych na kurs statyki. Ćwiczenia, które uznano za istotne, dotyczyły zagadnień z treści wprowadzających do statyki, a także dwóch powszechnie używanych instrumentów zdolności przestrzennych: Testu Mentalnej Płaszczyzny Cięcia (MCT) i Testu Wizualizacji Przestrzennej Purdue (PSVT-R). Każdy instrument testuje inne konstrukty zdolności przestrzennych i poziom rozwoju przestrzennego w tej wybranej populacji uczniów.
4. Ustal kalendarz do organizacji sesji laboratoryjnych dla uczestników.

2. Przygotowanie instrumentów

1. Skonfiguruj zestawy słuchawkowe EEG (inaczej nakładki) zgodnie z instrukcjami producenta. Zakończ to przygotowanie, zanim uczestnik przyjedzie na badanie. Przypomnijmy, że ta procedura jest specyficzna dla ogólnych mobilnych zestawów słuchawkowych, takich jak Emotiv, w przeciwieństwie do zestawów EEG klasy medycznej.
   1. Naładuj zestawy słuchawkowe EEG — najlepiej co najmniej 1 godzinę ładowania na sesję. W przypadku regularnie używanego laboratorium należy mieć co najmniej dwa zestawy słuchawkowe ładujące się przez cały czas.
   2. Umieść wszystkie wymagane płyny w dostępnym miejscu, w tym płyn do zwilżania elektrod EEG (np. woda) i ścierny środek czyszczący, aby zapewnić dobry kontakt z węzłami odniesienia EEG.
   3. Włóż filce do każdej osłonki (upewniając się, że złoty styk jest bezpiecznie osadzony w każdej osłonce). Nasącz filce płynem zwilżającym za pomocą strzykawki. Pozwól, aby zwilżone elektrody odpoczęły.
2. Skonfiguruj wszystkie wymagane kamery wideo, aby mierzyć zachowanie uczestników. W przypadku obecnego protokołu należy używać dwóch kamer wideo na uczestnika. Ponownie wyreguluj kamery, gdy uczestnik znajdzie się na miejscu. Upewnij się, że film jest oznaczony sygnaturą czasową.
   1. Ustaw jedną kamerę na twarzy uczestnika, jeśli chcesz nagrać mimikę twarzy i uzyskać wysokiej jakości dźwięk.
   2. Ustaw ostrość drugą kamerę na obszarze przed uczestnikiem, aby uchwycić ruchy ręki, w tym czynności związane z pisaniem odręcznym (jeśli spodziewane jest pismo odręczne, upewnij się, że używasz przyboru do pisania, który jest wystarczająco ciemny i/lub gruby, aby mógł zostać uchwycony przez kamerę) i wystarczająco dużo monitora komputera, aby zapewnić wgląd w to, które zadanie jest rozwiązywane w danym momencie.
   3. Włącz komputer i sprawdź, czy oprogramowanie jest włączone do rejestrowania danych fal mózgowych. Sprawdź, czy wszystkie oprogramowanie i urządzenia do zbierania danych są ze sobą wystarczająco połączone do zbierania danych.

3. Przygotowanie uczestników badania i rozpoczęcie sesji

1. Sprawdź, czy uczestnicy otrzymali udokumentowaną zgodę na realizację umowy IRB omówionej powyżej. Odpowiedz na wszelkie pytania, które uczestnicy mają przed rozpoczęciem badania. Przypomnij uczestnikom, że zebrane dane będą oznaczone kodem identyfikacyjnym i nie będzie żadnych informacji identyfikujących, które wiązałyby dane z uczestnikiem, oraz że mogą wycofać się w dowolnym momencie.
2. Poproś każdego uczestnika o wypełnienie ankiety demograficznej przed wzięciem udziału w badaniu. Ankieta ta może pytać o płeć, wiek, wcześniejsze doświadczenia, które mogą mieć wpływ na ich zdolności w badaniu (np. wcześniejsze kursy inżynierskie lub intensywne przestrzennie, hobby zwiększające zdolności przestrzenne oraz pytania dotyczące kryteriów wykluczenia, takich jak urazowe uszkodzenia mózgu, których mogli doznać, której ręki używają).
   1. Wyklucz uczestników z grupy ochotników do analizy EEG, jeśli występuje którykolwiek z następujących warunków: (a) uczestnik jest leworęczny lub oburęczny, w celu kontrolowania zakłóceń lateralizacji mózgu; lit. b); osoba nie może uczestniczyć w sesjach laboratoryjnych ze względu na niepełnosprawność fizyczną; lub (c) osoba doznała poważnego uszkodzenia mózgu. Powiadom potencjalnych uczestników o tych ograniczeniach w trakcie procesu rekrutacji lub tak wcześnie, jak to możliwe, aby uniknąć poświęcania niepotrzebnego czasu i zasobów.
3. Po przyjeździe upewnij się, że uczestnik czuje się komfortowo i odpowiedz na wszelkie pozostałe pytania lub wątpliwości.
   1. Zademonstruj strzykawkę używaną do nasycania węzła i wyjaśnij, że będzie ona używana wyłącznie do utrzymywania wilgoci w filcach EEG. Jeśli uczestnik ma skrajny lęk przed igłami, rozważ zastosowanie innych środków ostrożności (np. trzymanie strzykawki z dala od płaszczyzny ogniskowej podczas ponownego zwilżania filcu).
   2. Poproś uczestnika, aby usunął ze swojej osoby wszelkie urządzenia elektroniczne.
4. Umieść gogle EEG na uczestniku.
   1. Sprawdź filce pod kątem wilgoci i umieść kombinacje filcu/obudowy w zestawie słuchawkowym EEG.
   2. Oczyść punkty odniesienia (np. wyrostek sutkowaty) uczestnika za pomocą ściernego środka czyszczącego. Wytrzyj wszelkie pozostałości.
   3. Umieść gogle na uczestniku w taki sposób, aby węzły odniesienia były odpowiednio wyrównane z punktami odniesienia. Nie zginaj nadmiernie ramion zestawu słuchawkowego. Pozostaw przerwę między węzłem odniesienia a tylną częścią ucha, aby nie powodować dyskomfortu, a także wyrównaj i rozmieść zestaw słuchawkowy odpowiednio z głową uczestnika.

4. Wykonanie oprogramowania w sesji

1. Uruchom oprogramowanie do rejestrowania EEG. Upewnij się, że istnieje dobre połączenie między urządzeniem rejestrującym (np. komputerem osobistym) a zestawem słuchawkowym EEG, sprawdzając, czy wszystkie kanały są wyświetlane na urządzeniu rejestrującym. Sprawdź, czy wszystkie kanały początkowo zachowują się podobnie przy oscylacjach o niskiej amplitudzie. Sprawdź EEG, aby upewnić się, że masz dobrą łączność z uczestnikiem - ponownie zwilż i dopasuj filce tak, aby uzyskać spójne wzorce na urządzeniu rejestrującym - bezpośrednio przed okresami odpoczynku i przed rozpoczęciem każdego nowego typu problemu.
   Uwaga: EEG działa z częstotliwością 128 Hz. Elektrookulografia nie była używana do rejestrowania ruchu gałek ocznych, a odniesienie do ucha połączonego nie było używane.
2. Poinstruuj uczestnika, aby pozostał tak spokojny i cichy, jak to możliwe podczas ćwiczeń zadaniowych.
3. Uruchom oprogramowanie do prezentacji zadań.
   Uwaga: Podczas zbierania danych cała zaplanowana wcześniej komunikacja wizualna z uczestnikiem odbywa się za pośrednictwem monitora komputera. W takim przypadku na ekranie komputera pojawi się szereg problemów przestrzennych i inżynierskich, a uczestnicy zostaną poproszeni o ich rozwiązanie. Podczas zbierania danych uczestnikom nie udzielono poprawnych odpowiedzi. Obrazy problemów rozwijały się w oparciu o dane wejściowe użytkownika, więc czas był oparty na czasie rozwiązywania problemu.
   1. Wyświetl problem przestrzenny typu 1 (np. PSVT:R — test wielokrotnego wyboru lub problemy z obrotem prawda-fałsz — patrz rysunek 1)¹³. Uwaga: Czas trwania tych problemów (np. 30 sekund) zostanie wykorzystany jako zakres czasu dla analizy danych. W tym zestawie znalazło się pięć zadań.
   2. Wyświetl problem przestrzenny typu 2 (np. MCT — test wielokrotnego wyboru lub problemy z cięciem umysłowym typu prawda-fałsz — patrz rysunek 2)¹². Uwaga: Czas trwania tych problemów (np. 30 sekund) zostanie wykorzystany jako zakres czasu dla analizy danych. W tym zestawie znalazło się pięć zadań.
   3. Wyświetl problem inżynierski typu¹⁷ (np. Problemy statyczne — z podziałem na konkretne zasady statyki inżynierskiej lub dowolny inny zastosowany typ problemu, w przypadku którego przypuszczalnie występują komponenty przestrzenne — patrz rysunek 3). Uwaga: Rozwiązanie tych problemów zajmuje znacznie więcej czasu niż problemów przestrzennych. Liczba zadań pokazywanych uczestnikom wahała się od czterech do dziesięciu.
   4. Przypisz okresy odpoczynku na początku i na końcu zbierania danych — używane do uzyskiwania danych bazowych. Upewnij się, że każdy z nich ma ten sam czas trwania (np. 120 sekund).
4. W razie potrzeby przeprowadź exit interview z uczestnikiem. Może to obejmować ich przemyślenia na temat prezentacji eksperymentalnej, noszenia gogli EEG, procesu komunikacji stosowanego podczas rekrutacji i przygotowania uczestników i/lub dowolnego protokołu wymagającego odpowiedzi ustnych wymienionych powyżej. Zamiast przeprowadzania wywiadu uczestnikom może zostać dostarczony zweryfikowany kwestionariusz użytkownika.
5. Wyłącz oprogramowanie do prezentacji zadań, oprogramowanie rejestrujące EEG, zdejmij zestaw słuchawkowy EEG i wyłącz sprzęt do nagrywania wideo.

5. Zakończenie sesji

1. Zwolnij uczestnika badania. Podziękuj uczestnikowi i przekaż mu przegląd wszelkich przyszłych kontaktów (np. w celu przeprowadzenia wywiadów uzupełniających lub kolejnych sesji badania), wyjaśnij, w jaki sposób wyniki badania mogą zostać opublikowane i/lub udostępnione uczestnikom, a także zapewnij wszelkie poczęstunki lub płatności (lub wyjaśnienie, w jaki sposób płatność zostanie zapewniona) uzgodnione w ramach wynagrodzenia za udział w badaniu.
2. Przesyłaj dzienniki danych do dowolnych wymaganych długoterminowych lub przenośnych urządzeń pamięci masowej. Podpisany formularz zgody należy przechowywać w odpowiedni sposób i zgodnie z protokołem IRB.
3. Oczyść instrumenty i przestrzeń laboratoryjną.
   1. Usuń filce z zestawu słuchawkowego i zdezynfekuj je lub wyrzuć.
   2. Umieść obudowy elektrod EEG i zestaw słuchawkowy we właściwym miejscu przechowywania.
   3. Zużyte strzykawki i śmieci należy zutylizować w odpowiedni sposób.
   4. Zwróć płyny do odpowiednich miejsc przechowywania.
   5. Zabezpiecz laboratorium, jeśli nie jest używane przez innych badaczy.

6. Analiza danych

1. Zidentyfikuj i wyodrębnij surowe dane dla każdego kanału oraz dane markerowe z dzienników danych EEG. Znaczniki bitowe ASCII służą do identyfikowania początku i końca zbierania danych, a także przejść między różnymi fazami zbierania danych (np. typami problemów) i poszczególnymi problemami. Upewnij się, że każdy typ fazy ma inną wartość znacznika, aby umożliwić rozróżnienie podczas analizy. Nazwij dane w sposób, który odwołuje się do kodu identyfikacyjnego uczestnika jako źródła.
   Uwaga: Polecenia EEGLAB są zdefiniowane w niniejszym dokumencie, ale EEGLAB wymaga MATLAB do tego wykonania.
   1. Kliknij Plik> Importuj dane > Korzystanie z funkcji i wtyczek EEGLAB > Z plików EDF/EDF + GDF (zestaw narzędzi BIORIG)
   2. Wybierz odpowiedni plik danych. Kliknij przycisk Otwórz, aby załadować dane.
   3. Wybierz listę kanałów. Kliknij przycisk OK, aby zaakceptować.
   4. Podaj nazwę zestawu danych. Określ opisową nazwę danych, która odzwierciedla źródło i datę zebrania. W tym przypadku PSF1448 wskazuje dane z identyfikatora uczestnika 48 z jesieni 2014 r.
2. Zmapuj wyodrębnione dane do montażu (tj. układu węzłów EEG), wybierając montaż dostarczony przez dostawcę zestawu słuchawkowego EEG (np. system 10 - 20). Upewnij się, że montaż używany do analizy jest zgodny z układem zestawu słuchawkowego EEG używanego podczas sesji. Jest to zależne od producenta.
   1. Edytuj lokalizacje kanałów, klikając Edytuj > Lokalizacje kanałów.
   2. Wybierz opcję Montaż. W takim przypadku odpowiedni jest domyślny montaż, więc po prostu kliknij OK, aby zaakceptować.
   3. Wybierz opcję Channel Information Specification (Specyfikacja informacji o kanale). W takim przypadku wartość domyślna jest odpowiednia, więc po prostu kliknij OK, aby zaakceptować.
3. Zredukuj dane z kanału EEG do tego, co jest najbardziej reprezentatywne dla aktywności mózgu, jak zdefiniowano poniżej.
   1. Zastosuj filtr początkowy do danych. Zazwyczaj stosuje się filtr górnoprzepustowy, dolnoprzepustowy (z 0,1 Hz jako dolną granicą filtra górnoprzepustowego i 59 Hz jako górną granicą filtra dolnoprzepustowego). Zastosowanie filtra dolnoprzepustowego o częstotliwości poniżej 60 Hz usuwa szumy z sieci elektrycznej w USA. Zapisz zestaw danych pod nową nazwą jako punkt przywracania.
      1. Kliknij Narzędzia > Podstawowy filtr FIR (nowy, domyślny).
      2. Ustaw podstawowe parametry filtru. Ustaw Dolną krawędź na 0,1 Hz, Wyższą krawędź na 59 Hz, nie kreśl odpowiedzi częstotliwościowej i kliknij przycisk OK, aby zaakceptować.
      3. Określ nową nazwę filtrowanych danych (dołączając ciąg "_filtered" do istniejącej nazwy zestawu danych). Zaznacz pole wyboru, aby zapisać dane jako plik i użyj tej samej nazwy pliku. Kliknij przycisk OK, aby zaakceptować.
   2. Usuń wszelkie dane, które znajdują się przed pierwszym markerem EEG lub po ostatnim markerze EEG - pamiętając o wszelkich opóźnieniach w rejestrowaniu markerów EEG. Zapisz opóźnienie (czas) znacznika wskazujące rozpoczęcie rejestrowania danych oraz opóźnienie znacznika wskazujące koniec danych. Zapisz zestaw danych pod nową nazwą jako punkt przywracania.
      1. Wartości opóźnienia można znaleźć na ekranie "Edytuj wartości zdarzeń - pop_editeventvals()"; naciśnij przycisk ">>", aby przejść do ostatniego znacznika oznaczającego koniec danych EEG. Nie trzeba akceptować żadnych zmian, więc po zarejestrowaniu wartości kliknij przycisk Anuluj.
      2. Kliknij przycisk Edytuj > Wybierz dane.
      3. Wprowadź wartości opóźnienia początkowego i końcowego (czasu) oddzielone spacją w polu "Zakres czasu [min. maks.] (s)" i kliknij przycisk OK, aby zaakceptować.
      4. Określ nową nazwę przyciętych danych (dołączając ciąg "_cropped" do istniejącej nazwy zestawu danych). Zaznacz pole wyboru, aby zapisać dane jako plik i użyj tej samej nazwy pliku. Kliknij przycisk OK, aby zaakceptować.
   3. Odrzucanie sekcji danych z dużymi artefaktami. Poniższe kroki opisują, jak zrobić to ręcznie podczas wizualnej kontroli danych. Uwaga: usunięcie danych spowoduje również artefakty^34,35.
      1. Znormalizuj dane w każdym kanale (usuń średnią i umieść każdy kanał na tej samej skali). Usuń również przesunięcie kontrolera domeny (zmienia to dane, ale nie wizualizację).
         1. Kliknij przycisk Drukuj > Dane kanału (przewiń).
         2. Kliknij Ustawienia > Zakres czasu do wyświetlenia.
         3. Określ zakres czasu (np. 30 sekund), który ma być pokazany na wykresie w polu "Nowa długość okna (s):". Zakres czasowy jest oparty na czasie między znacznikami problemów w danej fazie (lub w ramach dwóch faz problemu przestrzennego). Zakres czasu może być oparty na maksymalnym, minimalnym lub średnim czasie między znacznikami.
         4. Kliknij przycisk "Norma", aby znormalizować dane na wykresie (jest to tylko kosmetyczne i nie zmienia danych bazowych).
         5. Kliknij opcję Wyświetl > usuń odsunięcie DC, aby usunąć odsunięcie DC na wykresie (jest to tylko kosmetyczne i nie zmienia danych bazowych).
      2. Usuń duże artefakty, które nie powtarzają się regularnie w czasie.
         1. Zaznacz wszystkie nietypowo wyglądające dane artefaktu. Po zaznaczeniu wszystkich danych artefaktów kliknij przycisk Odrzuć.
            Uwaga: Mogą one pojawiać się jako nienormalnie wysokie lub szerokie szczyty w danych — w jednym lub wielu kanałach — lub jako długie trendy, które pojawiają się w niewielkiej liczbie kanałów. Dane są podejrzane, jeśli dane z oddzielnych kanałów wydają się przecinać na wykresie. Reprezentują one artefakty, które nie są częścią spektrum fal mózgowych i najprawdopodobniej reprezentują ruch mięśni uczestnika lub węzła (węzłów) o słabej łączności. Wszystko, co przypomina falę prostokątną, nie jest reprezentatywne dla aktywności ludzkiego mózgu.
      3. Zapisz zestaw danych pod nową nazwą jako punkt przywracania.
         1. Kliknij pozycję Plik> Zapisz bieżący zestaw danych jako.
         2. Określ nową nazwę przyciętych danych (dołączając ciąg "_manRej" do istniejącej nazwy zestawu danych). Kliknij przycisk Zapisz, aby zaakceptować.
      4. Jeśli dany kanał wydaje się być wadliwy, usuń z niego dane pojedynczo. Stanowi to dużą utratę danych, więc należy to robić z dużą ostrożnością. Spójrz na dane z kanału w długim okresie czasu, ponieważ często rozliczają się one z czasem i dostarczają przydatnych danych.
   4. Przeprowadź niezależną analizę składowych (ICA) i wybierz najlepsze reprezentacje aktywności fal mózgowych.
      Uwaga: Pomaga to w usuwaniu zestawów powtarzających się artefaktów w danych. Te zestawy zawierają artefakty, które będą pojawiać się wiele razy w mniej więcej regularnych odstępach czasu z powtarzającym się kształtem. Zazwyczaj są one wynikiem funkcji biologicznych, takich jak mruganie lub puls - z których każda będzie miała swój własny zestaw.
      1. Odwzoruj dane oddzielone ICA na reprezentację czaszki na podstawie montażu. Odrzuć wyniki związane z mruganiem, pulsem lub napięciem mięśniowym - które często pojawiają się w wynikach ICA jako obszary nacisku odpowiednio nad oczami, w pobliżu skroni lub nad uszami. Odrzuć każdy element, który pokazuje, że cała czaszka jest zaangażowana, ponieważ nie jest reprezentatywny dla aktywności mózgu (patrz ryc. 4). ³⁵ Zaakceptuj inne wyniki (patrz rysunki 5–6).
         1. Kliknij pozycję Narzędzia > uruchom ICA.
         2. Wybierz domyślny (runica) algorytm ICA. Kliknij przycisk OK, aby zaakceptować.
         3. Kliknij opcję Drukuj > Właściwości komponentu.
         4. Wybierz indeksy składowych (14 kanałów elektrod EEG załadowanych do pamięci) i opcje spektralne. Tak jak poprzednio, dolna krawędź ma częstotliwość 0,1 Hz, a górna krawędź 59 Hz. Kliknij przycisk OK, aby zaakceptować wpisy.
         5. W oknie Akceptuj/Odrzuć kliknij przycisk Akceptuj, aby zmienić status na Odrzuć (i kliknij go ponownie, aby zmienić go z powrotem na Akceptuj). Kliknij przycisk OK, aby zarejestrować etykietowanie Akceptuj/Odrzuć.
      2. Wykreśl dane oddzielone ICA na kolorowym wykresie 2-W. Odrzuć wyniki, które wydają się smugowe, puste lub usiane nieciągłościami, a następnie zapisz zestaw danych pod nową nazwą jako punkt przywracania (patrz rysunki 5–6).
         1. W oknie Akceptuj/Odrzuć kliknij przycisk Akceptuj, aby zmienić status na Odrzuć (i kliknij go ponownie, aby zmienić go z powrotem na Akceptuj). Kliknij przycisk OK, aby zarejestrować etykietowanie Akceptuj/Odrzuć.
         2. Kliknij Narzędzia > Usuń komponenty — aby faktycznie usunąć dane oznaczone wcześniej jako odrzucone.
         3. Kliknij przycisk OK, aby kontynuować. Indeksy komponentów zarejestrowanych do odrzucenia są wyświetlane w oknie "Usuń komponenty".
         4. Kliknij przycisk Akceptuj w oknie "Potwierdzenie", aby kontynuować usuwanie danych.
         5. Określ nową nazwę oczyszczonych danych (dołączając ciąg "_manRejPruned" do istniejącej nazwy zestawu danych). Zaznacz pole wyboru, aby zapisać dane jako plik i użyj tej samej nazwy pliku. Kliknij przycisk OK, aby zaakceptować.
            Uwaga: Smugi, które trwają dłużej niż 0,5 sekundy, są uważane za uzasadnione do odrzucenia. W zależności od tego, jak dobre wydają się być inne zestawy danych, może być konieczne wykorzystanie względnej "dobroci" – pożądane jest zachowanie co najmniej połowy komponentów. Dobre wyniki są często reprezentowane przez ciągłe gradacje na kolorowym wykresie 2-D Continuous Data³⁴.
4. Usuń wartości graniczne pozostawione w danych. Zapisz zestaw danych pod nową nazwą jako punkt przywracania.
   1. Kliknij Edytuj > Wartości zdarzenia.
   2. Przewiń wydarzenia i kliknij przycisk Usuń zdarzenie, jeśli typem zdarzenia jest granica. Po usunięciu wszystkich kliknij przycisk OK.
   3. Określ nową nazwę danych z usuniętymi granicami (dołączając ciąg "_deleteBoundaries" do istniejącej nazwy zestawu danych). Kliknij przycisk Zapisz, aby zaakceptować. Użyj tego samego wyboru pozycji menu, co poprzednio, aby przejść do tego ekranu (patrz krok 6.3.3.3.1).
5. Oblicz wskaźniki mocy bezwzględnej dla każdego typu ćwiczenia. Jest to transformacja logarytmiczna oparta na mocy oparta na pomiarze mikrowoltów i czasie — obliczona dla każdego pasma częstotliwości (Delta, Theta, Alfa, Beta i Gamma). ^{22 Rozdział 22}
   1. Podziel dane na bloki, używając znaczników wskazujących początek i koniec każdego zadania.
      1. Kliknij Edytuj > Wybierz dane za pomocą zdarzeń.
      2. Wykorzystaj odpowiednie ramy czasowe dla każdego typu zadania. Określ ramy czasowe okresów odpoczynku na podstawie czasu trwania okresu odpoczynku. W przypadku problemów przestrzennych (które są w przybliżeniu podobne pod względem czasu trwania) należy użyć średniego czasu trwania wszystkich zadań przestrzennych lub maksymalnego czasu trwania wszystkich zadań przestrzennych. W przypadku zastosowanych problemów (np. statyka inżynierska) określ średni czas trwania każdego problemu. Zapisz zestaw danych pod nową nazwą jako punkt przywracania.
         1. Wprowadź typ znacznika w polu "Typ(y) zdarzenia ([]=wszystkie)" (np. typ znacznika 50 został użyty do oznaczenia zdarzeń odpoczynku). Zdarzenia odpoczynku miały w tym przypadku czas trwania 120 sekund, więc wprowadź "1 120" jako tablicę limitów czasu. Kliknij przycisk OK, aby zaakceptować.
         2. Określ nową nazwę danych zdarzenia (w tym przypadku dołączając ciąg "_rest" do istniejącej nazwy zestawu danych). Zaznacz pole wyboru, aby zapisać dane jako plik i użyj tej samej nazwy pliku. Kliknij przycisk OK, aby zaakceptować.
            Uwaga: Jeśli zastosowane porcje można zmniejszyć, tak aby zajmowały mniej więcej tyle samo czasu, co zadania przestrzenne, należy użyć tego samego rozmiaru przedziału czasu, co zadania przestrzenne. Ponieważ EEG jest miarą wrażliwą na czas, im dokładniejsze są epoki czasowe dla każdego stanu, tym mniej zagmatwane są dane na końcu (tj. liczba próbek pobranych dla każdego stanu będzie bardziej spójna).
6. Porównaj wyniki w celu ostatecznej analizy.
   1. Oblicz wartość procentową dla każdego fragmentu w stosunku do podstawowych pomiarów spoczynku. Zobacz plik z kodem uzupełniającym oraz tabele 1–8.
      1. Otwórz skrypt Absolutepower w programie MATLAB i kliknij przycisk Uruchom, aby uruchomić skrypt na danych załadowanych w obszarze roboczym w kroku 6.6 (np. pozostałe dane).
      2. Wybierz dane absolutepowermatrix w obszarze roboczym MATLAB w celu przesłania ich do programu arkusza kalkulacyjnego (np. MS Excel).
   2. Powtórz kroki 6.5 - 6.6.1.2 dla każdego typu ćwiczenia/markera.
   3. Porównaj wyniki z podobnymi ramami czasowymi (np. zadaniami przestrzennymi), aby uzyskać wgląd we względną trudność.
   4. Porównaj wyniki wszystkich uczestników, aby zidentyfikować osoby osiągające lepsze względne wyniki w porównaniu z osobami osiągającymi gorsze wyniki w ocenianych umiejętnościach. Uwaga: Osoby osiągające wysokie wyniki mogą wykazywać bardzo niewielki wzrost aktywacji beta w stosunku do poziomu wyjściowego, podczas gdy osoby osiągające słabe wyniki mogą wykazywać wzrost rzędu 70%^21-26.

Results

W tej sekcji poprzednie kroki są zilustrowane przykładowymi rysunkami zgodnie z poniższym opisem. Nie przedstawiono pełnych podsumowań danych wraz z testami statystycznymi, ponieważ celem niniejszego artykułu jest skupienie się na metodach. Przykłady potencjalnych problemów PSVT:R, MCT i przestrzennych przedstawiono odpowiednio na rysunku 1, rysunku 2 i rysunku 3.

Czepek EEG będzie zbierał aktywację mózgu poprzez potencjały elektryczne dla każdego danego kanału, który można oglądać ró...

Discussion

W protokole omówiono zastosowanie elektroencefalografii do pomiaru aktywności mózgu u uczestników, którzy rozwiązują problemy związane z dwoma typowymi instrumentami zdolności przestrzennych i wysoce przestrzennymi problemami statycznymi. Opisane tutaj metody mogą ostatecznie pomóc w zrozumieniu wydajności neuronalnej osób o wysokich i niskich wynikach zaangażowanych w pracę nad tymi problemami. Ważne jest, aby zrozumieć wszelkie różnice w wydajności neuronalnej studentów inżynierii pracujących nad MCT i PSVT:R, ponieważ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Emotiv EPOC Model 1.0	Emotiv	Model: Emotiv Premium	"Wielokanałowy, przenośny system EEG o wysokiej rozdzielczości."
Panel sterowania Emotiv (oprogramowanie)	Emotiv		Służy do zbierania danych.
Emotiv Testbench (oprogramowanie)	Emotiv		Służy do zbierania danych.
Emulator wirtualnego portu szeregowego - VSPE (oprogramowanie)	ETERLOGIC.COM		Używany COM10 do zbierania danych. Dostępne do pobrania za darmo, w zależności od systemu operacyjnego.
E-Prime 2.0 (oprogramowanie)		programowe psychologii	Służy do zbierania danych (prezentacja problemów uczestnikom i zbieranie markerów dla różnych faz).
EEGLab 13.4.4b (oprogramowanie)	Swartz Center for Computational Neuroscience (SCCN)		Służy do analizy danych. "Środowisko open source do elektrofizjologicznego przetwarzania sygnałów". SCCN jest centrum Instytutu Obliczeń Neuronowych Uniwersytetu Kalifornijskiego w San Diego.
MATLAB R2014b	Fabryka Matematyki, Inc.		Służy do uruchamiania EEGLab
Microsoft Excel 2013	Microsoft		Służy do zestawiania i porównywania tabelarycznych wyników z EEGLab & MATLAB, do tworzenia tabel
Kamera z wbudowanym mikrofonem	Canon	CNVHFR50	Służy do nagrywania sesji
Zestaw strzykawek (strzykawka 5 cc i igły 16 G x 2)	Electro-Cap Intnl. Inc.	E7	Do utrzymywania wilgoci w nasadce EEG.
Nuprep EEG Skin Prep Gel	Weaver and Company	10-30	Do czyszczenia wyrostka sutkowatego.
Środek odkażający	Purell	S-12808	Do dezynfekcji rąk