Waiting
Login processing...

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

Behavior

Unter Verwendung Elektroenzephalographie Messungen zum Vergleich der Aufgabenspezifische Neural Gelegenheit: Spatial Intelligence-Aufgaben

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

Dieses Manuskript beschreibt einen Ansatz neuronale Aktivität des Menschen zu messen, während räumlich fokussierte technische Probleme zu lösen. Die Elektroenzephalographie Methodik hilft in Bezug auf die neuronale Effizienz, mit dem Ziel, letztlich ermöglicht Vergleiche der Aufgabenleistung sowohl zwischen Problemtypen und zwischen den Teilnehmern Beta Gehirnwellen-Messungen interpretieren.

Abstract

Räumliche Intelligenz wird oft zum Erfolg in der Ingenieurausbildung und Ingenieurberufen verbunden. Die Verwendung von Elektroenzephalographie ermöglicht vergleichende Berechnung des Einzelnen neuronale Effizienz, wie sie aufeinanderfolgende Aufgaben, die das räumliche Vorstellungsvermögen abzuleiten Lösungen durchführen. Neuronale Effizienz ist hier als mit weniger Beta-Aktivierung definiert, und damit weniger neuronale Ressourcen aufwenden, um eine Aufgabe im Vergleich zu anderen Gruppen oder andere Aufgaben zu erfüllen. Für Inter-Task-Vergleiche von Aufgaben mit ähnlichen Laufzeiten können diese Messungen einen Vergleich der Aufgabentyp Schwierigkeiten ermöglichen. Für den inner Teilnehmer und Inter-Teilnehmer-Vergleiche liefern diese Messungen Potenzial Einblick in die Ebene des Teilnehmers der räumlichen Fähigkeiten und unterschiedliche technische Problemlösungsaufgaben. Leistung auf den ausgewählten Aufgaben analysiert und mit Beta-Aktivitäten korreliert werden. Diese Arbeit stellt einen detaillierten Forschungsprotokoll, das neuronale Effizienz von Studenten eng studierenbei der Lösung von typischen räumlichen Fähigkeit und Statiken Probleme im Alter. Studenten abgeschlossen spezifischen Probleme des Mental-Test Cutting (MCT), Purdue Räumliche Visualisierung Test von Verdrehungen (PSVT: R) und Statiken. Während bei der Lösung dieser Probleme beschäftigt, Teilnehmer Gehirnwellen wurden gemessen mit EEG-Daten werden gesammelt in Bezug auf Alpha- und Beta-Gehirnwellen-Aktivierung und Nutzung zu ermöglichen. Die Arbeit sieht mit räumlich intensive Engineering-Aufgaben funktionale Leistung auf reinen räumlichen Aufgaben zu korrelieren, die Wege für eine erfolgreiche Leistung in der Technik und die daraus resultierenden Verbesserungen in der Ingenieurausbildung zu identifizieren, die folgen.

Introduction

Räumliche Fähigkeit ist entscheidend für Wissenschaft, Technologie, Ingenieurwesen und Mathematik (STEM) Felder und Bildung und korreliert mit Erfolg in diesen Bereichen 1,2,3. Daher ist es wichtig , die Entwicklung , wie das räumliche Vorstellungsvermögen Auswirkungen Problemlösung 4 zu verstehen. Räumliche Fähigkeit wurde Interesse verknüpft 5, Leistung 6, Erfolg in Ingenieurwissenschaftler 7 und Erfolg in Engineering - Profis 8. Allerdings gibt es nicht viel Arbeit angibt, spezifische neuronale Prozesse in Probleme typisch für viele räumliche Fähigkeit Instrumente zu lösen, noch spezifische technische Inhalte, die sehr räumliche ist.

Dieses Dokument bietet eine Einführung in die Methoden der Datenerhebung und Analyse der räumlichen Fähigkeit Instrument Noten kombiniert mit neuronalen Messungen verwendet. Die Absicht mit JoVE Veröffentlichung ist diese Methoden besser zugänglich zu einem breiteren Publikum zu machen. Allgemeine öffentliche Hardware- und Software-were in dieser Studie verwendet. Als Methodenpapier sind die vollständigen Ergebnisse / Datensätze nicht berichtet, noch sind vorgesehen, mehrere Proben. Alle Bilder wurden speziell für diese Veröffentlichung erfasst. Die Methoden , die unten detailliert wurden bei der Vorbereitung eines vorläufigen Konferenzbericht 9 basierend auf Daten von acht College - Student im zweiten Jahr Alters Teilnehmer genutzt, von denen drei weiblich.

Viele von ihnen sind die bestehenden Instrumente verwendet, um Ebenen der Raum Fähigkeit eigen oder gelernt von Einzelpersonen an. Zwei gültige und zuverlässige 10,11 Instrumente , die häufig verwendet werden , sind die Mental Schneidetest (MCT) 12 und der Purdue Räumliche Visualisierung Test von Verdrehungen (PSVT: R) 13. Während ursprünglich berufs 14 entworfen testen diese Instrumente verschiedenen Phasen der Raumentwicklung Visualisierung von Piagets Theorie 10,15 beschrieben. Die Verwendung dieser Instrumente schafft eine Notwendigkeit, die zugrunde liegenden physiologischen kognitiven Phänomene zu verstehen existing, wenn Menschen arbeiten diese Probleme durch. Aus diesem Grund soll diese Studie Methoden unter Verwendung von empirischen physiologischen Daten zu präsentieren, die letztlich die Analyse und das Verständnis der räumlichen Denkens verbessern kann, bestehende Metriken Testfunktionen überprüfen und erhöhen die Anwendbarkeit der räumlichen Beurteilungen auf komplexere Probleme typisch für die Ingenieurausbildung. Viele dieser Probleme können in der Technik Statiken auftreten.

Statiken ist eine grundlegende Mechanik natürlich für die meisten Studenten der Ingenieurwissenschaften geliefert (z. B. biologische, mechanische, Bau, Umwelt, Luftfahrttechnik) 16,17. Es ist eines der ersten umfassenden Problemlösung Erfahrungen , die Studenten 18 in Kerntechnik Inhalt gegeben werden. Statiken beinhaltet die Untersuchung der Wechselwirkung von Kräften auf einem starren Körper, der in Ruhe ist oder mit einer konstanten Geschwindigkeit bewegt. Leider hat Statiken hohe Abbrecherquote, Rückzug, und Ausfallraten (14% wie in den inves gesehentigated University), und dies kann zu traditionellen Vorlesung und Lehrplan Delivery-Modelle in Beziehung gesetzt werden, die wichtige Möglichkeiten der Unterstützung auslassen wie räumlich verbesserte Ansätze zur Bildung. räumlich verbesserte Ansätze in Statiken Zum Beispiel kann die Visualisierung von Ziel wie Kräfte außerhalb der typischen analytischen Analyse interagieren und mit geerdeten Konzeptualisierung Studenten prozedurales Wissen verstärken. Die Wirksamkeit solcher Interventionen muss von einer kognitiven neurowissenschaftlichen Perspektive untersucht werden.

Elektroenzephalographie (EEG) stellt eine einzigartige und mobile Methode der Schüler Gehirnströme messen. Einzelpersonen Durchführung von Aufgaben , die Beta - Aktivierung entlocken sind in der Regel sehr mit der Aufgabe beschäftigt Besonderheiten und sind sehr aufmerksam, was sie 19,20 tun. Als Aufgabe verlangt Erhöhung, die Amplitude der Beta-Welle erhöht, da die Größe der kortikalen Bereich tut belegen die Bandbreite Frequenzen. Je mehr Neuronen, die Feuer indie Beta-Frequenzbereich (alpha: 8 - 12 Hz, Beta: 12 - 24 Hz) als größer Beta Leistung definiert werden. Im Zusammenhang damit als ein erfahrener in einer Aufgabe wird, nimmt die Amplitude von Beta-Wellen, weniger beta Leistung erzeugt. Dies ist Teil der neuralen Effizienz Hypothese 21-28, in denen größere Aufgabe Erfahrung beim Durchführen einer Aufgabe zu einer Abnahme der Frequenzleistung in Beziehung steht. Und anwendbare Daten wurden in der alpha, beta identifiziert, und Theta - Bands 27-33 - - Alpha und Beta - Banden wurden beobachtet für dieses Obwohl EEG wurde (für die mentale Rotation und Raumnavigationsaufgaben oft) in der Studie der räumlichen Fähigkeiten bisher verwendeten Studie und beta wurde für eine weitere repräsentative Analyse in diesem Papier und in der vorläufigen Konferenzbericht 9 ausgewählt. Die Verfahren, unter somit den Schwerpunkt auf die Beta-Band-Analyse, sondern eine Untersuchung aller drei Bänder in Abhängigkeit von den erfassten Daten wird in Zukunft zu empfehlen.

Dasneuronale Effizienz Hypothese wurde auf verschiedene Aufgaben getestet, darunter Schach, visuospatial Speicher, balancieren, und Ausruhen. Alle haben zu einer verminderten Frequenzleistung Aufgabe Erfahrung als Faktor angezeigt, wenn bekannte Aufgaben ausführen. Eine besondere Studie 25 hat Beweise vorgelegt , dass, obwohl die Intelligenz einer Person (wie durch IQ gemessen) kann helfen , die individuellen Fähigkeiten zu erwerben , eine Aufgabe auszuführen, die Erfahrung mit der Aufgabe überwiegt Intelligenz in ihrem Beitrag zur neuronalen Effizienz. Mit anderen Worten, je mehr erfahren eine Person ist, desto effizienter neural er oder sie wird.

Bestehende neuralen Effizienzstudien räumliche Vorstellungsvermögen beteiligt haben in erster Linie auf die räumliche Drehung fokussiert und unterschiedliche Problemstellungen verwendet wurden unterschiedliche Populationen zu vergleichen (zB., Männlich / weiblich) 27-28. EEG - Studien der räumlichen Fähigkeit , Aufgaben haben auch Einsicht zur Verfügung gestellt von Leistung zu anderen Aufgabentypen zu vergleichen (z. B. verbale Aufgaben)27,29,30. Die Verfahren in diesem Dokument diskutiert Fokus auf und vergleichen Probleme aus dem MCT, PSVT: R, sowie statische Gleichgewicht Aufgaben, die das räumliche Vorstellungsvermögen verbunden sind, sind jedoch nicht auf die räumliche Drehung und Navigation beschränkt. Andere räumliche Aufgaben können anstelle der als Beispiele in diesem Manuskript gegeben diejenigen verwendet werden. Auf diese Weise kann in der Zukunft in Bezug auf verschiedene Populationen zusätzliche Erkenntnisse gewonnen werden (zB., Männlich / weiblich oder Experte / Anfänger) , um letztendlich helfen Engineering Bildungspraktiken zu verbessern.

In dem Bemühen, das räumliche Vorstellungsvermögen und Engineering-Fähigkeit zu untersuchen, haben wir ein Protokoll unter Verwendung von EEG-Messungen entwickelt, um die Beta-Welle Aktivierungen von geringer Leistung zu hochleistungsfähigen Teilnehmer während einer begrenzten Batterie von spezifischen räumlichen und technischen Aufgaben zu identifizieren. In diesem Fall ist der Begriff Leistungsträger im Zusammenhang mit der Leistung des Teilnehmers und ist nicht repräsentativ für die Menge an Zeit in dem Bereich durch das verbrauchteLernende, da alle Teilnehmer bei etwa der gleichen Stelle in ihrer Ausbildung waren. Darüber hinaus beteiligt das Problem Set ist sehr spezifisch und Grund; so werden die Begriffe "Experte" oder "hohe Leistung" hier darf nicht im Sinne eines Sachverständigen eingesehen werden, professionell beschäftigt Ingenieur, sondern repräsentieren nur eine hohe Leistung in diesem schmalen Scheibe Technische Mechanik Lehrplan und das räumliche Vorstellungsvermögen Instrumente. Die neuronalen Messungen können auch alle Brutto-Trends für die Aufgabentypen als andere kognitive Ressourcen rekrutieren können, zu ermitteln verwendet werden, wobei mögliche Interpretation bezüglich Schwierigkeitsgraden. Diese Informationen können möglicherweise Einblick in künftige Bewertung und Intervention in Bezug auf das räumliche Vorstellungsvermögen. Andere zukünftige Einsicht kann durch Berücksichtigung spezifischer Regionen des Gehirns abgeleitet werden, die aufgrund der begrenzten Anzahl von Kanälen in dieser Studie nicht möglich war, in dem EEG-Hardware verwendet.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Ethische Hinweis in Bezug auf Verwendung von menschlichen Teilnehmer

Die Verfahren in diese Arbeit einbezogen wurden vom Institutional Review Board (IRB) an der Utah State University für das Studium der menschlichen Probanden zugelassen. Es wird empfohlen, eine ähnliche Arbeit sollte auch von der jeweiligen IRB zugelassen werden. Teilnehmer erlaubt zu stoppen oder aus der Studie zu jeder Zeit während des Experiments zurückziehen.

1. Auswahl der Teilnehmer

  1. Wählen Sie die Teilnehmer auf freiwilliger Basis von Studenten derzeit in einem Statiken Kurs eingeschrieben. Stellen Sie sicher, dass die Teilnehmer zuvor auf den Statiken Inhalt ausgesetzt waren sie während der Studie sehen.
    Hinweis: Im Idealfall Teilnehmer Kontakt mit dem Material über Vortrag mindestens vier Wochen vor der Teilnahme an der Studie haben sollte, so dass es Zeit für die Konsolidierung von Konzepten und Entwicklung von Differentialleistungsniveaus ist.
  2. Führen Rekrutierung folgenden alle IRB-Protokolle. Erklärenalle Verfahren und Einschränkungen für potenzielle Teilnehmer im Detail. Beschreiben Sie den Umfang künftiger Kontakt und wie die Ergebnisse der Studie veröffentlicht werden können, und / oder an die Teilnehmer zur Verfügung gestellt. Definieren Sie eine Entschädigung für die Teilnahme an der Studie teil. Wenn ein Freiwilliger in der Studie einschreiben wählt, bieten ihm oder ihr mit einem doppelt codierten Identifikationscode nur bekannt und durch den Principal Investigator gesteuert.
    Hinweis: Bestimmte Bevölkerungs Rekrutierung werden statistische Analysen erfordern die statistische Aussagekraft der Probe und Anzahl der erforderlichen Teilnehmer zu überprüfen, individuelle Unterschiede in der Gehirnwellen-Daten zu analysieren. Wenn die Forscher eine vergleichende Studie zwischen den Populationen zu führen wünscht, sollte eine Leistungsanalyse durchgeführt werden, um geeignete Teilnehmer Gruppengrößen für beide Populationen entwickeln.
  3. Wählen Sie Aktivitäten oder Probleme, die repräsentativ für die Erfahrungen für die Teilnehmer gewünscht.
    Hinweis: In diesem Protokoll, College-Student-Level-EngineeringStudenten in einem Statiken Kurs eingeschrieben wurden ausgewählt. Die Tätigkeit als relevant waren Probleme von Einführungs Statiken Inhalt sowie zwei häufig verwendete räumliche Fähigkeit Instrumente: Mental Schnittebene Test (MCT) und der Purdue Räumliche Visualisierung Test (PSVT-R). Jedes Gerät testet verschiedene Konstrukte räumliches Vorstellungsvermögen und die Höhe der Raumentwicklung in diesem ausgewählten Studierenden.
  4. Stellen Sie einen Kalender, die die Laborsitzungen für die Teilnehmer zu organisieren.

2. Herstellung von Instrumenten

  1. Stellen Sie die EEG-Headsets bis (aka Caps) pro Anweisungen des Herstellers. Füllen Sie diese Vorbereitung, bevor die Teilnehmer für die Studie ankommt. Um es zu wiederholen, ist dieses Verfahren spezifisch für allgemeine Mobile Headsets wie Emotiv, im Gegensatz zu medizinischer Qualität EEG-Setups.
    1. Laden Sie die EEG-Headsets - idealerweise mindestens eine 1-Stunden-Ladung pro Sitzung. Für eine regelmäßig verwendeten Labor, haben mindestens zwei Headsets ein Ladet alle Zeiten.
    2. Legen Sie alle benötigten Flüssigkeiten in einem zugänglichen Bereich, einschließlich der Flüssigkeit zur Dämpfung der EEG - Elektroden (z. B. Wasser) und ein Scheuermittel für die Gewährleistung guter Kontakt für die EEG - Referenzknoten.
    3. Legen Sie die Filze in jedes Gehäuse (die Goldkontakt gewährleistet in jedem Gehäuse fest sitzt). Tränken Sie die Filze mit dem dämpfenden Flüssigkeit mit einer Spritze. Lassen Sie angefeuchteten Elektroden zur Ruhe.
  2. Richten Sie alle erforderlichen Videokameras Teilnehmer Verhalten zu messen. Für das aktuelle Protokoll, verwenden Sie zwei Videokameras pro Teilnehmer. Nachjustieren Kameras, sobald der Teilnehmer an Ort und Stelle ist. Achten Sie darauf, dass das Video mit Zeitstempel ist.
    1. Konzentrieren Sie eine Kamera auf das Gesicht des Teilnehmers, wenn dem Ziel, Mimik zu erfassen und qualitativ hochwertige Audio erhalten.
    2. Konzentrieren Sie die andere Kamera auf den Bereich vor der Teilnehmer Handbewegung zu erfassen, einschließlich Handschrift Aktionen (wenn Handschrift zu erwarten ist, stellen Sie sicher, ein Schreiben zu verwenden, instrument, die dunkel und / oder dick genug von der Kamera erfasst werden soll), und genug von dem Computermonitor Einblick.Kanäle darüber, welche Aufgabe zu welchem ​​Zeitpunkt wird gelöst.
    3. Schalten Sie den Computer und stellen Sie sicher, dass die Software auf ist brainwave Daten aufzuzeichnen. Stellen Sie sicher, dass alle Software und Datenerfassungsgeräte ausreichend für die Datenerfassung sind Schnittstellen.

3. Vorbereitung der Studienteilnehmer und Sitzungsbeginn

  1. Überprüfen Sie den Erhalt der dokumentierten Zustimmung der Teilnehmer pro IRB-Vereinbarung oben diskutiert. Beantworten Sie alle Fragen, die die Teilnehmer vor, um die Studie beginnen. Erinnern Sie die Teilnehmer, dass erhobenen Daten werden von ID-Code referenziert werden und es wird keine identifizierenden Informationen, die die Daten an den Teilnehmer bindet, und dass sie jederzeit zurückziehen kann.
  2. Bitten Sie jeden Teilnehmer eine Demografie-Umfrage vor der Teilnahme an der Studie auszufüllen. Diese Umfrage kann fragen nach Geschlecht, einge, frühere Erfahrungen, die ihre Fähigkeiten in der Studie beeinflussen können (z. B. Vergangenheit Engineering oder räumlich Intensivkurse, das räumliche Vorstellungsvermögen zu verbessern Hobbys und Fragen in Bezug auf Ausschlusskriterien wie Schädel - Hirn - Verletzungen , die sie erlitten haben, welche Hand sie benutzen).
    1. Ausschließen Teilnehmer aus der Gruppe von Freiwilligen für die Analyse EEG, wenn eine der folgenden Bedingungen erfüllt sind: (a) Der Teilnehmer ist linkshändig oder beidhändig, zu steuern, um für Gehirn laterality confounds; (B); das Individuum in den Labor-Sitzungen aufgrund einer körperlichen Behinderung nicht teilnehmen; oder (c) der einzelnen schweren Hirnverletzung erlitten. Benachrichtigen Sie potenzielle Teilnehmer dieser Einschränkungen während des Einstellungsprozesses oder so früh wie möglich die Ausgaben unnötig Zeit und Ressourcen zu vermeiden.
  3. Bei der Ankunft sorgen die Teilnehmer bequem und lösen alle verbleibenden Fragen oder Bedenken.
    1. Demonstrieren Sie die Spritze verwendet, um zu sättigen dieKnoten und zu erklären, dass es nur die EEG-Filze feucht zu halten, verwendet werden. Wenn der Teilnehmer eine extreme Angst vor Nadeln hat, sollten andere Vorsichtsmaßnahmen Umsetzung (z. B. die Spritze aus ihrer Fokusebene zu halten , wenn die Filze wieder Benetzung).
    2. Bitten Sie den Teilnehmer keine Elektronik von ihrer Person zu entfernen.
  4. Legen Sie die EEG-Headset auf dem Teilnehmer.
    1. Überprüfen Sie die Filze für Feuchtigkeit und legen Sie die Filz / Gehäuse-Kombinationen in die EEG-Headset.
    2. Reinigen Sie die Referenzpunkte (z. B. mastoid Prozess) des Teilnehmers mit dem Scheuermittel. Wischen Sie alle Rückstände entfernt.
    3. Legen Sie das Headset auf den Teilnehmer mit den Referenzknoten in geeigneter Weise mit den Bezugspunkten ausgerichtet. Sie nicht übermäßig die Arme des Headsets biegen. Lassen Sie eine Lücke zwischen dem Referenzknoten und der Rückseite des Ohres, um nicht Beschwerden verursachen, und richten und Raum das Headset in geeigneter Weise mit dem Kopf des Teilnehmers.

4. Software-Ausführung innerhalb der Session

  1. Starten Sie die EEG-Logging-Software. Stellen Sie sicher , dass eine gute Verbindung zwischen dem Protokollierungsgerät vorhanden ist (z. B. Personal Computer) und EEG - Headset durch Überprüfung , dass alle Kanäle an der Protokollierungsvorrichtung angezeigt werden. Überprüfen Sie, ob alle Kanäle zunächst ein ähnliches Verhalten mit niedriger Amplitude Schwingungen anzuzeigen. Überprüfen Sie die EEG eine gute Verbindung mit dem Teilnehmer zu gewährleisten - die Wiederbenetzung und die Anpassung der Filze, um konsistente Muster auf dem Logeinrichtung erreichen - sofort die Ruhezeiten vor und vor dem Beginn eines jeden neuen Problemtyp.
    Hinweis: Das EEG arbeitet bei 128 Hz. Elektrookulographie wurde nicht aufnehmen Augenbewegung und Linked-Ohr Referenz wurde nicht verwendet.
  2. Weisen Sie den Teilnehmer, wie still und ruhig wie möglich während der Aufgabe Übungen zu bleiben.
  3. Starten Sie den Task-Präsentations-Software.
    Hinweis: Während der Datenerfassung, die alle Vor-geplante visuelle Kommunikation mit dem Teilnehmer erfolgt über den Computer-Monitor. In diesem Fall erscheint eine Reihe von räumlichen und technischen Problemen auf dem Computerbildschirm, und die Teilnehmer werden gebeten, sie zu lösen. Richtige Antworten wurden nicht während der Datensammlung an die Teilnehmer zur Verfügung gestellt. Die Problem Bilder fortgeschrittene basierend auf Benutzereingaben, so wurde Timing basierend auf Problemlösungsdauer.
    1. Anzeige räumliches Problem Typ 1 (zB PSVT:. R - ein Multiple - Choice - Test, oder Wahr-Falsch - Rotation Probleme - siehe Abbildung 1) 13. Anmerkung: (. ZB 30 sec) Die Dauer dieser Probleme wird als Zeitbereich für die Datenanalyse verwendet werden. Fünf Probleme wurden in diesem Set enthalten.
    2. Anzeige räumliches Problem Typ 2 (zB MCT - a . Multiple - Choice - Test, oder Wahr-Falsch - mentale Schneidprobleme - siehe Abbildung 2) 12. Hinweis: Die Dauer dieser Probleme wird (zB 30 Sek.)als Zeitbereich für die Datenanalyse verwendet werden. Fünf Probleme wurden in diesem Set enthalten.
    3. Display - Engineering - Problemtyp 17 (. ZB Probleme Statiken - aufgeteilt auf bestimmte Prinzipien der Ingenieur Statiken zu konzentrieren, oder jede andere Art der angewandten Problem stellten die Hypothese räumlichen Komponenten zu haben - siehe Abbildung 3). Hinweis: Diese Probleme deutlich mehr Zeit in Anspruch nehmen die räumlichen Probleme zu lösen als. Die Zahl der Probleme der Teilnehmer gezeigt 4 bis 10 variiert.
    4. Weisen Sie die Ruhezeiten zu Beginn und das Ende der Datenerhebung - verwendet Basisdaten zu erhalten. Sicherzustellen , dass jedes von diesen die gleiche Dauer haben (z. B. 120 sec).
  4. Falls gewünscht, führen mit dem Teilnehmer eine Exit-Interview. Dies kann ihre Gedanken über die experimentelle Darstellung umfassen, die EEG-Headset, den Kommunikationsprozess im gesamten Einstellung und Vorbereitung der Teilnehmer verwendet, und / or jedes Protokoll erfordert verbale Antworten oben erwähnt. Ein validiertes Benutzer Fragebogen kann den Beteiligten zur Verfügung gestellt werden, anstatt ein Interview durchzuführen.
  5. Drehen Sie den Task-Präsentations-Software aus, die EEG-Logging-Software, entfernen Sie die EEG-Headset, und schalten Sie das Video-Aufnahmegerät aus.

5. Abschluss der Session

  1. Entlassen der Studienteilnehmer. Vielen Dank , dass Sie den Teilnehmer und ihnen einen Überblick über alle künftigen Kontakt (z. B. für das Follow-up - Interviews oder nachfolgenden Sitzungen der Studie), erklären , wie die Ergebnisse der Studie können für die Teilnehmer zur Verfügung veröffentlicht und / oder hergestellt werden und bieten alle Erfrischungen oder Zahlung (oder eine Erklärung, wie die Zahlung zur Verfügung gestellt werden) vereinbart im Rahmen der Entschädigung für die Teilnahme an der Studie teil.
  2. Übertragen von Daten-Protokolle aller erforderlichen langfristigen oder Transferspeichergeräte. Bewahren Sie die unterzeichnete Einverständniserklärung in geeigneter Weise und wie durch IRB-Protokoll bezeichnet.
  3. Entfernen Sie die Filze aus dem Headset und sanieren oder über sie zu verfügen.
  4. Bringen Sie die EEG-Elektrode Gehäuse und Kopfhörer an den richtigen Speicherort.
  5. Entsorgen Sie gebrauchte Spritzen und Müll geeignet.
  6. Zurück Flüssigkeiten geeigneten Speicherstellen.
  7. Sichern Sie das Labor, wenn nicht von anderen Forschern verwendet wird.

6. Datenanalyse

  1. Identifizieren und extrahieren Sie die Rohdaten für jeden Kanal und die Markerdaten aus den EEG-Daten-Logs. Verwenden Sie ASCII - Bit - Marker den Anfang und das Ende der Datenerhebung zu identifizieren, sowie die Übergänge zwischen verschiedenen Phasen der Datenerhebung (z. B. Problemtypen) und individuelle Probleme. Stellen Sie sicher, dass jede Phase Typ einen anderen Markerwert hat, um die Differenzierung bei der Analyse zu ermöglichen. Nennen Sie die Daten in einer Weise, die die Teilnehmer-ID-Code als Quelle verweist.
    Hinweis: EEGLAB Befehle sind defined hier, aber EEGLAB erfordert für diese Ausführung MATLAB.
    1. Klicken Sie auf Datei> Importieren von Daten> Mit EEGLAB Funktionen und Plugins> Von EDF / EDF + GDF-Dateien (BIOSIG Toolbox)
    2. Wählen Sie die entsprechende Datendatei. Klicken Sie auf Öffnen, um die Daten zu laden.
    3. Wählen Sie die Kanalliste. Klicken Sie auf OK zu akzeptieren.
    4. Geben Sie einen Datensatzname. Geben Sie einen beschreibenden Namen für die Daten, die die Quelle und das Datum der Sammlung widerspiegelt. In diesem Fall zeigt PSF1448 Daten von Teilnehmer-ID 48 im Herbst 2014.
  2. Zeichnen sie die extrahierten Daten an die Montage (dh die Anordnung der EEG - Knoten.) Nach der Montage durch die EEG - Headset Hersteller bereitgestellt Auswahl (beispielsweise ein 10 -. 20 - System). Sicherstellen, dass die Montage für die Analyse verwendeten das Layout des EEG-Headset während der Sitzung verwendeten übereinstimmt. Dies ist herstellerspezifisch.
    1. Kanal bearbeiten Standorte durch Bearbeiten> Kanal Standorte klicken.
    2. Wählen Sie Montage. In diesem Fall ist die Default Montage geeignet ist, so klicken Sie einfach auf OK zu übernehmen.
    3. Kanalinformationen Spezifikation. In diesem Fall ist der Standard angemessen, so einfach auf OK klicken zu akzeptieren.
  3. Reduzieren Sie die EEG-Kanaldaten, dass die meisten Vertreter der Aktivität des Gehirns ist, wie unten definiert.
    1. Anwenden eines Anfangs-Filter auf die Daten. Typischerweise wenden eine Hochpass-, Tiefpassfilter (mit 0,1 Hz als die des Hochpassfilters gebunden unteren und 59 Hz als obere Grenze des Tiefpassfilters). Anwenden eines Tiefpassfilters kleiner als 60 Hz entfernt das Rauschen aus dem US Stromnetz. Speichern Sie die Datenmenge mit einem neuen Namen als Punkt wiederherzustellen.
      1. Klicken Sie auf Extras> Grund FIR-Filter (neu, Standard).
      2. Set Grundfilterparameter. Set Unterkante bis 0,1 Hz, Hochkante bis 59 Hz, nicht zeichnen nicht den Frequenzgang, und klicken Sie auf OK zu übernehmen.
      3. Geben Sie einen neuen Namen für die gefilterten Daten (durch "_filtered" zu den bestehenden Datasetnamen Anhängen). Schauen Sie sich die bOchse die Daten als Datei zu speichern, und den gleichen Namen für den Dateinamen verwenden. Klicken Sie auf OK zu akzeptieren.
    2. Entfernen Sie alle Daten, die vor dem ersten EEG-Marker oder nach dem letzten EEG-Marker liegen - unter Berücksichtigung der EEG-Marker jede Latenz in der Aufnahme. Zeichnen Sie die Latenz (Zeit) des Markers, welche die Einleitung der Datenaufzeichnung und die Latenz des Markers das Ende der Daten anzeigt. Speichern Sie die Datenmenge mit einem neuen Namen als Punkt wiederherzustellen.
      1. ; - "Pop_editeventvals () bearbeiten Ereigniswerte", um die Latenzwerte in den zu finden drücken Sie die Schaltfläche ">>" auf die endgültige Markierung zu gehen, um das Ende des EEG-Daten bedeutet. Keine Änderung akzeptiert muss, klicken Sie so Abbrechen, sobald die Werte aufgezeichnet wurden.
      2. Klicken Sie auf Bearbeiten> Daten.
      3. Geben Sie den Anfang und das Ende-Latenz (Zeit) Werte, durch ein Leerzeichen getrennt, in der "Zeitbereich [min max] (s)" Feld, und klicken Sie auf OK zu übernehmen.
      4. Geben Sie einen neuen Namen für dieabgeschnitten Daten (durch "_cropped" zu den bestehenden Datasetnamen Anhängen). Aktivieren Sie die Option, die Daten als Datei zu speichern, und verwenden Sie den gleichen Namen für den Dateinamen. Klicken Sie auf OK zu akzeptieren.
    3. Ablehnen Abschnitte von Daten mit großen Artefakte. Die Schritte enthalten unten beschreiben, wie dies manuell zu tun, während visuell die Daten inspizieren. Hinweis: das Entfernen von Daten werden auch Artefakte verursachen 34,35.
      1. Normalisieren der Daten in jedem Kanal (entfernen Sie den Mittelwert und setzen jeden Kanal auf der gleichen Skala). Entfernen Sie auch die DC-Offset (Daten verändert, nicht aber die Visualisierung).
        1. Klicken Sie auf Plot> Kanaldaten (scrollen).
        2. Klicken Sie auf Einstellungen> Zeitbereich angezeigt werden soll.
        3. Feld: Geben Sie den Zeitbereich (. ZB 30 sec) werden in die Handlung in der "New Fensterlänge (n)" gezeigt. Der Zeitbereich wird zwischen den Markierungen für Probleme innerhalb einer gegebenen Phase (oder innerhalb der zwei räumlichen Problem Phasen) auf der Zeit basiert. Der Zeitbereich kann Basis seind auf die maximale, minimale oder durchschnittliche Zeit zwischen den Markern.
        4. Klicken Sie auf die "Norm", um die Daten in der Handlung zu normalisieren (dies ist nur kosmetischer Natur ist und nicht die zugrunde liegenden Daten nicht verändert).
        5. Klicken Sie auf Anzeigen> Entfernen DC-Offset, um den DC-Offset entfernen in der Handlung (dies ist nur kosmetischer Natur ist und verändern nicht die zugrunde liegenden Daten).
      2. Entfernen Sie große Artefakte, die nicht regelmäßig im Laufe der Zeit wiederholt werden.
        1. Markieren Sie alle der abnormen aussehendes Artefakt Daten. Sobald alle Daten Artefakt markiert haben, klicken Sie auf die Schaltfläche Ablehnen.
          Hinweis: Diese als abnorm hohen oder breiten Peaks in den Daten erscheinen können - in einzelnen oder mehreren Kanälen - oder so lange Trends, die in einer kleinen Anzahl von Kanälen erscheinen. Die Daten sind suspekt, wenn Daten aus getrennten Kanälen erscheinen einander in der Handlung zu überqueren. Diese stellen Artefakte, die nicht Teil der Gehirnwellen-Spektrum sind und am ehesten repräsentieren die Bewegung der Muskeln durch den Teilnehmer oder einem Knoten (n) with schlechten Verbindungen. Alles, was eine Rechteckwelle ähnlich ist nicht repräsentativ für die menschliche Hirnaktivität.
      3. Speichern Sie die Datenmenge mit einem neuen Namen als Punkt wiederherzustellen.
        1. Klicken Sie auf Datei> Speichern der aktuellen Datensatz als.
        2. Geben Sie einen neuen Namen für die beschnittenen Daten (durch "_manRej" zu den bestehenden Datasetnamen Anhängen). Klicken Sie auf Speichern zu übernehmen.
      4. Wenn ein bestimmter Kanal als fehlerhaft angezeigt wird, entfernen Sie die Daten von ihm individuell. Dies stellt einen großen Verlust in Daten, so tun dies mit großer Vorsicht zu genießen. Blick auf die Daten vom Kanal über einen langen Zeitraum, wie es oft im Laufe der Zeit absetzt und liefert Nutzdaten.
    4. Führen Sie eine Independent Component Analysis (ICA) und wählen Sie die besten Darstellungen der Gehirnströme.
      Anmerkung: Dies hilft bei der Entfernung von Sätzen von sich wiederholenden Artefakten in den Daten. Diese Sets enthalten Artefakte, die bei mehrfach grob regelmäßigen Abständen mit einer wiederholten sha erscheinen wirdpe. Typischerweise sind sie ein Ergebnis von biologischen Funktionen wie Blinken oder Puls - von denen jeder seinen eigenen Satz haben.
      1. Karte die ICA-getrennten Daten zu einer Darstellung des Schädels auf dem Montage basiert. Ablehnen Ergebnisse mit blinkt, Puls oder Muskelspannung - die oft in den ICA-Ergebnisse als Schwerpunkte über den Augen, in der Nähe der Tempel, oder über den Ohren, jeweils angezeigt. Lehnen jede Komponente, die den gesamten Schädel zeigt , wie da sie nicht repräsentativ für die Gehirnaktivität in Eingriff ist (siehe Abbildung 4) 35 Akzeptieren Sie andere Ergebnisse (siehe Abbildung 5 - 6)..
        1. Klicken Sie auf Extras> Ausführen ICA.
        2. Wählen Sie die Standard (Runica) ICA-Algorithmus. Klicken Sie auf OK zu akzeptieren.
        3. Klicken Sie auf Plot> Komponenteneigenschaften.
        4. Wählen Sie die Komponente-Indizes (die 14 EEG Elektrodenkanäle in den Speicher geladen) und die spektralen Optionen. Nach wie vor ist der untere Rand 0,1 Hz, und die höhere Kante 59Hz. Klicken Sie auf OK, um Eingaben zu übernehmen.
        5. Im Annehmen / Ablehnen Fenster, klicken Sie auf die Schaltfläche Akzeptieren Status ändern zu verwerfen (es wieder und klicken, um es zurück Änderung zu übernehmen). Klicken Sie auf OK, um das Annehmen / Ablehnen Kennzeichnung loggt sein.
      2. Zeichnen Sie die ICA-getrennte Daten in einer 2-D-Farbplot. Ablehnen Ergebnisse , die streifig erscheinen, leer, oder mit Unterbrechungen gespickt, dann speichern Sie die Datenmenge mit einem neuen Namen als Wiederherstellungspunkt (siehe Abbildungen 5 - 6).
        1. Im Annehmen / Ablehnen Fenster, klicken Sie auf die Schaltfläche Akzeptieren Status ändern zu verwerfen (es wieder und klicken, um es zurück Änderung zu übernehmen). Klicken Sie auf OK, um das Annehmen / Ablehnen Kennzeichnung loggt sein.
        2. Klicken Sie auf Extras> Entfernen von Komponenten - um tatsächlich die Daten für die Ablehnung markiert entfernen zuvor.
        3. Klicken Sie auf OK, um fortzufahren. Die Indizes der Komponenten für die Ablehnung angemeldet sind in der "Entfernen Komponenten" Fenster angezeigt.
        4. Akzeptieren Klicken Sie im Fenster "Bestätigung" zu continue mit der Beschneidung der Daten.
        5. Geben Sie einen neuen Namen für die gekürzten Daten (durch "_manRejPruned" zu den bestehenden Datasetnamen Anhängen). Aktivieren Sie die Option, die Daten als Datei zu speichern, und verwenden Sie den gleichen Namen für den Dateinamen. Klicken Sie auf OK zu akzeptieren.
          Hinweis: Streifen, die länger dauern als 0,5 sec für die Ablehnung als angemessen erachtet werden. Relative "Güte" müssen hier verwendet werden, je nachdem, wie gut anderen Datensätzen zu sein scheinen - es wünschenswert ist, mindestens die Hälfte der Komponenten zu halten. Gute Ergebnisse werden oft durch kontinuierliche Abstufungen auf einem 2-D Continuous Data Farbplot 34 dargestellt.
  4. Entfernen Sie die Randwerte in den Daten nach links. Speichern Sie die Datenmenge mit einem neuen Namen als Punkt wiederherzustellen.
    1. Klicken Sie auf Bearbeiten> Event-Werte.
    2. Blättern Sie durch die Ereignisse und klicken Sie auf die Delete-Ereignis-Taste, wenn der Ereignistyp eine Grenze ist. Wenn alle entfernt worden sind, klicken Sie auf OK.
    3. Specifya neuen Namen für die gelöschten-Randdaten (von "_deleteBoundaries" zu den bestehenden Datasetnamen Anhängen). Klicken Sie auf Speichern zu übernehmen. Verwenden Sie gleiche Menüpunkt Auswahl nach wie vor zu diesem Bildschirm zu bekommen (siehe Schritt 6.3.3.3.1).
  5. Berechnen absolute Leistungsmetriken für jeden Trainingstyp. Dies ist ein leistungsbasierten logarithmischen basierend auf der Mikrovoltmessung zu transformieren und die Zeit -. Für jedes Frequenzband berechnet wird (Delta, Theta, Alpha, Beta und Gamma) 22
    1. Chunk die Daten in Blöcke, mit Markern den Anfang und das Ende jeder Aufgabe anzuzeigen.
      1. Klicken Sie auf Bearbeiten> Daten Ereignisse verwenden.
      2. Nutzen geeigneter Zeitplanung für jeden Aufgabentyp. Definieren Sie den Zeitrahmen für die Ruhezeiten durch die Dauer einer Ruhezeit. Für die räumlichen Probleme (die Dauer ungefähr ähnlich sind), entweder die durchschnittliche Dauer aller räumlichen Aufgaben oder die maximale Dauer aller räumlichen Aufgaben. Für die Anwendung (z. B. engineering Statiken) Probleme, identifizieren die durchschnittliche Dauer für jedes Problem. Speichern Sie die Datenmenge mit einem neuen Namen als Punkt wiederherzustellen.
        1. Geben Sie den Markentyp in der "Event - Typ (n) ([] = alle)" Feld (z. B. Marker Typ 50 wurde verwendet , Rest Ereignisse zu markieren). Rest Ereignisse hatten eine Dauer von 120 Sekunden in diesem Fall "1 120", so geben Sie für die Fristen Array. Klicken Sie auf OK zu akzeptieren.
        2. Geben Sie einen neuen Namen für die Ereignisdaten (von "_rest" zu den bestehenden Datasetnamen in diesem Fall angehängt). Aktivieren Sie die Option, die Daten als Datei zu speichern, und verwenden Sie den gleichen Namen für den Dateinamen. Klicken Sie auf OK zu akzeptieren.
          Hinweis: Wenn die verwendeten Teile reduziert werden, so nehmen sie in etwa die gleiche Menge an Zeit, wie die räumlichen Aufgaben, verwenden Sie dann den gleichen Zeitraum Größe wie die räumlichen Aufgaben. Da EEG zeit empfindliches Maß ist, sind die genauer die Zeitabschnitte für jede Bedingung sind, desto weniger verwechselt werden die Daten in dem Ende (dh., Die Anzahl der Abtastwerte für jede Bedin gesammeltention wird mehr konsistent).
  6. Vergleichen Sie die Ergebnisse für die endgültige Analyse.
    1. Berechnen Sie den Prozentsatz für jedes Stück in Bezug auf den Basis Rest Messungen. Siehe Zusatzcode - Datei, und die Tabellen 1 bis 8.
      1. Öffnen Sie die AbsolutePower Script in MATLAB und klicken Sie auf die Schaltfläche Ausführen des Skripts auf die Daten im Arbeitsbereich während der Stufe 6.6 (z. B. den Rest Daten) geladen zu laufen.
      2. Wählen Sie absolutepowermatrix Daten im MATLAB Workspace für die Übertragung in ein Tabellenkalkulationsprogramm (z. B. MS Excel).
    2. Wiederholen Sie die Schritte 6.5 - 6.6.1.2 für jede Übung / Markertyp.
    3. Vergleichen Sie die Ergebnisse mit ähnlichen Zeitrahmen (z. B. räumliche Aufgaben) miteinander für einen Einblick in relative Schwierigkeit.
    4. Vergleichen Sie die Ergebnisse für die Teilnehmer eine höhere relative Performer zu identifizieren, im Vergleich zu niedrigeren Darstellern in den Fähigkeiten geprüft. Hinweis: Hohe Darstellern sehr l zeigen kannittle erhöhen in der Beta - Aktivierung in Bezug auf die Baseline, während Low - Performer 21-26 eine Erhöhung in der Größenordnung von 70% zeigen.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

In diesem Abschnitt werden die vorhergehenden Schritte mit Beispiel Figuren dargestellt wie nachfolgend beschrieben. Vollständige Datenübersichten mit statistischen Tests sind nicht vorgesehen, da das Ziel dieses Papiers auf Methoden zu konzentrieren. Beispiele für potentielle PSVT: R, MCT, und Raumprobleme werden in Abbildung 1, Abbildung 2 und Abbildung 3.

Die Kappe EEG wird für jeden gegebenen Kanal Hirnaktivierung über elektrische Potentiale sammelt, die parallel angezeigt werden können , wie in 7 gezeigt. Wie bereits erwähnt, bestimmte Artefakte innerhalb der Daten müssen manuell entfernt werden, während andere über ICA entfernt werden. Manchmal kann ein fehlerhafter Kanal identifiziert werden. Solche Artefakte sind in Abbildung 7. In der Analyse - Software, die großen, sich nicht wiederholende Artefakte in Folge manuell markiert werden kann und dann durch Klicken auf die Schaltfläche "Ablehnen" (wie in Schritt 6.3.3.2.1) entfernt. Alle Zahlen mit Bildern von EEG-Daten-Analysesind von Werkzeug der Analyse - Software in der Tabelle der Materialien aufgeführt.

Im Anschluss an die ICA bildet die Analyse-Software die Daten auf zwei Arten: 1) eine Kopfhaut-mapped Darstellung der Aktivierung, und 2) eine 2-D Continuous Data Plot der Aktivierung durch Versuche und Zeit geordnet. Ein Beispiel für eine akzeptable Daten können in Abbildung 5 zu beachten. Ein Beispiel der abgelehnten Kopfdatenaktivität abgebildet angibt , nicht mit dem Gehirn assoziiert werden für drei Fälle können in Abbildung 4. 2D Continuous Data Plots für die gleichen abgelehnt drei Fälle gesehen werden kann in gesehen werden Abbildung 6. die Streifen in den ersten beiden Grundstücke gewährleistet , Rücksicht auf die Entfernung beobachtet. Die Streifen in der dritten Handlung kann grenzwertig angesehen werden - 2-D Continuous Data Plots dieser Qualität für die Aufnahme in Betracht gezogen werden kann, und die Forscher müssen die Balance zwischen einschließlich Störsignalen und Verwerfen wertvolle Daten berücksichtigen. Folge verloren mehr als 0,5 Sekunden gelten als grounds für die Ablehnung. Weitere Einblicke finden Sie auf der Website EEGLAB (http://sccn.ucsd.edu/eeglab/).

Sobald alle verwirrende Daten abgelehnt wurden - entweder durch manuelle Aussortieren während an den Gehirnwellen-Plots oder nach ICA suchen - und die Daten wurden in der Zeit für die entsprechende Leistungsart, die absoluten Leistungsberechnungen vorgenommen werden können, für jedes Frequenzband und jede Aktivität chunked geben Sie über das MATLAB - Skript (auf der Basis der Analyse - Software - Funktionen) im Zusatzcode - Datei gegeben. Die zusammengefasste Daten dann durch die Funktion erzeugt werden , in den folgenden Tabellen gezeigt Tabelle 1 die Daten aus den Ruhezeiten enthält -.. , Die für die Effizienzberechnungen als Basis verwendet werden , Tabelle 2, Tabelle 3 und Tabelle 4 enthalten die absolute Macht Daten für die PSVT: R, MCT und Statiken Probleme, respectively. Durch die durch den Zellenwert für den entsprechenden Kanal teilen und Frequenz Verbotd in der restlichen Tabelle, die relativen absoluten Leistungsverhältnisse sind in Tabelle 5 gezeigt , Tabelle 6 und Tabelle 7 für PSVT: R, MCT und Statiken Probleme sind.

Schließlich wird der Mittelwert über alle Kanäle für die Beta - Frequenzband für jeden Aktivitätstyp genommen, und die Ergebnisse sind in Tabelle 8. Diese Art von Daten kann verwendet ROIs identifizieren für die zukünftige Forschung gezeigt werden. Aus diesen Daten für den Teilnehmer in Frage, so sehen wir, dass die relative absolute Macht für die PSVT niedriger erscheint: R als für das MCT. Entscheidend Schlussfolgerungen diese Aussage in Bezug auf, bleiben aber, abhängig von einer größeren Stichprobenumfang möglich statistische Signifikanz zu etablieren. Die relative absolute Macht für Statiken Aufgaben können von anderen Teilnehmern und Schätzungen der Leistungsträger vs niedrigen Performer kognitive Anstrengung auf den Wert verglichen werden, identifiziert werden, die mit funktionellen Scores auf den Statiken Probleme für die Validierung in Beziehung gesetzt werden können. Obwohl dies speziell ein Methodenpapier ist, und zeigt Beispiele von Daten aus nur einem Teilnehmer, der vorläufigen statistischen Analyse des Berichts verwendet, um eine Prüfung der Levene Normalität zu bewerten, die von Friedman-Test, gefolgt Vergleich Gruppe x Aufgabe x EEG-Kanal. Schließlich ist ein Follow-up wurde Wilcoxon-Test auf signifikante Friedman Wirkungen und Wechselwirkungen durchgeführt. Der Vergleich zwischen hohen und niedrigen Darstellern zeigten signifikant höhere Beta Aktivierungsstufen für Low - Performern als für High Performer (Für PSVT: R, F3: χ 2 (1,6) = 5,33, p <.03; T8: χ 2 (1, 6) = 4,08, p <.05; FC6: χ 2 (1,6) = 4,08, p <.05; F8: χ 2 (1,6) = 4,08, p <.05; AF4: χ 2 (1 ., 6) = 5,33, p <.03 Für MCT, F3: χ 2 (1,6) = 5,33, p <.03; T8: χ 2 (1,6) = 5,33, p <.03; FC6: χ 2 (1,6) = 5,33, p <.03; AF4. χ 2 (1,6) = 4,08, p <.05 Für Statiken, FC6: χ 2 (1,6) = 4,08, p <.05). 9

Abbildung 1
Abbildung 1: PSVT:. R Beispiel Problem Teil A zeigt eine einzige Probe PSVT: R Problem wie von den Teilnehmern gesehen. (Quelle: Guay (1976)). Die richtige Antwort ist C Teil B eine visuelle Erklärung der Lösung liefert Bitte hier klicken , um eine größere Version dieser Figur zu sehen.

Figur 2
Abbildung 2:. MCT Beispiel Problem Teil A zeigt eine einzige Probe MCT Problem wie von den Teilnehmern gesehen. Die richtige Antwort ist D. Teil B eine visuelle Erklärung der Lösung. (Quelle: CEEB (1939))"Target =" _ blank "> Bitte hier klicken, um eine größere Version dieser Figur zu sehen.

Figur 3
Abbildung 3:. Statiken Beispiel Problem stellt ein einziges Beispiel Statiken Problem an die Teilnehmer gegeben. Dieses Problem ist für die In-Ebene (dh., 2-D) Gleichgewicht gegeben drei Kräfte und eine gemeinsame Verbindungsstruktur. Bitte hier klicken , um eine größere Version dieser Figur zu sehen.

Abbildung 4
Abbildung 4:. Beispiele für Nicht-Gehirn - Scalp-Mapped Aktivität Drei Beispiele für post-ICA - Kopfhaut-mapped Daten werden von einem einzelnen gezeigt, 23 Jahre alt, männlich Teilnehmer. Vollkopfhaut Aktivierung, die Aktivierung über ein einzelnes Auge / Tempel und Aktivierung konzentriert on Augen und Tempel sind ein Anzeichen für körperliche Aktivität, nicht die Gehirnaktivität, wie nach ICA in IC2, IC3 gezeigt, und IC4 sind. Bitte klicken Sie hier , um eine größere Version dieser Figur zu sehen.

Abbildung 5
Abbildung 5:. Akzeptable Post-ICA - Daten Bilder Illustration akzeptabler Kopfhaut Karte und 2-D Continuous Data Plot nach ICA für eine Probe Fall Independent Component 13 (IC13), die von einem Individuum, 23 Jahre alt, männlich Teilnehmer. Die Aktivierung erscheint auf einer Region des Gehirns , in der Kopfhaut-mapped Ansicht zentriert werden, und keine großen Streifen sind sichtbar in der Dauerdatenzeichnung. Bitte klicken Sie hier , um eine größere Version dieser Figur zu sehen.


Abbildung 6:. 2-D Continuous Data Plots Passende Scalp-Mapped Bilder Drei Beispiele für post ICA Dauer Diagramme werden von einem einzelnen gezeigt, 23 Jahre alt, männlich Teilnehmer. Dickes Bänder oder Streifen in den 2-D - Continuous Data Plots von ICA zeigen Diskontinuitäten kein Anzeichen für eine normale Funktion des Gehirns in IC2, IC3, IC4 -. Besonders in IC2 und IC3 Plots Bitte klicken Sie hier um eine größere Version dieser Figur zu sehen.

7
Abbildung 7:. Brainwave Daten mit Artifacts Screenshot eines Artefakts (Kanal F7) für die Ablehnung mit einem Probenzeitbereich von einem Individuum, 23 Jahre alt, männlich Teilnehmer manuell markiert. Notieren Sie sich die Veranstaltung über mehrere Kanäle zwischen 132 und 133: Ähnliche Ereignisse werden mehrmals (etwa die gleiche Form und Größe in regelmäßigen Abständen) wiederholt - und somit eine nicht-brain biologischen Funktion darstellen angenommen - und kann über Independent Component Analysis entfernt werden (beispielsweise blinken.) (ICA). Bitte hier klicken , um eine größere Version dieser Figur zu sehen.

. Ergänzenden Code Datei: MATLAB Script und Flicken Zeigt die Skripte (spectopo.m und absolutepower.m) für die Transformation auf der Grundlage der Microvolt Messung und der Zeit - berechnet für jedes Frequenzband (Delta, Theta, Alpha, Beta und Gamma) - 22 die absolute Leistung bei jeder Frequenz zu erhalten. Die Änderungen am Code für die ordnungsgemäße Funktionalität in pop_chanedit.m erforderlich sind ebenfalls enthalten.lemental_Code_File.txt "> Bitte hier klicken, um diese Datei herunterzuladen.

SICH AUSRUHEN 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

Tabelle 1: Rest . Absolute Power Enthält die absolute Leistungswerte für die Basiszeitperioden Rest. Die Werte sind für jedes EEG - Haube Kanal und jede neuronale Frequenzband angezeigt. Bitte hier klicken , um diese Tabelle als Excel - Tabelle zum Download bereit .

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

Tabelle 2: PSVT:. R Absolute Power Enthält die absolute Leistungswerte für die Zeiträume , wenn der Teilnehmer PSVT wurde die Lösung: R Probleme. Die Werte sind für jedes EEG - Haube Kanal und jede neuronale Frequenzband angezeigt. Bitte hier klicken , um diese Tabelle als Excel - Tabelle zum Download bereit .

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

Tabelle 3:. MCT Absolute Power Enthält die absolute Leistungswerte für die Zeiträume , wenn der Teilnehmer MCT Probleme wurde die Lösung. Die Werte sind für Bildung und Kultur gezeigth EEG - Haube Kanal und jede Band neuralen Frequenz. Bitte klicken Sie auf diese Tabelle als Excel - Tabelle hier zum Download bereit .

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

Tabelle 4:. Statiken Absolute Power Enthält die absolute Leistungswerte für die Zeiträume , wenn der Teilnehmer Statiken Probleme wurde die Lösung. Die Werte sind für jedes EEG - Haube Kanal und jede neuronale Frequenzband angezeigt. Bitte hier klicken , um diese Tabelle als Excel - Tabelle zum Download bereit .

PSVT: R% AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4 durchschnittlich
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

. Tabelle 5: PSVT: R Relative Absolute Power Enthält die relativen absoluten Leistungswerte - das heißt, das Verhältnis im Vergleich zur Basis Rest - für die Zeiträume , wenn der Teilnehmer PSVT wurde die Lösung: R Probleme. Die Werte sind für jedes EEG-Haube Kanal und jede neuronale Frequenzband gezeigt./ftp_upload/53327/Table_5.xlsx">Please hier klicken, um diese Tabelle als Excel-Tabelle zum Download bereit.

MCT% AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4 durchschnittlich
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

. Tabelle 6: MCT Relative Absolute Power Enthält die relativen absoluten Leistungswerte - das heißt, das Verhältnis im Vergleich zur Basis Rest - für die Zeiträume , wenn der Teilnehmer MCT Probleme wurde die Lösung. Die Werte sind für jedes EEG - Haube Kanal und jede neuronale Frequenzband angezeigt. Bitte hier klicken , um diese Tabelle als Excel - Tabelle zum Download bereit .

Statiken% AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4 durchschnittlich
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

. Tabelle 7: Statiken Relative Absolute Power Enthält die relativen absoluten Leistungswerte - das heißt, das Verhältnis im Vergleich zur Basis Rest - für die Zeiträume , wenn der Teilnehmer Statiken Probleme wurde die Lösung. Die Werte sind sheigene für jede EEG - Haube Kanal und jede neuronale Frequenzband. Bitte hier klicken , um diese Tabelle als Excel - Tabelle zum Download bereit .

durchschnittlich
PSVT: R% 85,2%
MCT% 109,2%
Statiken% 90,5%

. Tabelle 8: Gemittelt Relative Absolute Power Enthält die relativen absoluten Leistungswerte - das heißt, das Verhältnis zur Basislinie Erholung im Vergleich - gemittelt über alle EEG - Kappe Kanäle für die Zeiträume , wenn der Teilnehmer war die Lösung PSVT: R, MCT und Statiken Probleme . Die Prozentsätze sind für die Beta - Frequenzband nur dann angezeigt. Bitte hier klicken , um diese Tabelle als Downloadn Excel-Tabelle.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Das Protokoll beschreibt die Anwendung von Elektroenzephalographie für die Teilnehmer der Hirnaktivität zu messen, Probleme, die aus zwei typische räumliche Vorstellungsvermögen Instrumente arbeiten und Raumtechnik Statiken Probleme hoch. Die Methoden, die hier beschrieben werden, können letztlich in der Lage sein, um die neuronale Effizienz von hohen und niedrigen Darstellern zu arbeiten, diese Probleme beschäftigt, um zu verstehen. Es ist wichtig, alle Unterschiede in neuronalen Effizienz von Studenten der Ingenieurwissenschaften auf dem MCT und PSVT arbeiten zu verstehen: R, da diese Tests oft verwendet werden, um das räumliche Vorstellungsvermögen zu bewerten. sie miteinander Vergleich ermöglicht es uns, besser auf ihre Anwendbarkeit auf Erfolg in der Technik und ihre Position in der Grundlagentechnik Curricula beurteilen.

Das Protokoll legt die Vorgehensweise für die Erforschung der neuronalen Effizienz mit der räumlichen Wahrnehmung Aufgaben verbunden. Es ist wichtig, dass eine zuverlässige und valide Instrumente räumlichen Fähigkeiten von Engineering-Content verbunden zu beurteilen, verwendet. Es iauch wichtig, s, dass technische Probleme den Vertreter von Engineering-Content für einen bestimmten Kurs Ziel. EEG-Messungen bieten eine ausgeprägte non-intrusive Fähigkeit kognitive Komponente Daten von Studenten in räumlichen Aspekten der technischen Problemlösung beschäftigt Triangulierung. Die richtige Zeit Stanzen sollten für eine solche Datensammlung verwendet werden, um sicherzustellen, Triangulation mit Video-archivierten Veranstaltungen. IRB-Protokolle sollten stringent verfolgt werden, die Anonymität der Teilnehmer-Daten und Analysen zu gewährleisten.

Die meisten Problem Bedenken auftreten, während EEG-Daten zu sammeln, wie unten beschrieben, und die meisten von denen, behandelt werden, bevor die Daten aufgezeichnet werden. Korrekturen für schlechte Impedanz und Lärm sind am besten während der Installation behandelt. Im Anschluss an die Anweisungen des EEG-Headset des Herstellers ist von entscheidender Bedeutung, und in unserer Erfahrung die Hinweise von der Software des Herstellers kann der Anwender direkt spezifische Elektroden zu überprüfen. Typischerweise ist die Verbindung zwischen dem Filzkissen und dem TEILNEHMERt Kopf muss mehr gedämpft werden, oder die Verbindung zwischen jeder Elektrode und dem Headset kann geprüft werden muss. Wenn einige Konnektivität sichtbar ist, aber die Qualität ist schlecht, die Spritze mit dem Filz neu zu dämpfen ist oft ausreichend, und manchmal muss das Headset eingestellt werden physikalisch festen Kontakt mit der Kopfhaut zu gewährleisten. In ein paar Fällen mussten wir die Teilnehmer zu bitten, ihre Haare in einem Waschbecken zu spülen, bevor wir eine gute Verbindung zu erhalten konnten. Wenn die Elektrode erschien keine Daten werden übertragen wird, wurde es oft durch Entfernen der Elektrode beseitigt und danach erneut einsetzen. Manchmal kann das Kunststoffgehäuse für die Elektrode zu knacken, in welchem ​​Fall sie müssen ersetzt werden.

Andere Fehlersuche kann bei der Datenanalyse auftreten und wird in dem Protokoll diskutiert. Datenvorverarbeitung beinhaltet die Filterung und die Entfernung von Artefakten. Oft unterstützt die Datenanalyse-Software manuelle Aussortieren sowie Skripte, die während der Vorverarbeitung und Pro ausgeführt werden können Verarbeitung der Daten.

Modifikationen wurden an ein Skript in der Analyse-Software. Diese Änderungen werden in der Zusatzcode-Datei dokumentiert. Modifikationen des Protokolls können auch hergestellt werden. Eine gleichzeitige Protokoll wurde in dem verbalen Antworten verwendet werden während der Studie erforderlich. Dies wird mehr Artefakte in den EEG-Daten vorstellen, sondern einen besseren Einblick in die funktionale Wissen der Teilnehmer zur Verfügung stellen während der Tests. der Teilnehmer beteiligt sich an einem Video aufgezeichnet Interview mit dem Forscher nach der Sitzung Eine Alternative ist auch in dem verwendet worden.

Andere empfohlene mögliche Modifikationen umfassen die Verwendung unterschiedlicher räumlicher Fähigkeiten geprüft 14 verschiedene technische Fragen 17 oder anderen Bildungsprüfungen. Unterschiedliche Gehirnaktivität Metriken möglich über EEG und andere Instrumentierung, könnte auch ein Licht auf die Schwierigkeit, Schuppen oder andere Merkmale, Geschicklichkeitsprüfungen.

jove_content "> Wir erkennen an, dass es Einschränkungen bei der Technik, die in diesem Dokument definiert Die Konstrukte der räumlichen Fähigkeit (Rotation und Schneiden gehobelt Oberfläche) von der PSVT gemessen. R und MCT sind nur zwei von vielen möglichen Konstrukte messbar mit anderen räumlichen Metriken. Zudem können verschiedene räumlich intensive Aufgaben (dh., verschiedene Arten von Problemen oder verschiedene Kurse und Studienleistungen ) können auch bewertet werden. Die Erforschung neuronaler Effizienz sollte natürlich auch auf einen breiteren Umfang durchgeführt werden , als nur grundlegende technische Kurse wie Statiken. Für Beispiel sollte es 3 auf räumliches Denken in der Literatur anerkannt innerhalb der vielen STEM Felder untersucht werden , abhängig zu sein . Außerdem sollten neuronale Effizienz Studien nicht zu Fähigkeiten direkt nur auf das räumliche Vorstellungsvermögen 21-28. Selbst innerhalb der in Gehirnwellen beteiligt Forschung verknüpft begrenzt Messung der Praxis Leistungsmessung über die Dauer einer Aufgabe der Mittelungs verbietet Untersuchungsin andere Zusammenhänge, die innerhalb der Muster der Gehirnaktivität auftreten können. EEG-Messungen, die aufgrund ihrer zeitlichen Ansprechverhaltens, sind nicht auf neuronale Effizienzstudien beschränkt. Und EEG Instrumentierung wird sich durch die Tiefe der Gehirnströme begrenzt es erkennen kann, vor allem im Vergleich zu den höheren räumlichen Auflösung von funktionellen Nahinfrarotspektroskopie oder der funktionellen Magnetresonanztomographie, obwohl seine zeitliche Ansprechempfindlichkeit bleibt unter den besten 36.

Letztlich scheint die mögliche physiologische Messungen mit Einblick in Bildungs ​​Theorie und Praxis zu bieten immense 37,38. Der technische Ansatz und Ziele dieses Protokolls sind anders als die Biofeedback - Ansatz EEG mit in Bildungs- / Trainingsstudien 39, aber alle sind eine Überlegung wert als Einblick in Phänomene wie das räumliche Vorstellungsvermögen Entwicklung und Engineering Entwicklung von Fähigkeiten gewonnen wird. Dieser Ansatz der Verwendung von EEG neuronalen effici zu untersuchenrenz zwischen räumlichen Aufgaben inhärenten in spezifischen räumlichen Fähigkeit Instrumente definiert eine andere Methode der räumlichen Fähigkeitstests Aussortieren. Dies ist ein Beispiel einer neuen Anwendung eines neurowissenschaftlichen Ansatz für das räumliche Vorstellungsvermögen Tests zu untersuchen, sowie eine neurowissenschaftlichen Ansatz zur Untersuchung der bestehenden Bildungstheorie zu öffnen. Methoden zur Verifikation und Validierung zu finden, ist Teil der Engineering-Kultur. Innerhalb dieser neuen Anwendung physiologischen können Gehirnwellen-Tests eröffnen einen neuen Bereich des Verständnisses und der Raffinierung Bildungstheorie. Tatsächlich kann, wenn betrachtet als potenzieller Weg der Validierung, eine neuartige und neue Generation von Ingenieurbildungsforschung entstehen.

Subscription Required. Please recommend JoVE to your librarian.

Acknowledgments

Die Autoren danken Christopher Green, Bradley Robinson, und Maria Manuela Valladares, für die Unterstützung bei der Datenerhebung zu bestätigen. Die Finanzierung für die EEG-Anlagen wurde von der Utah State University Amt für Forschung und Graduate Studies Ausrüstung Grant Kerry Jordan Multisensorielle Cognition Lab zur Verfügung gestellt. Benjamin Anruf wird von einem Präsidenten-Doctoral Research Fellowship erreicht von der Utah State University School of Graduate Studies für seine Arbeit mit Dr. Wade Goodridge unterstützt.

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

Verhalten Heft 114 räumliche Intelligenz Elektroenzephalographie neuronale Effizienz räumliches Vorstellungsvermögen räumliches Denken Ingenieurausbildung Statiken
Unter Verwendung Elektroenzephalographie Messungen zum Vergleich der Aufgabenspezifische Neural Gelegenheit: Spatial Intelligence-Aufgaben
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