Summary
Este manuscrito descreve uma abordagem para medir a atividade neural dos seres humanos ao mesmo tempo resolver problemas de engenharia espacialmente focalizados. A metodologia eletroencefalograma ajuda a interpretar as medições de ondas cerebrais beta em termos de eficiência neural, com o objectivo de permitir, em última instância comparações de desempenho da tarefa, tanto entre os tipos de problemas e entre os participantes.
Abstract
inteligência espacial está muitas vezes ligada ao sucesso em profissões de ensino de engenharia e engenharia. O uso da eletroencefalografia permite cálculo comparativo da eficiência neural dos indivíduos como eles executam tarefas sucessivas que exigem habilidade espacial para derivar soluções. eficiência neural é aqui definido como tendo menos de activação beta, e portanto despender menos recursos neurais, para executar uma tarefa em comparação com outros grupos ou outras tarefas. Para comparações inter-tarefa de tarefas com durações semelhantes, estas medidas podem permitir uma comparação do tipo tarefa dificuldade. Para comparações intra-participante e inter-participantes, estas medições fornecem uma visão potencial em nível do participante da capacidade espacial e diferentes tarefas problema de engenharia resolver. Desempenho nas tarefas selecionadas podem ser analisadas e correlacionadas com atividades beta. Este trabalho apresenta um protocolo de pesquisa detalhada estudar a eficiência neural de estudantes engenvelhecido na resolução de habilidade espacial típica e problemas Estática. Os estudantes responderam a problemas específicos do Mental teste de corte (MCT), o teste Visualization Purdue espacial da Rotações (TPSV: R) e Estática. Enquanto empenhados em resolver estes problemas, as ondas cerebrais dos participantes foram medidos com EEG permitindo que os dados a serem coletados sobre a ativação de ondas alfa e beta do cérebro e usar. O trabalho parece correlacionar o desempenho funcional em tarefas espaciais puros com as tarefas de engenharia espacialmente intensivos para identificar as vias para um desempenho de sucesso na engenharia e as melhorias resultantes na educação em engenharia que podem seguir.
Introduction
Habilidade espacial é vital para a Ciência, Tecnologia, Engenharia e Matemática (STEM) campos e educação e correlaciona-se com sucesso nestas áreas 1,2,3. Portanto, é importante para compreender o desenvolvimento de impactos como espacial capacidade de resolução de problemas 4. Habilidade espacial tem sido associada a juros de 5, desempenho 6, sucesso nos estudos de engenharia 7 e sucesso em profissionais de engenharia 8. No entanto, não há um monte de trabalho, indicando processos neurais específicos na resolução de problemas típicos de muitos instrumentos habilidade espacial, nem conteúdo de engenharia específica que é altamente espacial.
Este documento fornece uma introdução aos métodos utilizados para a coleta e análise de pontuação de instrumentos capacidade espaciais combinadas com medidas neurais dados. A intenção de publicar com JoVE é fazer com que esses métodos mais acessível a um público mais amplo. hardware público em geral e wer softwaree utilizada neste estudo. Como um papel de métodos, resultados completos / conjuntos de dados não são relatados, nem são múltiplas amostras fornecidas. Todas as imagens foram capturadas especificamente para esta publicação. Os métodos detalhados a seguir foram utilizadas na preparação de um relatório da conferência preliminar 9 com base em dados de oito universitários participantes do segundo ano de idade, três dos quais eram do sexo feminino.
Muitos instrumentos existentes são utilizados para indicar os níveis de habilidade espacial inerente a ou aprendido por indivíduos. Dois válidos e confiáveis 10,11 instrumentos que são comumente usados são o Mental teste de corte (MCT) 12 eo teste Purdue Spatial Visualização de rotações (TPSV: R) 13. Embora originalmente concebido profissionalmente 14 destes instrumentos testar diferentes estágios de desenvolvimento visualização espacial descrito por teoria piagetiana 10,15. A utilização destes instrumentos cria uma necessidade de compreender os fenômenos cognitivos fisiológicos subjacentes existing quando os indivíduos trabalhar com estes problemas. Por esta razão, este estudo tem como objetivo apresentar métodos que utilizam dados fisiológicos empírica de que pode vir a melhorar a análise e compreensão do pensamento espacial, verificar as capacidades de teste de métricas existentes, e aumentar a aplicabilidade das avaliações espaciais problemas a mais complexos típicos para ensino de engenharia. Muitos destes problemas podem ser encontradas em engenharia Estática.
Estática é uma mecânica fundamentais curso ministrado para a maioria dos estudantes de engenharia (por exemplo., Biológicos, mecânicos, Civil, Ambiental, Engenharia Aeroespacial) 16,17. É um dos primeiros extensas experiências de resolução de problemas que os alunos são dadas no núcleo de conteúdo de engenharia 18. Estática envolve o estudo da interacção de forças sobre um corpo rígido que está em repouso ou em movimento a uma velocidade constante. Infelizmente Estática tem alta de abandono, a retirada, e as taxas de falha (14%, como visto nas invesUniversidade vestigada) e isso pode estar relacionado com modelos de entrega de aula e currículo tradicional que omitem avenidas principais de apoio, tais como abordagens espacialmente reforçada para a educação. Por exemplo, as abordagens espacialmente aprimorados em Estática pode direcionar a visualização de como as forças interagem fora da análise analítica típica e reforçar o conhecimento processual dos alunos com conceituação aterrada. A eficácia de tais intervenções precisa ser investigado a partir de uma perspectiva cognitiva neurocientífica.
Eletroencefalografia (EEG) apresenta um método único e móvel de medição de atividade de ondas cerebrais dos alunos. Os indivíduos que executam as tarefas que provocam a ativação beta são geralmente muito envolvidos com as especificidades de tarefas e estão atentos ao que eles estão fazendo 19,20. Como tarefa exige aumento, a amplitude da onda beta aumenta, assim como o tamanho da área cortical as frequências de banda ocupam. Quanto mais neurônios que disparam dentroa gama de frequências beta (alfa: 8 - 12 Hz, beta: 12 - 24 Hz) pode ser definida como uma maior potência beta. De um modo semelhante, como uma pessoa se torna mais experiente em uma tarefa, a amplitude das ondas beta diminui, geração de energia menos beta. Esta é parte da hipótese de eficiência neural 21-28, em que a maior experiência tarefa ao executar uma tarefa está relacionada a uma diminuição do poder de frequência. Embora EEG anteriormente foi utilizado no estudo da capacidade espacial (frequentemente para rotação mental e tarefas de navegação espacial) - e dados aplicáveis foram identificados na posição alfa, beta, teta e bandas de 27-33 - alfa e beta bandas foram observadas para esta estudo e beta foi seleccionado para posterior análise representativa neste trabalho e no relatório da conferência preliminar 9. Os procedimentos a seguir definidos, assim, concentrar-se na análise de banda beta, mas uma investigação sobre todas as três bandas, dependendo dos dados registrados, é recomendável no futuro.
ohipótese de eficiência neural foi testado em várias tarefas, incluindo xadrez, memória visual-espacial, equilíbrio, e descansar. Todos têm indicado experiência tarefa como um factor de potência de frequência diminuiu ao executar tarefas familiares. Um particular estudo 25 apresentou provas de que, embora a inteligência de uma pessoa (como medido pelo QI) pode ajudar o indivíduo a adquirir as habilidades para executar uma tarefa, a experiência com a tarefa supera a inteligência na sua contribuição para a eficiência neural. Em outras palavras, quanto mais experimentado um indivíduo é, o mais eficiente neuralmente ele ou ela se torna.
Existentes estudos de eficiência neurais que envolvem habilidade espacial têm focado principalmente na rotação espacial e diferentes conjuntos de problemas têm sido usados para comparar diferentes populações (por exemplo., Masculino / feminino) 27-28. Estudos de EEG de tarefas de habilidades espaciais também forneceram uma visão, comparando o desempenho com outros tipos de tarefa (por exemplo., Tarefas verbais)27,29,30. Os métodos discutidos neste documento em foco e comparar os problemas do MCT, TSVP: R, bem como as tarefas de equilíbrio estático, que está relacionado com a capacidade espacial, mas não estão limitados a rotação espacial e de navegação. Outras tarefas espaciais podem ser utilizados no lugar dos que foram dados como exemplos neste manuscrito. Desta forma, esclarecimentos adicionais poderão ser obtidos no futuro sobre populações diferentes (por exemplo., Masculino / feminino ou perito / iniciante) para, finalmente, ajudar a melhorar as práticas de ensino de engenharia.
Em um esforço para investigar habilidade espacial e aptidão engenharia, temos desenvolvido um protocolo utilizando medições de EEG para identificar as ativações onda beta de baixo desempenho para os participantes de alto desempenho durante uma bateria limitada de tarefas espaciais e engenharia específicos. Neste caso, o elevado desempenho termo está relacionado com o desempenho do participante, e não é reflexo da quantidade de tempo gasto no campo pelaaluno, como todos os participantes eram aproximadamente no mesmo ponto em sua educação. Além disso, o conjunto de problemas envolvidos é bastante específico e básico; Assim, os termos "especialista" ou "alto desempenho" aqui não deve ser visto no sentido de um especialista, engenheiro profissionalmente empregada, mas representando apenas alto desempenho nesta estreita fatia de engenharia mecânica currículo e instrumentos habilidade espacial. As medições neurais também podem ser usados para identificar quaisquer tendências brutas para os quais tipos de tarefas podem recrutar mais recursos cognitivos do que outros, com possibilidade de interpretação em relação aos níveis de dificuldade. Esta informação pode potencialmente fornecer informações sobre avaliação e intervenção futura no que diz respeito à capacidade espacial. Outros visão futuro pode ser derivada considerando regiões mais específicas do cérebro, que não foi possível neste estudo devido ao número limitado de canais disponíveis no hardware utilizado EEG.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Declaração ético de se usar de Participantes Humanos
Procedimentos envolvidos neste trabalho foram aprovados pelo Institutional Review Board (IRB) na Universidade Estadual de Utah para o estudo dos assuntos humanos. Recomenda-se que qualquer trabalho semelhante também deve ser aprovado pelo IRB relevante. Os participantes estão autorizados a parar ou se retirar do estudo a qualquer momento durante o experimento.
1. Seleção de Participantes
- Selecione os participantes numa base voluntária dos estudantes atualmente matriculados em um curso Estática. Certifique-se de que os participantes foram previamente expostas ao conteúdo Estática eles vão ver, enquanto no estudo.
Nota: Idealmente participantes devem ter exposição ao material através de palestra, pelo menos, quatro semanas antes da participação no estudo para que haja tempo para a consolidação de conceitos e desenvolvimento de níveis de desempenho diferenciais. - Conduzir o recrutamento seguir todos os protocolos IRB. Explicartodos os procedimentos e restrições aos potenciais participantes em detalhe. Descrever o escopo do contato futuro e como os resultados do estudo podem ser publicados e / ou colocados à disposição dos participantes. Definir qualquer compensação para a participação no estudo. Se um voluntário escolhe para se inscrever no estudo, fornecer-lhe com um código de identificação de dupla codificado conhecida apenas para e controlado pelo investigador principal.
Nota: recrutamento específicos da população exigirá análise estatística para verificar o poder estatístico da amostra e número de participantes necessários para analisar as diferenças individuais nos dados de ondas cerebrais. Se o pesquisador deseja realizar um estudo comparativo entre as populações, em seguida, uma análise de potência devem ser realizados para desenvolver tamanhos de grupo participante apropriados para as duas populações. - Seleccione actividades ou problemas que são representativos das experiências desejadas para os participantes.
Nota: Neste protocolo, engenharia estudante de segundo ano de nívelForam selecionados estudantes matriculados em um curso Estática. As actividades consideradas relevantes foram problemas de conteúdo Estática introdutória, bem como dois instrumentos habilidade espacial comumente utilizados: o teste de corte Mental Plane (MCT) e do Ordenamento do Visualization teste Purdue (TPSV-R). Cada instrumento testa diferentes construções de habilidade espacial e do nível de desenvolvimento espacial nesta população aluno seleccionado. - Estabelecer um calendário para organizar as sessões de laboratório para os participantes.
2. Preparação de Instrumentos
- Configurar os fones de ouvido EEG (aka caps) por instruções do fabricante. Complete esta preparação antes de o participante chega para o estudo. Para reiterar, este procedimento é específico para fones celulares gerais, tais como Emotiv, em oposição às configurações de EEG de grau médico.
- Carregue as headsets EEG - idealmente, pelo menos uma carga de 1-hr por sessão. Para um laboratório usado regularmente, ter pelo menos dois fones de ouvido cobrando umat todos os momentos.
- Coloque todos os líquidos necessários em uma área acessível, incluindo o líquido para amortecer os eletrodos de EEG (por exemplo., Água) e um produto de limpeza abrasivos para assegurar um bom contato para os nós de referência de EEG.
- Insira os feltros em cada caixa (garantindo o contato de ouro fique bem encaixada em cada caixa). Saturar o feltros com o líquido de amortecimento, utilizando uma seringa. Permitir eletrodos umedecidas para descansar.
- Configurar qualquer câmera de vídeo necessários para medir o comportamento dos participantes. Para o protocolo atual, use duas câmeras de vídeo por participante. Re-ajustar câmeras uma vez que o participante está no lugar. Certifique-se de que o vídeo é com data e hora.
- Concentre-se uma câmera no rosto do participante, se o objetivo de gravar expressões faciais e obter áudio de alta qualidade.
- Concentre-se a outra câmera sobre a área na frente do participante para capturar o movimento da mão, incluindo acções de escrita (se o manuscrito é esperado, certifique-se de usar uma escrita emstrument que é escuro e / ou o suficiente para ser capturado pela câmera de espessura), e suficiente do monitor do computador para fornecer informações a respeito de qual tarefa está sendo resolvida no momento em que.
- Ligue o computador e verificar se o software está a gravar dados de ondas cerebrais. Verifique se todos os dispositivos de software e de recolha de dados são suficientemente interface para coleta de dados.
3. Preparação dos participantes do estudo e Sessão de Início
- Verificar o recebimento de consentimento documentado de participantes por o acordo IRB discutido acima. Responder a quaisquer perguntas que os participantes têm antes de iniciar o estudo. Relembre os participantes que os dados recolhidos serão referenciados por código de identificação e haverá nenhuma informação de identificação que liga os dados para o participante, e que eles podem retirar a qualquer momento.
- Peça a cada participante para preencher um inquérito demografia antes da participação no estudo. Esta pesquisa pode perguntar sobre o sexo, age, experiência anterior que podem impactar suas habilidades no estudo (por exemplo., engenharia passado ou espacialmente cursos intensivos, passatempos aumentando a capacidade espacial, e questões relacionadas com os critérios de exclusão, tais como lesões cerebrais traumáticas que podem ter sofrido, que lado eles usam).
- Excluir os participantes do grupo de voluntários para a análise de EEG se qualquer uma das seguintes condições: (a) o participante é canhoto ou ambidestro, a fim de controlar a lateralidade cerebral confunde; (B); o indivíduo não pode participar nas sessões de laboratório devido a uma deficiência física; ou (c) o indivíduo sofreu lesão cerebral grave. Notificar potenciais participantes destas limitações durante o processo de recrutamento, ou o mais cedo possível para evitar gastos de tempo e recursos desnecessários.
- Após a chegada, garantir o participante é confortável e resolver quaisquer questões ou preocupações remanescentes.
- Demonstrar a seringa utilizada para saturar onó e explicar que só serão utilizadas para manter o EEG feltros úmidos. Se o participante tem um medo extremo de agulhas, considere a implementação de outras precauções (por exemplo., Mantendo a seringa fora de seu plano focal quando re-molhar os feltros).
- Peça ao participante para remover qualquer eletrônica de sua pessoa.
- Coloque o fone de ouvido EEG sobre o participante.
- Confira os feltros para a umidade e colocar as combinações de feltro / invólucro para o fone de ouvido EEG.
- Limpe os pontos de referência (por exemplo., Processo mastóide) do participante com o limpador abrasivo. Limpe qualquer resíduo.
- Coloque o auricular sobre o participante com os nós de referência devidamente alinhados com os pontos de referência. Não dobre excessivamente os braços do fone de ouvido. Deixar uma folga entre o nó de referência e a parte de trás da orelha, de modo a não causar desconforto e alinhar e espaço do auricular de forma adequada com a cabeça do participante.
4. Execução Software dentro da sessão
- Inicie o software EEG-logging. Assegure-se que existe uma boa conectividade entre o dispositivo de registo cronológico (por exemplo., Um computador pessoal) e auricular EEG, verificando que todos os canais são exibidos no dispositivo de registo cronológico. Verifique se todos os canais, inicialmente, apresentar um comportamento semelhante com oscilações de baixa amplitude. Verifique a EEG para garantir boa conectividade com o participante - re-molhar e ajustando os feltros de modo a atingir padrões consistentes sobre o dispositivo de registro - que precede imediatamente os períodos de descanso e antes do início de cada novo tipo de problema.
Nota: O EEG opera a 128 Hz. Eletroculografia não foi utilizado para gravar o movimento dos olhos, e referência de ouvido ligado não foi usado. - Instruir o participante a permanecer como calmo e quieto possível durante os exercícios de tarefas.
- Inicia-se a tarefa de software-apresentação.
Nota: Durante a coleta de dados, todos os pré-comunicação visual planejada com o participante ocorre através do monitor do computador. Neste caso, uma série de problemas espaciais e engenharia irá aparecer na tela do computador, e será pedido aos participantes para resolvê-los. respostas corretas não foram fornecidos aos participantes durante a coleta de dados. As imagens com problemas avançados com base na entrada do usuário, por isso o timing foi baseada na duração de resolução de problemas.- Exibição problema espacial tipo 1 (por exemplo, TPSV:. R - um teste de escolha múltipla, ou problemas de rotação verdadeiro-falso - veja a Figura 1) 13. Nota: (., Por exemplo, 30 segundos) A duração destes problemas será utilizado como o intervalo de tempo para a análise de dados. Cinco problemas foram incluídos neste conjunto.
- Exibir problema espacial tipo 2 (por exemplo, MCT -. Um teste de escolha múltipla, ou corte mentais verdadeiro ou falso problemas - veja a Figura 2) 12. Nota: A duração destes problemas será (por exemplo, 30 seg.)ser utilizado como o intervalo de tempo para a análise de dados. Cinco problemas foram incluídos neste conjunto.
- Engenharia de exibição do tipo de problema 17 (. Por exemplo, Estática problemas - repartidos por forma a concentrar-se em princípios específicos de engenharia Estática, ou qualquer outro tipo de problema aplicada a hipótese de ter componentes espaciais - veja a Figura 3). Nota: Estes problemas demorar muito mais tempo para resolver do que os problemas espaciais. O número de problemas apresentados aos participantes variou de quatro a dez.
- Atribuir períodos de descanso no início e no final de coleta de dados - usado para a obtenção de dados de base. Certifique-se de que cada uma delas tem a mesma duração (por ex., 120 segundos).
- Se desejar, conduzir uma entrevista de saída com o participante. Isso pode incluir os seus pensamentos sobre a apresentação experimental, usando o fone de ouvido EEG, o processo de comunicação utilizada em todo recrutamento e participante preparação, e / or qualquer protocolo que requer respostas verbais mencionados acima. Um questionário validado usuário pode ser fornecido aos participantes, em vez de conduzir uma entrevista.
- Desligue o software task-apresentação, o software EEG-logging, remova o fone de ouvido EEG e desligue o equipamento de gravação de vídeo.
5. Conclusão da Sessão
- Dispensar o participante do estudo. Obrigado o participante e proporcionar-lhes uma visão geral de qualquer contato futuro (por exemplo., Para entrevistas de acompanhamento ou sessões subsequentes do estudo), explicar como os resultados do estudo podem ser publicados e / ou colocados à disposição dos participantes, e fornecer quaisquer bebidas ou o pagamento (ou uma explicação de como será fornecido o pagamento) serão acordadas no âmbito da compensação para a participação no estudo.
- logs de transferir dados para qualquer dispositivo de armazenamento necessário a longo prazo ou transferência. Armazenar o formulário de consentimento assinado de forma adequada e conforme designado pelo protocolo IRB.
- Retire os feltros do fone de ouvido e higienizar ou eliminá-los.
- Devolver as carcaças dos eléctrodos de EEG e fone de ouvido para o local de armazenamento adequado.
- Descarte as seringas usadas e lixo de forma adequada.
- Voltar líquidos para locais de armazenamento adequados.
- Fixe o laboratório se não está sendo usado por outros pesquisadores.
Análise 6. Os dados
- Identificar e extrair os dados brutos para cada canal e os dados do marcador a partir dos registros de dados de EEG. Use marcadores de bit ASCII para identificar o início eo fim da recolha de dados, bem como as transições entre as diferentes fases de coleta de dados (por exemplo., Tipos de problemas) e problemas individuais. Certifique-se de que cada tipo de fase tem um valor diferente de marcador, de modo a permitir a diferenciação durante a análise. Nome os dados de uma maneira que faz referência o código de ID de participante como a fonte.
Nota: Os comandos EEGLAB são daqui efined, mas EEGLAB requer MATLAB para esta execução.- Clique em Arquivo> Importar dados> Usando funções EEGLAB e plugins> De arquivos EDF / EDF + GDF (BIOSIG caixa de ferramentas)
- Selecione o arquivo de dados apropriado. Clique em Abrir para carregar os dados.
- Selecione a lista de canais. Clique em OK para aceitar.
- Fornecer um nome de conjunto de dados. Especifique um nome descritivo para os dados que refletem a origem e data de colheita. Neste caso, PSF1448 indica dados de ID Participante 48, no outono de 2014.
- Mapear os dados extraídos para a montagem (isto é, a disposição dos nós EEG.), Seleccionando a montagem fornecido pelo fornecedor de EEG auricular (por exemplo, um 10 -. Sistema 20). Garantir a montagem a ser utilizado para a análise corresponde ao layout do fone de ouvido EEG utilizados durante a sessão. Isto é específico do fabricante.
- Editar localizações de canal clicando em Editar> Canal Localizações.
- Selecione Montage. Neste caso, o default montagem é apropriado, então basta clicar em OK para aceitar.
- Selecione Canal informações de especificação. Neste caso, o padrão é apropriado, então basta clicar em OK para aceitar.
- Reduzir o canal de dados de EEG para o que é o mais representativo da actividade do cérebro, tal como definido abaixo.
- Aplicar um filtro inicial para os dados. Normalmente, aplicar um passa-alta, filtro passa-baixa (com 0,1 Hz como o limite inferior do filtro passa-alta e 59 Hz como o limite superior do filtro low-pass). A aplicação de um filtro passa-baixa, inferior a 60 Hz remove o ruído da rede elétrica dos EUA. Salvar o conjunto de dados com um novo nome como um ponto de restauração.
- Clique em Ferramentas> Filtro FIR Básico (novo padrão).
- Definir parâmetros de filtro básico. Definir borda inferior a 0,1 Hz, borda superior a 59 Hz, não traçar a frequência de resposta e clique em OK para aceitar.
- Especifique um novo nome para os dados filtrados (anexando "_filtered" ao nome do conjunto de dados existente). Verifique a bboi para salvar os dados como um arquivo e usar o mesmo nome para o nome do arquivo. Clique em OK para aceitar.
- Remova todos os dados que se encontram antes do primeiro marcador de EEG ou depois do último marcador de EEG - tendo em mente qualquer latência na gravação dos marcadores de EEG. Grave a latência (o tempo) do marcador que indica o início de gravação de dados e a latência do marcador indicando o fim dos dados. Salvar o conjunto de dados com um novo nome como um ponto de restauração.
- Os valores de latência podem ser encontrados nos "valores evento Editar - pop_editeventvals ()" tela; pressione o botão ">>" para ir para o marcador final, significando o fim dos dados de EEG. Nenhuma mudança precisa aceite, então clique em Cancelar uma vez que os valores foram registrados.
- Clique em Editar> Selecionar dados.
- Digite a latência início e no fim valores (tempo), separados por um espaço, na "Time intervalo [min max] (s)" campo e clique em OK para aceitar.
- Especifique um novo nome para ocortadas de dados (anexando "_cropped" ao nome do conjunto de dados existente). Marque a caixa para salvar os dados como um arquivo e usar o mesmo nome para o nome do arquivo. Clique em OK para aceitar.
- Rejeitar seções de dados com grandes artefatos. Os passos incluídos abaixo descrevem como fazer isso manualmente ao inspecionar visualmente os dados. Nota: a remoção de dados também irá causar artefactos 34,35.
- Normalizar os dados em cada canal (remover a média e colocar cada canal na mesma escala). Também remover o deslocamento de DC (isto altera os dados, mas não a visualização).
- Clique Plot> Dados do Canal (rolagem).
- Clique em Configurações> Intervalo de tempo para exibir.
- Especifique o intervalo de tempo (. Por exemplo, 30 segundos) para ser mostrado na trama no "comprimento New window (s):" campo. O intervalo de tempo é baseado no tempo entre os marcadores de problemas dentro de uma dada fase (ou numa das duas fases problemas espaciais). O intervalo de tempo pode ser de based no máximo, mínimo, ou tempo médio entre os marcadores.
- Clique no botão "Norm" para normalizar os dados no gráfico (isto é apenas cosmética e não altera os dados subjacentes).
- Clique em Exibir> Remover DC deslocamento para remover o DC deslocamento da parcela (este é apenas cosmética e não altera os dados subjacentes).
- Remover grandes artefactos que não se repetem periodicamente ao longo do tempo.
- Mark todos os dados artefato Olhar anormais. Uma vez que todos os dados de artefato foram marcados, clique no botão Rejeitar.
Nota: podem aparecer como picos largos anormalmente elevados ou em que os dados em canais - únicas ou múltiplas - ou tendências contanto que aparecem em um pequeno número de canais. Os dados são suspeitas se os dados de canais separados parecem atravessar um ao outro na trama. Estes representam artefatos que não são parte do espectro de ondas cerebrais e, provavelmente, representam o movimento do músculo pelo participante ou um nó (s) wconectividade pobre om. Algo semelhante a uma onda quadrada não é representativo da atividade do cérebro humano.
- Mark todos os dados artefato Olhar anormais. Uma vez que todos os dados de artefato foram marcados, clique no botão Rejeitar.
- Salvar o conjunto de dados com um novo nome como um ponto de restauração.
- Clique em Arquivo> Salvar conjunto de dados atual como.
- Especifique um novo nome para os dados cortadas (anexando "_manRej" ao nome do conjunto de dados existente). Clique em Salvar para aceitar.
- Se um canal específico parece estar com defeito, remova os dados a partir dele individualmente. Isto representa uma grande perda de dados, portanto, fazê-lo com muita cautela. Olhe para os dados do canal ao longo de um longo período de tempo, como muitas vezes se estabelece ao longo do tempo e fornece dados úteis.
- Normalizar os dados em cada canal (remover a média e colocar cada canal na mesma escala). Também remover o deslocamento de DC (isto altera os dados, mas não a visualização).
- Execute uma Análise de Componentes Independentes (ICA) e selecionar as melhores representações de atividade das ondas cerebrais.
Nota: Isto auxilia na remoção dos conjuntos de artefactos repetitivas nos dados. Esses conjuntos contêm artefatos que aparecem várias vezes em intervalos mais ou menos regulares com um sha repetidoPE. Normalmente, eles são o resultado de funções biológicas, tais como piscar ou pulso - cada um dos quais terá o seu próprio conjunto.- Mapear os dados de ICA-separados para uma representação do crânio com base na montagem. Rejeitar resultados associados a piscar, pulso, ou tensão muscular - o que, muitas vezes, aparecem nos resultados da ACI como áreas de ênfase acima dos olhos, perto dos templos, ou sobre as orelhas, respectivamente. Rejeitar qualquer componente que mostra todo o crânio como estando envolvidos, uma vez que não é representativo da actividade cerebral (ver Figura 4) 35 Aceite outros resultados (ver figuras 5 - 6)..
- Clique em Ferramentas> ICA Executar.
- Seleccione o algoritmo ICA padrão (rúnica). Clique em OK para aceitar.
- Clique Plot> Propriedades do componente.
- Selecione os índices componentes (os 14 canais de eletrodos de EEG carregados na memória) e as opções espectrais. Como antes, o bordo inferior é de 0,1 Hz, e o bordo superior é 59Hz. Clique em OK para aceitar entradas.
- Dentro da janela Aceitar / Rejeitar, clique no botão Accept para alterar o status de Rejeitar (e clique novamente para mudá-lo de volta para Aceitar). Clique em OK para registrar a rotulagem Aceitar / Rejeitar.
- Plotar os dados ICA-separados em um gráfico colorido de 2-D. Rejeitar resultados que aparecem entremeados, em branco, ou salpicado com descontinuidades, em seguida, salvar o conjunto de dados com um novo nome como um ponto de restauração (ver figuras 5 - 6).
- Dentro da janela Aceitar / Rejeitar, clique no botão Accept para alterar o status de Rejeitar (e clique novamente para mudá-lo de volta para Aceitar). Clique em OK para registrar a rotulagem Aceitar / Rejeitar.
- Clique em Ferramentas> Remover Componentes - para remover realmente os dados marcados para a rejeição anteriormente.
- Clique em OK para continuar. Os índices de componentes registrados para rejeição são mostrados no "Remover componentes" janela.
- Clique em Aceitar na "Confirmação" janela para continue com a poda dos dados.
- Especifique um novo nome para os dados podadas (anexando "_manRejPruned" ao nome do conjunto de dados existente). Marque a caixa para salvar os dados como um arquivo e usar o mesmo nome para o nome do arquivo. Clique em OK para aceitar.
Nota: As raias que duram mais do que 0,5 segundos são considerados razoáveis para a rejeição. Relativa "bem" pode ter de ser utilizada aqui, dependendo de quão boa outros conjuntos de dados parecem ser - que é desejável manter, pelo menos, metade dos componentes. Bons resultados são muitas vezes representado por gradações contínuas em um terreno de cor contínua de dados 2-D 34.
- Mapear os dados de ICA-separados para uma representação do crânio com base na montagem. Rejeitar resultados associados a piscar, pulso, ou tensão muscular - o que, muitas vezes, aparecem nos resultados da ACI como áreas de ênfase acima dos olhos, perto dos templos, ou sobre as orelhas, respectivamente. Rejeitar qualquer componente que mostra todo o crânio como estando envolvidos, uma vez que não é representativo da actividade cerebral (ver Figura 4) 35 Aceite outros resultados (ver figuras 5 - 6)..
- Aplicar um filtro inicial para os dados. Normalmente, aplicar um passa-alta, filtro passa-baixa (com 0,1 Hz como o limite inferior do filtro passa-alta e 59 Hz como o limite superior do filtro low-pass). A aplicação de um filtro passa-baixa, inferior a 60 Hz remove o ruído da rede elétrica dos EUA. Salvar o conjunto de dados com um novo nome como um ponto de restauração.
- Remova os valores de limite deixados nos dados. Salvar o conjunto de dados com um novo nome como um ponto de restauração.
- Clique em Editar> valores evento.
- Percorra os eventos e clique no botão Excluir evento quando o tipo de evento é um limite. Quando todos tiverem sido removidos, clique em OK.
- Especifya novo nome para os dados apagados-limite (anexando "_deleteBoundaries" ao nome do conjunto de dados existente). Clique em Salvar para aceitar. Usar a mesma seleção de itens de menu que antes de chegar a esta tela (veja o passo 6.3.3.3.1).
- Calcular as métricas de poder absoluto para cada tipo de exercício. Este é um baseado no poder logarítmica transformar com base na medição microvolt eo tempo -. Calculado para cada banda de frequência (Delta, Theta, Alpha, Beta e Gamma) 22
- Chunk os dados em blocos, utilizando marcadores para indicar o início e fim de cada tarefa.
- Clique em Editar> Selecionar dados usando eventos.
- Utilize prazos apropriados para cada tipo de tarefa. Definir o calendário para os períodos de descanso por a duração de um período de descanso. Para os problemas espaciais (que são mais ou menos semelhante em duração), use a duração média de todas as tarefas espaciais ou a duração máxima de todas as tarefas espaciais. Para a aplicação (por ex., Engineering Estática) problemas, identificar a duração média para cada problema. Salvar o conjunto de dados com um novo nome como um ponto de restauração.
- Digite o tipo de marcador no "tipo (s) Evento ([] = all)" campo, (por exemplo., Marcador de Tipo 50 foi usada para marcar os eventos de descanso). eventos resto tinha uma duração de 120 segundos, neste caso, de modo introduzir "1 120" para a matriz prazos. Clique em OK para aceitar.
- Especifique um novo nome para os dados do evento (anexando "_rest" ao nome do conjunto de dados existente, neste caso). Marque a caixa para salvar os dados como um arquivo e usar o mesmo nome para o nome do arquivo. Clique em OK para aceitar.
Nota: Se as porções aplicados podem ser reduzidos para que elas tomem mais ou menos a mesma quantidade de tempo que as tarefas espaciais, em seguida, usar o mesmo tamanho prazo como as tarefas espaciais. Desde EEG é uma medida urgente, os mais precisos as épocas de tempo são para cada condição, os menos confundidos os dados estão no final (ie., O número de amostras coletadas para cada condição será mais consistente).
- Chunk os dados em blocos, utilizando marcadores para indicar o início e fim de cada tarefa.
- Compare os resultados para análise final.
- Calcular a percentagem de cada parcela relativa às medidas de repouso iniciais. Veja o arquivo de código suplementar, e Tabelas 1 - 8.
- Abra o script Absolutepower em MATLAB e clique no botão Run para executar o script sobre os dados carregados no espaço de trabalho durante a etapa 6.6 (por exemplo., Os dados de repouso).
- Selecione os dados absolutepowermatrix no MATLAB Workspace para transferência para um programa de planilha (por exemplo., MS Excel).
- Repita os passos 6.5 - 6.6.1.2 para cada tipo de exercício / marcador.
- Comparar os resultados com prazos semelhantes (por exemplo., Tarefas espaciais) para um outro para a introspecção em dificuldade relativa.
- Comparação de resultados entre os participantes a identificar performers relativos mais elevados em relação artistas mais baixas nas habilidades que estão sendo avaliados. Nota: de alto desempenho pode mostrar muito little aumentar na activação beta em relação à linha de base, enquanto a de baixo desempenho pode mostrar um aumento da ordem de 70% 21-26.
- Calcular a percentagem de cada parcela relativa às medidas de repouso iniciais. Veja o arquivo de código suplementar, e Tabelas 1 - 8.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Nesta secção, os passos anteriores são ilustradas com valores de amostra, tal como descrito abaixo. resumos de dados completos com testes estatísticos não são fornecidos, como o objetivo deste trabalho é se concentrar em métodos. Exemplos de potencial TSVP: R, MCT, e problemas espaciais são dadas na Figura 1, Figura 2 e Figura 3, respectivamente.
A tampa EEG irá recolher activação cérebro através de potenciais eléctricos para cada canal de dados, o que pode ser visto em paralelo como mostrado na Figura 7. Como mencionado anteriormente, certos artefactos dentro dos dados precisam de ser removidas manualmente, enquanto outros pode ser removido por meio de ACI. Às vezes, um canal com defeito pode ser identificado. Tais artefatos são visíveis na Figura 7. No software de análise, os grandes artefatos, não repetitivos podem ser marcados manualmente em seqüência e, em seguida, removido clicando no botão "rejeitar" (como na etapa 6.3.3.2.1). Todas as figuras com imagens de análise de dados EEGsão da ferramenta de software de análise listado na tabela de materiais.
Seguindo o ICA, o software de análise mapeia os dados de duas maneiras: 1) Uma representação mapeada-couro cabeludo de ativação, e 2) Um gráfico de dados contínua 2-D da ativação vestida por Trials e Time. Um exemplo de dados aceitáveis pode ser observado na Figura 5. Um exemplo de couro cabeludo rejeitado mapeados os dados que indicam a actividade não está relacionado com o cérebro para três casos pode ser visto na Figura 4. 2D parcelas de dados contínua para esses mesmos rejeitados três casos pode ser visto em Figura 6. o estrias observadas em consideração as duas primeiras parcelas mandados para remoção. O estrias no terceiro lote poderá ser considerado limítrofe - 2-D parcelas de dados contínua dessa qualidade pode ser considerada para inclusão, e o pesquisador deve considerar o equilíbrio entre incluindo sinais espúrios e descartando dados valiosos. Raias mais de 0,5 segundos são considerados grounds para a rejeição. Para mais detalhes, consulte o site da EEGLAB (http://sccn.ucsd.edu/eeglab/).
Uma vez que todos os dados de confusão foram rejeitadas - seja por meio de rejeição manual, enquanto olhando para os lotes de ondas cerebrais ou depois ICA - e os dados foram fragmentada em tempo para o tipo de atividade adequado, os cálculos poder absoluto pode ser feita para cada banda de frequência e para cada acção digite através do script MATLAB (com base nas funções de software de análise), especificada no arquivo de código suplementar. Os dados resumidos então gerados pela função são mostrados nas tabelas abaixo Tabela 1 contém os dados a partir dos períodos de tempo de repouso -.. Que são utilizados como linha de base para os cálculos de eficiência Tabela 2, Tabela 3 e Tabela 4 apresenta-se a potência absoluta dados para a TSVP: R, MCT, e problemas Estática, respectivamente. Dividindo-se pelo valor da célula para o canal correspondente e proibição de frequênciad na tabela de repouso, os rácios de energia absolutos relativos são apresentados na Tabela 5, Tabela 6, e na Tabela 7 para TSVP: R, MCT e problemas Estática, respectivamente.
Em última análise, o valor médio em todos os canais é levado para a banda de frequência de beta para cada tipo de actividade, e os resultados são mostrados na Tabela 8. Este tipo de dados pode ser utilizada para identificar os ROIs para pesquisas futuras. A partir destes dados para o participante em questão, vemos que o poder absoluto relativa pareça menor para o TPSV: R do que para o MCT. conclusões decisivas sobre esta declaração, no entanto, continuam dependentes de um tamanho de amostra maior para estabelecer possível significância estatística. O poder absoluto relativo para tarefas Estática pode ser comparado com o valor de outros participantes, e as estimativas de alta performance vs esforço cognitivo performer baixo podem ser identificados que podem ser correlacionados com escores funcionais sobre os problemas Estática para validação. Embora este seja especificamente um papel de métodos, e apresenta exemplos de dados de apenas um participante, a análise estatística do relatório preliminar usado um teste de Levene para avaliar a normalidade, seguido pelo teste de Friedman comparando grupo x tarefa x canal de EEG. Finalmente, um teste de Wilcoxon de acompanhamento foi realizado sobre os efeitos Friedman significativas e interações. A comparação entre os desempenhos altos e baixos apresentaram níveis significativamente mais altos de ativação beta para baixo desempenho do que para os de alto desempenho (Para TPSV: R, F3: χ 2 (1,6) = 5,33, p <0,03; T8: χ 2 (1, 6) = 4,08, p <0,05; FC6: χ 2 (1,6) = 4,08, p <0,05; F8: χ 2 (1,6) = 4,08, p <0,05; AF4: χ 2 (1 ., 6) = 5,33, p <0,03 para o MCT, F3: χ 2 (1,6) = 5,33, p <0,03; T8: χ 2 (1,6) = 5,33, p <0,03; FC6: χ 2 (1,6) = 5,33, p <0,03; AF4:. χ 2 (1,6) = 4,08, p <.05 Para Estática, FC6: χ 2 (1,6) = 4,08, p <0,05). 9
Figura 1: TPSV:. R Exemplo Problema Parte A demonstra uma única TPSV amostra: R Problema como visto pelos participantes. (Fonte: Guay (1976)). A resposta correta é C. Parte B fornece uma explicação visual da solução Por favor clique aqui para ver uma versão maior desta figura.
Figura 2:. Exemplo MCT Problema Parte A demonstra uma única amostra MCT problema como visto pelos participantes. A resposta correta é D. Parte B fornece uma explicação visual da solução. (Fonte: CEEB (1939))"Target =" _ blank "> Clique aqui para ver uma versão maior desta figura.
Figura 3:. Exemplo Estática Problema Ilustra um único problema exemplo Estática dada aos participantes. Este problema é para in-plane (ie., 2-D) de equilíbrio dada três forças e uma estrutura de ligação comum. Por favor clique aqui para ver uma versão maior desta figura.
Figura 4:. Exemplos de Actividade cerebral Scalp-mapeada Três exemplos de dados mapeados em couro cabeludo pós-ICA são mostrados de um indivíduo, de 23 anos de idade, participantes do sexo masculino. activação de couro cabeludo completa, a ativação acima de um único olho / templo, e ativação focada en olhos e templos são indicativos da atividade corporal, não a atividade do cérebro, como mostrado após ICA no IC2, IC3 e IC4, respectivamente. Por favor clique aqui para ver uma versão maior desta figura.
Figura 5:. Aceitáveis Post-ICA técnica As imagens Ilustração do mapa do couro cabeludo aceitável e 2-D trama contínua de dados depois de ICA para um caso de exemplo, Independent Component 13 (IC13), a partir de um indivíduo, de 23 anos de idade, participantes do sexo masculino. Activação parece estar centrada em uma região do cérebro na vista mapeada-couro cabeludo, e há grandes estrias são visíveis na trama contínua de dados. Por favor clique aqui para ver uma versão maior desta figura.
Figura 6:. 2-D gráficos de dados contínuos de harmonização Imagens Scalp-mapeadas Três exemplos de pós-ICA parcelas de dados contínua são mostrados de um indivíduo, 23-year-old participante, do sexo masculino. Bandas grossas ou listras nas 2-D parcelas de dados contínuo do ICA indicam descontinuidades não indicativos da função cerebral normal em IC2, IC3, IC4 -. Particularmente no IC2 e IC3 parcelas Por favor clique aqui para ver uma versão maior desta figura.
Figura 7:. Dados de ondas cerebrais com artefatos Screenshot de um artefato (canal F7) marcado manualmente para a rejeição com um intervalo de tempo de amostra de um indivíduo, 23-year-old participante, do sexo masculino. Observe o evento através de múltiplos canais entre 132 e 133: Os eventos similares são repetidos várias vezes (aproximadamente a mesma forma e tamanho, em intervalos regulares) - e, portanto, são considerados para representar uma função biológica não-cérebro - e pode ser removido por meio de análise de componentes independentes (por exemplo, piscando.) (ICA). por favor clique aqui para ver uma versão maior desta figura.
. Suplementar arquivo de código: MATLAB Script e Alteração Exibe os scripts (spectopo.m e absolutepower.m) para a transformação com base na medição microvolt eo tempo - calculada para cada banda de frequência (Delta, Theta, Alpha, Beta e Gamma) - para obter o poder absoluto em cada frequência 22. As alterações de código necessárias para o funcionamento adequado em pop_chanedit.m também estão incluídos.lemental_Code_File.txt "> Por favor, clique aqui para fazer o download deste arquivo.
| DESCANSAR | 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 | ||
| alfa | 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 | |
| gama | 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 | |
Tabela 1:. Resto poder absoluto contém os valores de poder absoluto para os períodos de tempo de descanso da linha de base. Os valores são mostrados para cada canal tampa EEG e cada banda de frequência neural. Por favor clique aqui para baixar esta tabela como uma planilha Excel.
| TSVP: 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 | |
| alfa | 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 | |
| gama | 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 | |
Tabela 2: TPSV:. R Poder Absoluto contém os valores de poder absoluto para os períodos de tempo em que o participante estava resolvendo TPSV: Problemas R. Os valores são mostrados para cada canal tampa EEG e cada banda de frequência neural. Por favor clique aqui para baixar esta tabela como uma planilha Excel.
| 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 | |
| alfa | 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 | |
| gama | 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 | |
Tabela 3:. MCT Poder Absoluto contém os valores de poder absoluto para os períodos de tempo quando o participante estava resolvendo problemas MCT. Valores são mostrados para each EEG canal tampa e cada banda de frequência neural. Por favor clique aqui para baixar esta tabela como uma planilha Excel.
| estática | 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 | |
| alfa | 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 | |
| gama | 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 | |
Tabela 4:. Estática poder absoluto contém os valores de poder absoluto para os períodos de tempo quando o participante estava resolvendo problemas Estática. Os valores são mostrados para cada canal tampa EEG e cada banda de frequência neural. Por favor clique aqui para baixar esta tabela como uma planilha Excel.
| TPSV: R% | AF3 | F7 | F3 | FC5 | T7 | P7 | O1 | O2 | P8 | T8 | FC6 | FC4 | FC8 | AF4 | média | |
| 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 | ||
| alfa | 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% | |
| gama | 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 | ||
. Tabela 5: TPSV: R Relativa Poder Absoluto Contém os valores de potência absoluta relativos - ou seja, a proporção em relação à linha de base Rest - para os períodos de tempo em que o participante estava resolvendo TPSV: Problemas R. Os valores são mostrados para cada canal tampa EEG e cada banda de frequência neural./ftp_upload/53327/Table_5.xlsx">Please clique aqui para baixar esta tabela como uma planilha Excel.
| MCT% | AF3 | F7 | F3 | FC5 | T7 | P7 | O1 | O2 | P8 | T8 | FC6 | FC4 | FC8 | AF4 | média | |
| 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 | ||
| alfa | 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% | |
| gama | 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 | ||
. Tabela 6: MCT Relativa Absoluta de alimentação contém os valores de potência absoluta relativos - isto é, a proporção em relação à linha de base Resto - para os períodos de tempo em que o participante foi resolver problemas MCT. Os valores são mostrados para cada canal tampa EEG e cada banda de frequência neural. Por favor clique aqui para baixar esta tabela como uma planilha Excel.
| estática% | AF3 | F7 | F3 | FC5 | T7 | P7 | O1 | O2 | P8 | T8 | FC6 | FC4 | FC8 | AF4 | média | |
| 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 | ||
| alfa | 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% | |
| gama | 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 | ||
. Tabela 7: Estática Relativa Poder Absoluto Contém os valores de potência absoluta relativos - ou seja, a proporção em relação à linha de base Rest - para os períodos de tempo em que o participante estava resolvendo problemas Estática. Os valores são SHprópria para cada canal tampa EEG e cada banda de frequência neural. Por favor clique aqui para baixar esta tabela como uma planilha Excel.
| média | |
| TPSV: R% | 85,2% |
| MCT% | 109,2% |
| estática% | 90,5% |
. Tabela 8: Média Relativa Poder Absoluto Contém os valores de potência absoluta relativa - isto é, a proporção em relação à linha de base Rest - média de todos os canais cap EEG para os períodos de tempo quando o participante estava resolvendo TPSV: Problemas R, MCT e Estática . Percentagens são mostrados para a faixa de frequências beta só. Por favor clique aqui para baixar esta tabela como umaplanilha Excel n.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
O protocolo discute a aplicação da eletroencefalografia para medir a atividade cerebral dos participantes problemas de trabalho a partir de dois instrumentos típicos habilidade espacial e problemas de engenharia Estática altamente espaciais. Os métodos detalhados aqui pode vir a ser capaz de ajudar a compreender a eficiência neural de artistas de alta e baixa envolvidos em trabalhar esses problemas. É vital para entender as diferenças na eficiência neurais de estudantes de engenharia que trabalham no MCT e TPSV: R, uma vez que estes testes são muitas vezes utilizados para avaliar a capacidade espacial. Comparando-os uns aos outros nos permite avaliar melhor a sua aplicabilidade para o sucesso em engenharia e sua posição no currículo de engenharia fundamental.
O protocolo estabelece procedimentos para a investigação sobre a eficiência neurais associadas com tarefas cognição espacial. É importante que os instrumentos fiáveis e válidos são usados para avaliar a capacidade espaciais ligados ao conteúdo de engenharia. ele itambém é importante que os problemas de engenharia direcionar o conteúdo de engenharia representante para um curso específico. medições de EEG oferecer uma capacidade de não-intrusiva distinta para triangular dados de componente cognitivo de estudantes em aspectos espaciais de resolução de problemas de engenharia. tempo adequado carimbar deve ser usado para tais coleta de dados, garantindo triangulação com eventos arquivados e vídeo. protocolos IRB deve ser rigorosamente seguido, garantindo o anonimato dos dados participante e análise.
A maioria das preocupações de solução de problemas ocorrem durante a coleta de dados de EEG como detalhado abaixo, ea maioria das pessoas são tratadas antes que os dados são gravados. Correções para pobres impedância e ruído são melhor tratadas durante a instalação. Seguindo as instruções do fabricante fone de ouvido do EEG é fundamental e, em nossa experiência, as indicações de software do fabricante pode direcionar os usuários para verificar eletrodos específicos. Tipicamente, a ligação entre a almofada de feltro e a PARTICIPANA cabeça de t precisa ser umedecido mais, ou a conexão entre cada eletrodo e o fone de ouvido pode precisam ser verificados. Se alguma conectividade é visível, mas a qualidade é pobre, utilizando a seringa para re-umedecer o feltro é muitas vezes suficiente, e às vezes o fone de ouvido precisa ser ajustado fisicamente para garantir um contato firme com o couro cabeludo. Em alguns dos casos, tivemos que pedir aos participantes para enxaguar os cabelos em uma pia antes fomos capazes de obter uma boa conexão. Quando o eletrodo apareceu a não ser a transmissão de dados, que muitas vezes era remediada através da remoção do eléctrodo e reinserindo-lo. Por vezes, a caixa de plástico para o eléctrodo pode rachar, caso em que terá de ser substituída.
Outro solução de problemas podem ocorrer durante a análise de dados, e é discutido no protocolo. pré-processamento de dados envolve a filtragem e remoção de artefatos. Muitas vezes, o software de análise de dados suporta a rejeição manual, bem como scripts que podem ser executados durante o pré-processamento e pro cessamento de dados.
Modificações foram feitas para um script dentro do software de análise. Essas mudanças estão documentadas no arquivo de código suplementar. As modificações introduzidas no protocolo também pode ser feita. Um protocolo concorrente foi usado no qual as respostas verbais são necessários durante o estudo. Isto irá introduzir mais artefatos nos dados de EEG, mas irá fornecer mais detalhes sobre o conhecimento funcional do participante durante os testes. Uma alternativa, também tem sido utilizada no qual o participante participa numa entrevista gravado em vídeo com o pesquisador após a sessão.
Outras modificações possíveis recomendadas incluem a utilização de capacidade espacial diferente testa 14, diferentes questões de engenharia 17, ou outras avaliações educacionais. Métricas diferentes de atividade cerebral, possíveis através de EEG e outros instrumentos, também pode lançar luz sobre a dificuldade, ou outras características, de avaliação de competências.
jove_content "> Nós reconhecemos que existem limitações com a técnica definido neste documento As construções de habilidade espacial (rotação e corte superfície aplainada) medidos pelo TPSV:. R e MCT são apenas duas das muitas construções potenciais mensuráveis com outras métricas espaciais. além disso, as tarefas espacialmente intensivos diferentes (ie., diferentes tipos de problemas ou diferentes cursos e cursos) também pode ser avaliada. a investigação sobre a eficiência neural deve, claro, também ser realizado em um âmbito mais amplo do que os cursos de engenharia apenas fundamentais, tais como Estática. Para exemplo, deve ser investigada dentro dos muitos campos STEM reconhecido na literatura que depender de raciocínio espacial 3. Além disso, estudos de eficiência neurais não deve ser limitado às competências directamente ligadas apenas à habilidade espacial 21-28. Mesmo dentro da pesquisa envolveu em ondas cerebrais medição, a prática da média de medições de potência ao longo da duração de uma tarefa proíbe investigaçãoem outras correlações que podem ocorrer dentro dos padrões de atividade cerebral. medições EEG, devido à sua responsividade temporais, não se limitam a estudos de eficiência neurais. E EEG instrumentação é limitou-se pela profundidade da atividade cerebral pode detectar, especialmente quando comparado com a maior resolução espacial de espectroscopia no infravermelho próximo funcional ou ressonância magnética funcional, embora a sua responsividade temporais permanece entre os melhores 36.Em última análise, o potencial da utilização de medidas fisiológicas para fornecer informações para a teoria e prática educativa aparece imensa 37,38. A abordagem técnica e os objetivos deste protocolo são diferentes do que a abordagem biofeedback usando EEG na educação / formação estuda 39, mas todos são dignos de consideração como visão é adquirida em fenômenos como o desenvolvimento de habilidade espacial e desenvolvimento de habilidades de engenharia. Esta abordagem de utilização de EEG para examinar effici neuralrência entre as tarefas espaciais inerentes dentro de instrumentos específicos habilidade espacial define outro método de segregar os testes de habilidade espaciais. Isso exemplifica uma nova aplicação de uma abordagem neurocientífica para a investigação de testes de habilidade espacial, bem como a abertura de uma abordagem neurocientífica para a investigação de teoria educacional existente. Encontrar métodos para verificação e validação faz parte da cultura de engenharia. Dentro desta nova aplicação, o teste de ondas cerebrais fisiológica pode abrir um novo campo de conhecimento e teoria educacional de refino. Na verdade, se visto como uma potencial via de validação, uma nova e nova geração de engenharia de pesquisa educacional possa surgir.
Subscription Required. Please recommend JoVE to your librarian.
Acknowledgments
Os autores gostariam de reconhecer Christopher Green, Bradley Robinson, e Maria Manuela Valladares, para ajudar com a coleta de dados. O financiamento para equipamentos de EEG foi fornecido pelo Escritório de Pesquisa e Pós-Graduação Equipamento Grant da Universidade Estadual de Utah para multisensorial Cognition Lab de Kerry Jordan. Benjamin chamada é suportado por uma presidencial Doutorado Research Fellowship atingido pela Escola de Pós-Graduação da Universidade Estadual de Utah por seu trabalho com o Dr. Wade Goodridge.
Materials
| Name | Company | Catalog Number | Comments |
| Emotiv EPOC Model 1.0 | Emotiv | Model: Emotiv Premium | "High resolution, multi-channel, portable EEG system." |
| Emotiv Control Panel (software) | Emotiv | Used for data collection. | |
| Emotiv Testbench (software) | Emotiv | Used for data collection. | |
| Virtual Serial Port Emulator - VSPE (software) | ETERLOGIC.COM | Used COM10 in data collection. Available as a free download, depending on the operating system. | |
| E-Prime 2.0 (software) | Psychology Software Tools | Used for data collection (presentation of problems to participants and collection of markers for different phases). | |
| EEGLab 13.4.4b (software) | Swartz Center for Computational Neuroscience (SCCN) | Used for data analysis. "An open source environment for electrophysiological signal processing". SCCN is a Center of the Institute for Neural Computation, the University of California San Diego. | |
| MATLAB R2014b | The Mathworks, Inc. | Used to run EEGLab | |
| Microsoft Excel 2013 | Microsoft | Used to assemble and compare tabulated results from EEGLab & MATLAB, to create tables | |
| Camcorder with built in Mic | Canon | CNVHFR50 | Used to record sessions |
| Syringe Kit (5 cc syringe & 16 G blunted needles x 2) | Electro-Cap Intnl. Inc. | E7 | For keeping the EEG cap's felts damp. |
| Nuprep EEG Skin Prep Gel | Weaver and Company | 10-30 | For cleaning the mastoid process. |
| Sanitizer | Purell | S-12808 | For sanitizing hands |
References
- Sorby, S. A. Educational Research in Developing 3-D Spatial Skills for Engineering Students. Int. J. Sci. Educ. 31 (3), 459-480 (2009).
- 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).
- Uttal, D. H., Cohen, C. A. Spatial Thinking and STEM Education: When, Why, and How? Psychol. Learn. Motiv. 57, 147-181 (2012).
- Halpern, D. F., Collaer, M. L. The Cambridge handbook of visuospatial thinking. , Cambridge University Press. Cambridge. (2005).
- Lubinski, D., Benbow, P. Study of mathematically precocious youth after 35 years. Perspect. Psychol. Sci. 1 (4), 316-345 (2006).
- 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).
- Peters, M., Chisholm, P., Laeng, B. Spatial ability, student gender, and academic performance. J. Eng. Educ. 84 (1), 1-5 (1994).
- Pellegrino, J. W., Alderton, D. L., Shute, V. J.
- 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).
- 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).
- 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).
- CEEB Special aptitude test in spatial relations. , CEEB. USA. (1939).
- Guay, R. Purdue spatial visualization test. , Purdue University. (1976).
- Hegarty, M. Components of Spatial Intelligence. , Elsevier Inc. San Diego, CA. (2010).
- Bishop, J. E.
- 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).
- Steif, P. S., Dantzler, J. A. A Statics Concept Inventory: Development and Psychometric Analysis. J. Eng. Educ. 94 (4), 363-371 (2005).
- Suresh, R. The relationship between barrier courses and persistence in engineering. J. Coll. Student Retention. 8 (2), 215-239 (2006).
- Pfurtscheller, G., Lopes da Silva, F. H. Event-related EEG/MEG synchronization and desynchronization: basic principles. Clin. Neurophysiol. 110 (11), 1842-1857 (1999).
- 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).
- Babiloni, C., et al. Resting state cortical rhythms in athletes: a high-resolution EEG study. Brain Res. Bull. 81 (1), 149-156 (2010).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Meyer-Lindenberg, A. From maps to mechanisms through neuroimaging of schizophrenia. Nature. 468, 194-202 (2010).
- 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).
- 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).
- 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).
