Waiting
Login processing...

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

Behavior

Utnytte elektroencefalografi Målinger for sammenligning av Task-spesifikke Neural Effektivitet: Spatial Intelligence Oppgaver

Published: August 9, 2016 doi: 10.3791/53327
Automatic Translation
1, 1, 1, 2, 2
1Department of Engineering Education, Utah State University, 2Department of Psychology, Utah State University

Summary

Dette manuskriptet beskriver en tilnærming for å måle hjerneaktiviteten hos mennesker, mens løse romlig fokuserte tekniske problemer. Den elektroencefalogram metodikken hjelper tolke beta hjernebølgemålinger i form av neural effektivitet, med sikte på å til slutt slik at sammenligninger av oppgavene utføres både mellom problemtyper og mellom deltakerne.

Abstract

Romlig intelligens er ofte knyttet til suksess i ingeniørfag utdanning og tekniske yrker. Bruken av elektroencefalografi muliggjør komparativ beregning av individers neural effektivitet som de utfører påfølgende oppgaver som krever romlig evne til å utlede løsninger. Neural effektivitet her er definert som å ha mindre beta aktivering, og derfor expending færre nerve ressurser, for å utføre en oppgave i forhold til andre grupper eller andre oppgaver. For inter-oppgave sammenligninger av oppgaver med lignende varighet, kan disse målingene muliggjøre en sammenligning av oppgavetypen vanskelighetsgrad. For intra-deltaker og inter-deltaker sammenligninger, disse målingene gir potensial innblikk i deltakernes nivå av romlig evne og ulike ingeniørfag problemløsning oppgaver. Resultater på de valgte oppgavene kan analyseres og korrelert med beta aktiviteter. Dette arbeidet presenterer en detaljert forskningsprotokoll studere nevrale effektiviteten av studenter engalderen i løsning av typiske romlig evne og statikk problemer. Studenter fullført problemer som er spesifikke for Mental Skjærende Test (MCT), Purdue Spatial Visualisering test rotasjoner (PSVT: R), og statikk. Mens engasjert i å løse disse problemene, ble deltakernes hjernebølger målt med EEG slik at data kan samles om alfa og beta hjernen wave aktivering og bruk. Arbeidet ser ut til å korrelere funksjonell ytelse på rene romlige oppgaver med romlig intensive tekniske oppgaver å identifisere veier til vellykkede resultater i prosjektering og de resulterende forbedringer i ingeniørutdanningen som kan følge.

Introduction

Spatial evne er avgjørende for Science, Technology, Engineering og matematikk (STEM) felt og utdanning og korrelerer med suksess i disse områdene 1,2,3. Derfor er det viktig å forstå utviklingen av hvordan romlig evne virkninger problemløsning 4. Spatial evne har vært knyttet til rente 5, ytelse 6, suksess i ingeniør akademikere 7 og suksess i engineering fagfolk 8. Men det er ikke mye arbeid som indikerer spesifikke nevrale prosesser i å løse problemer som er typiske for mange romlige evne instrumenter, og heller ikke bestemt ingeniør innhold som er svært romlig.

Dette papiret gir en innføring i metoder som brukes for datainnsamling og analyse av romlige evne instrument score kombinert med nevrale målinger. Hensikten med å publisere med Jove er å gjøre disse metodene mer tilgjengelig for et bredere publikum. Allmennheten maskinvare og programvare were anvendt i denne studien. Som metoder papir, er fullstendige resultater / datasettene ikke rapportert, heller ikke flere prøver som er levert. Alle bildene ble tatt spesielt for denne publikasjonen. Metodene beskrevet nedenfor ble utnyttet i å utarbeide en foreløpig konferanserapport 9 basert på data fra åtte college sophomore aldrende deltakere, hvorav tre var kvinner.

Mange eksisterende virkemidler brukes for å indikere nivåer av romlig evne iboende til eller lært av enkeltpersoner. To gyldige og pålitelige 10,11 instrumenter som ofte brukes er Mental Cutting Test (MCT) 12 og Purdue Spatial Visualisering test rotasjoner (PSVT: R) 13. Mens opprinnelig yrkes designet 14 slike instrumenter teste ulike stadier av romlig visualisering utvikling beskrevet av Piagetian teori 10,15. Bruken av disse instrumentene skaper et behov for å forstå de underliggende fysiologiske kognitive fenomener i allerede eksisterendeg når enkeltpersoner arbeide gjennom disse problemene. Av denne grunn, har som mål denne studien å presentere metoder benytter empiriske fysiologiske data som kan til slutt forbedre analyse og forståelse av romlige tanke, bekrefter eksisterende beregninger testing evner, og øke anvendbarheten av romlige vurderinger til mer komplekse problemer som er typiske for ingeniørutdanning. Mange av disse problemene kan oppstå i ingeniørfag Statikk.

Statikk er en grunnlegg mekanikk selvsagt levert til de fleste ingeniørstudenter (f.eks., Biologisk, mekanisk, Civil, miljø, Aerospace Engineering) 16,17. Det er en av de første omfattende problemløsning erfaringer som studentene er gitt i kjernen ingeniør innhold 18. Statikk omfatter studier av interaksjonen av kreftene på et stivt legeme som er i ro eller beveger seg med en konstant hastighet. Dessverre Statikk har høyt frafall, tilbaketrekning, og feilrater (14% som sett i investigated University), og dette kan være relatert til tradisjonelle kurs-og pensumleveringsmodeller som utelater viktige veier for støtte som romlig forbedrede tilnærminger til utdanning. For eksempel kan romlig forbedrede metoder i Statikk målrette visualisering av hvordan kreftene samhandle utenfor typiske analytisk analyse og forsterke studentenes handlingsbåren kunnskap med jordet konseptualisering. Effektiviteten av slike tiltak må undersøkes fra en kognitiv nevro perspektiv.

Elektroencefalografi (EEG) presenterer en unik og mobil metode for å måle elevenes hjernebølgeaktiviteten. Personer som utfører oppgaver som utløser beta-aktivering er generelt svært engasjert med oppgave detaljer og er oppmerksomme på hva de gjør 19,20. Som oppgaven krever økning, amplituden av beta-bølger øker, det samme gjør størrelsen på kortikale området båndbredde frekvenser okkupere. Jo flere nevroner som ild ibeta frekvensområdet (alfa: 8 - 12 Hz, beta: 12 - 24 Hz) kan defineres som større beta kraft. Relatedly, som man blir mer erfaren i en oppgave, amplitude av beta bølger avtar, genererer mindre beta makt. Dette er en del av det nevrale effektivitet hypotese 21-28, hvor større oppgave erfaring ved utførelse av en oppgave er relatert til en reduksjon i frekvens kraft. Selv EEG har tidligere blitt brukt i studier av romlige evner (ofte for mental rotasjon og romlige navigasjonsoppgaver) - og gjeldende data har blitt identifisert i alfa, beta, og theta band 27-33 - alfa- og beta-band ble observert for denne studien, og beta ble valgt for videre representant analyse i denne artikkelen og i forhåndskonferansen rapport 9. Prosedyrene definert nedenfor dermed fokusere på beta bandet analyse, men en undersøkelse i alle tre band, avhengig av loggede data, anbefales i fremtiden.

Deneural effektivitet hypotesen har blitt testet på ulike oppgaver, inkludert sjakk, visuospatial hukommelse, balansering, og hvile. Alle har angitt oppgave erfaring som en faktor i redusert frekvens strøm når du utfører vanlige oppgaver. En spesiell studie 25 har presentert bevis for at, selv om intelligensen til en person (målt ved IQ) kan hjelpe den enkelte tilegne seg ferdigheter til å utføre en oppgave, erfaring med oppgaven oppveier intelligens i sitt bidrag til neural effektivitet. Med andre ord, jo mer opplevde en person er, mer effektiv nevralt han eller hun blir.

Eksisterende neural effektivitet studier med romlig evne har primært fokusert på romlig rotasjon, og ulike oppgavesett har blitt brukt til å sammenligne ulike populasjoner (f.eks., Mann / kvinne) 27-28. EEG studier av romlige evne oppgaver har også gitt innsikt ved å sammenligne ytelsen til andre oppgavetyper (f.eks., Verbale oppgaver)27,29,30. Metodene beskrevet i dette dokumentet fokuserer på og sammenligne problemer fra MCT, PSVT: R, samt statiske likevekts oppgaver, som er relatert til romlig evne, men er ikke begrenset til romlig rotasjon og navigasjon. Andre romlige oppgaver kan anvendes i stedet for de som er gitt som eksempler i dette manuskriptet. På denne måten kan ytterligere innsikt oppnås i fremtiden når det gjelder ulike populasjoner (f.eks., Mann / kvinne eller ekspert / nybegynner) til slutt bidra til å forbedre ingeniør pedagogiske praksis.

I et forsøk på å undersøke romlige evne og engineering evner, har vi utviklet en protokoll utnytte EEG-målinger for å identifisere beta bølgeaktiveringer av lav resultater til gode resultater deltakere under et begrenset batteri konkrete romlige og ingeniøroppgaver. I dette tilfellet er den høye utøver begrep knyttet til utførelsen av deltakeren, og er ikke gjenspeiler hvor mye tid tilbrakt i feltet vedelev, som alle deltakerne var på omtrent samme tidspunkt i sin utdanning. I tillegg er problemet sett involvert ganske konkret og grunnleggende; dermed begrepene "ekspert" eller "gode resultater" her ikke må ses i betydningen av en ekspert, profesjonelt ansatt ingeniør, men representerer bare høy ytelse i denne smale stykke ingeniør mekanikk pensum og romlige evne instrumenter. Nerve målinger kan også brukes til å identifisere eventuelle brutto trender som oppgavetyper kan rekruttere flere kognitive ressurser enn andre, med mulig tolkning angående vanskelighetsgrader. Denne informasjonen kan potensielt gi innsikt i fremtidig vurdering og intervensjon med hensyn til romlig evne. Andre fremtidig kunnskap kan utledes ved å betrakte mer spesifikke regioner av hjernen, noe som ikke var mulig i denne studien på grunn av det begrensede antall av kanaler som er tilgjengelige i EEG maskinvaren som brukes.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Etisk uttalelse om bruk av menneskelige Deltakere

Prosedyrer involvert i dette arbeidet er godkjent av Institutional Review Board (IRB) ved Utah State University for å studere mennesker. Det anbefales at alle lignende arbeid skal også godkjennes av den aktuelle IRB. Deltakerne har lov til å stoppe eller trekke seg fra studien når som helst i løpet av eksperimentet.

1. Valg av deltakere

  1. Velg deltakere på frivillig basis fra studenter i dag tatt i en Statikk kurs. Pass på at deltakerne har tidligere blitt utsatt for Statikk innholdet de vil se mens i studien.
    Merk: Ideelt Deltakerne bør ha eksponering mot materialet via foredrag minst fire uker før deltakelse i studien, slik at det er tid for konsolidering av begreper og utvikling av differensialytelsesnivåer.
  2. Gjennomføre rekruttering følge alle IRB protokoller. Forklarealle prosedyrer og begrensninger til potensielle deltakere i detalj. Beskriv omfanget av fremtidig kontakt og hvordan resultatene av studien kan bli publisert og / eller gjøres tilgjengelig for deltakerne. Definer noen kompensasjon for deltakelse i studien. Hvis en frivillig velger å melde i studien, gi ham eller henne med en dobbel-kodet identifikasjonskode bare kjent til og styres av rektor etterforsker.
    Merk: Spesifikk populasjon rekruttering vil kreve statistisk analyse for å bekrefte den statistiske kraften av prøven og antallet nødvendige deltagere for å analysere individuelle forskjeller i de hjernebølgedata. Dersom forskeren ønsker å gjennomføre en sammenlignende studie mellom populasjoner, deretter en maktanalyse bør gjennomføres for å utvikle hensiktsmessige deltaker gruppestørrelser for begge befolkninger.
  3. Velg aktiviteter eller problemer som er representative for de erfaringene ønskede for deltakerne.
    Merk: I denne protokollen, sophomore-nivå ingeniørerstudenter i en Statikk kurset ble valgt. Aktivitetene anses relevant var problemer fra innledende Statikk innhold samt to brukte romlige evne instrumenter: Mental skjæringsplan Test (MCT) og Purdue Spatial Visualisering Test (PSVT-R). Hvert instrument tester forskjellige konstruksjoner av romlig evne og graden av romlig utvikling i denne valgte antall studenter.
  4. Etablere en kalender å organisere laboratorie økter for deltakerne.

2. Utarbeidelse av Instruments

  1. Sett opp EEG hodetelefoner (aka caps) per produsentens instruksjoner. Fylles forberedelse før deltakeren kommer for studien. For å gjenta, er denne prosedyren spesifikt til generelle headsets som Emotiv, i motsetning til medisinsk karakter EEG oppsett.
    1. Lad EEG hodetelefoner - ideelt sett minst 1-hr avgift per økt. For en regelmessig brukt laboratorium, har minst to hodesett lading ent alle tider.
    2. Legg alle nødvendige væsker i et tilgjengelig område, inkludert væsken for å dempe EEG elektroder (f.eks., Vann) og en slipende rensemiddel for å sikre god kontakt for EEG referanse noder.
    3. Sett tover i hver huset (sikre gullkontaktene er godt festet i hver casing). Mette filtene med fuktemiddel ved hjelp av en sprøyte. Tillat fuktet elektrodene å hvile.
  2. Sett opp eventuelle nødvendige videokameraer for å måle deltaker atferd. For den gjeldende protokollen, bruker to videokameraer per deltaker. Re-justere kameraene når deltakeren er på plass. Vær sikker på at videoen er tidsstemplet.
    1. Fokuser ett kamera på deltakerens ansikt hvis formål å registrere ansiktsuttrykk og oppnå høy lydkvalitet.
    2. Fokuser annet kamera på området foran deltakeren å fange håndbevegelser, inkludert håndskrift handlinger (hvis håndskrift er forventet, sørg for å bruke en skriftliginstrument som er mørk og / eller tykk nok til å bli fanget opp av kameraet), og nok av dataskjermen for å gi innsikt i hvilke oppgaver blir løst på hvilket tidspunkt.
    3. Slå på datamaskinen og kontrollere at programvaren er på aktiviteten i hjernen data. Kontroller at alle programvare og datainnsamling enheter grensesnitt tilstrekkelig for datainnsamling.

3. Utarbeidelse av deltagerne og Session Ikrafttredelse

  1. Bekreft mottak av dokumentert samtykke fra deltakere per IRB avtalen omtalt ovenfor. Svare på eventuelle spørsmål deltakerne har før start av studien. Minn deltakerne at dataene som samles inn vil bli referert av ID-kode, og det blir ingen identifiserende informasjon som knytter data til deltaker, og at de kan trekke seg når som helst.
  2. Be hver deltaker til å fylle ut en demografi undersøkelse før deltakelse i studien. Denne undersøkelsen kan spørre om kjønn, enge, tidligere erfaring som kan påvirke deres evner i studien (f.eks., forbi ingeniør eller romlig intensive kurs, romlig evne styrke hobbyer, og spørsmål om eksklusjonskriterier som traumatiske hjerneskader de har lidd, hvilken hånd de bruker).
    1. Ekskluder deltakere fra frivillig gruppe for EEG analyse hvis noen av følgende betingelser er oppfylt: (a) deltakeren blir venstrehendte eller begge hender, for å kontrollere for hjernen laterality forundrer; (B); den enkelte kan ikke delta i lab-økter på grunn av en fysisk funksjonshemming; eller (c) at den enkelte har lidd alvorlig hjerneskade. Varsle potensielle deltakere av disse begrensningene i rekrutteringsprosessen, eller så tidlig som mulig for å unngå å bruke unødvendig tid og ressurser.
  3. Ved ankomst, sikre deltakeren er behagelig og løse eventuelle gjenværende spørsmål eller bekymringer.
    1. Demonstrer sprøyten brukes til å mettenode og forklare at det vil bare bli brukt til å holde EEG filt fuktig. Dersom deltakeren har en ekstrem frykt for nåler, vurdere å gjennomføre andre forholdsregler (f.eks., Holde sprøyten ut av deres fokusplan når re-tisse tover).
    2. Spør deltakeren å fjerne eventuelle elektronikk fra sin person.
  4. Plasser EEG headsettet på deltaker.
    1. Sjekk filt for fuktighet og plasser filt / casing kombinasjoner inn EEG headset.
    2. Rengjør referansepunkter (f.eks., Mastoid prosess) av deltakeren med slipe cleanser. Tørk bort eventuelle rester.
    3. Plasser headsettet på deltakeren med referanse noder riktig på linje med referansepunkter. Ikke bøy armene på hodesettet. Legg igjen et gap mellom referansenoden og baksiden av øret slik at det ikke medfører ubehag, og justere og plass hodesettet hensiktsmessig med deltakerens hode.

4. Programvare Execution i Session

  1. Start EEG-logging programvare. Sørg for at gode tilkoblingsmuligheter eksisterer mellom loggeenhet (f.eks., Personlig datamaskin) og EEG headset ved å sjekke at alle kanalene vises på logging enheten. Sjekk at alle kanaler i utgangspunktet vise lignende oppførsel med lav amplitude svingninger. Sjekk EEG for å sikre gode tilkoblingsmuligheter med deltakeren - gjenfuktende og justering av filt, slik som å oppnå konsistente mønstre på logging enhet - umiddelbart før hvileperioder og før starten av hver ny problemtype.
    Merk: EEG opererer på 128 Hz. Electrooculography ble ikke brukt til å registrere øyebevegelser, og knyttet øret referansen ble ikke brukt.
  2. Be deltakeren å forbli så stille og rolig som mulig i løpet av oppgaven øvelser.
  3. Initiere oppgavepresentasjonsprogram.
    Merk: Under datainnsamling, alle pre-planlagt visuell kommunikasjon med deltakeren skjer via dataskjermen. I dette tilfellet vil en rekke romlige og tekniske problemer vises på dataskjermen, og deltakerne vil bli bedt om å løse dem. Riktige svar ble ikke gitt til deltakerne under datainnsamlingen. Problemet bilder avansert basert på brukerundersøkelser, så timingen var basert på problemløsning varighet.
    1. Skjerm romlig problem type 1 (f.eks PSVT.: R - en flervalgstest, eller sann-falsk rotasjonsproblemer - se figur 1) 13. Merknad: (. F.eks, 30 sek) Varigheten av disse problemene vil bli brukt som tidsperioden for dataanalyse. Fem problemer ble inkludert i dette settet.
    2. Vis romlig problem type 2 (f.eks MCT -. En multiple choice test, eller sann-falsk mental skjæreproblemer - se figur 2) 12. Merk: Varigheten av disse problemene vil (f.eks, 30 sek.)brukes som tidsperioden for dataanalyse. Fem problemer ble inkludert i dette settet.
    3. Skjermingeniørproblemtype 17 (. F.eks Statikk problemer - brutt ned for å fokusere på bestemte prinsipper for prosjektering Statikk, eller noen annen anvendt problemtype antatt å ha romlige komponenter - se figur 3). Merk: Disse problemene ta betydelig lengre tid å løse enn de romlige problemer. Antallet problemer vist til deltakerne varierte 4-10.
    4. Tilordne hviletid ved begynnelsen og slutten av datainnsamling - brukes for å skaffe grunnlagsdata. Sørg for at hver av disse har samme varighet (f.eks., 120 sek).
  4. Om ønskelig, gjennomføre en exit intervju med deltakeren. Dette kan inkludere sine tanker om den eksperimentelle presentasjonen, iført EEG headset, kommunikasjonsprosessen brukes i hele rekruttering og deltaker forberedelse og / or en hvilken som helst protokoll som krever verbale svar som er nevnt ovenfor. En validert bruker spørreskjema kan gis til deltakerne i stedet for å gjennomføre et intervju.
  5. Slå av oppgavepresentasjonsprogram, EEG-logging software, fjerner EEG hodesettet, og slå av video-opptaksutstyr.

5. Avslutning av sesjonen

  1. Avvis studien deltaker. Takk deltaker og gi dem en oversikt over eventuelle fremtidige kontakt (f.eks., For oppfølgingsintervjuer eller senere økter av studien), forklarer hvordan resultatene av studien kan bli publisert og / eller gjøres tilgjengelig for deltakerne, og gi noen forfriskninger eller betaling (eller en forklaring på hvordan betalingen vil bli gitt) avtalt som en del av kompensasjonen for deltakelse i studien.
  2. Overføring datalogger til eventuelle nødvendige langsiktige eller overføre lagringsenheter. Oppbevar signert samtykkeskjema på riktig måte og som er utpekt av IRB-protokollen.
  3. Fjern filt fra headsettet og sterilisere eller kast dem.
  4. Returner EEG elektroder foringsrør og headset til riktig lagringssted.
  5. Kast brukte sprøyter og søppel på riktig måte.
  6. Retur væsker til egnede lagringsplasser.
  7. Sikre lab hvis ikke blir brukt av andre forskere.

6. Data Analysis

  1. Identifisere og trekke ut rådata for hver kanal og markør data fra EEG datalogger. Bruk ASCII bits markører for å identifisere begynnelsen og slutten av datainnsamlingen, samt overganger mellom forskjellige faser for innsamling av data (f.eks., Problem typer) og individuelle problemer. Kontroller at hver fase type har en forskjellig markør verdi for derved å muliggjøre differensiering i løpet av analysen. Navn dataene på en måte som refererer deltakeren ID-koden som kilde.
    Merk: EEGLAB kommandoene er defined her, men EEGLAB krever Matlab for gjennomføring.
    1. Klikk Fil> Importer data> Bruke EEGLAB funksjoner og plugins> Fra EDF / EDF + GDF filer (BIOSIG verktøykassa)
    2. Velg riktig datafilen. Klikk Åpne for å laste inn data.
    3. Velg Kanalliste. Klikk OK for å godta.
    4. Gi en Datasett navn. Angi et beskrivende navn for dataene som gjenspeiler kilden og innsamlingsdatoen. I dette tilfellet indikerer PSF1448 data fra Deltager ID 48 i høsten 2014.
  2. Kart over de hentet data til montasje (dvs. utformingen av EEG noder.) Ved å velge montage gitt av EEG headset leverandør (for eksempel en 10 -. 20 system). Sørg for at montasjen blir brukt for analyse matcher utformingen av EEG headset benyttet under økten. Dette er produsentspesifikk.
    1. Rediger kanal steder ved å klikke på Rediger> Kanal Steder.
    2. Velg Montage. I dette tilfellet erfarilt montage er hensiktsmessig, så klikker du bare OK for å godta.
    3. Velg Channel Spesifikasjon. I dette tilfellet er standard er hensiktsmessig, så klikker du bare OK for å godta.
  3. Reduser EEG-kanaldata til den som er mest representative for hjerneaktivitet, som definert nedenfor.
    1. Påfør en innledende filter til dataene. Vanligvis gjelder en high-pass, low-pass filter (med 0,1 Hz som nedre grense av high-pass filter og 59 Hz som øvre grense for low-pass filter). Bruke en low-pass filter mindre enn 60 Hz fjerner støy fra USA elektriske nettet. Lagre datasett med et nytt navn som et gjenopprettingspunkt.
      1. Klikk på Verktøy> Basic FIR-filter (ny, standard).
      2. Sett Basic filterparametre. Sett Nedre kant til 0,1 Hz, Høyere kant til 59 Hz, ikke plotte frekvensrespons, og klikk OK for å godta.
      3. Angi et nytt navn for de filtrerte data (ved å tilføye "_filtered" til det eksisterende datasettet navnet). Sjekk box å lagre data som en fil, og bruker samme navn for filnavnet. Klikk OK for å godta.
    2. Fjern alle data som ligger før den første EEG markør eller etter siste EEG markør - husk noen ventetid i innspillingen av EEG markører. Spill ventetid (tid) på markøren angir initiering av dataopptak og ventetid på markøren indikerer slutten av dataene. Lagre datasett med et nytt navn som et gjenopprettingspunkt.
      1. De ventetid verdier kan finnes i "Rediger aktivitetsverdier - pop_editeventvals ()" skjermen; trykk på ">>" -knappen for å gå til finalen markør betegner slutten av EEG data. Ingen endring må akseptert, så klikker du på Avbryt når verdiene har blitt registrert.
      2. Klikk på Rediger> Velg data.
      3. Skriv inn begynnelsen og slutten ventetid (tid) verdier, atskilt med et mellomrom, i "Tidsrom [min max] (s)", og klikk OK for å godta.
      4. Angi et nytt navn forbeskjæres data (ved å tilføye "_cropped" til det eksisterende datasettet navnet). Kryss av i boksen for å lagre dataene som en fil, og bruker samme navn for filnavnet. Klikk OK for å godta.
    3. Avvis deler av data med store gjenstander. Trinnene inkludert nedenfor beskriver hvordan du gjør dette manuelt mens visuelt inspisere data. Merk: fjerning av data vil også føre til artefakter 34,35.
      1. Normaliserer dataene i hver kanal (ta ut middelverdien og sette hver kanal i samme målestokk). Også fjerne DC-offset (dette endrer data, men ikke visualisering).
        1. Klikk Plot> Kanal data (bla).
        2. Klikk på Innstillinger> Tid utvalg som skal vises.
        3. Angi tidsområde (. F.eks 30 sek) skal vises i plottet i "New window lengde (er):" feltet. Tidsperioden er basert på tiden mellom markørene for problemer innenfor en gitt fase (eller innen de to romlige problem faser). Tidsperioden kan være basend på maksimal, minimum, eller gjennomsnittlig tid mellom markørene.
        4. Klikk "Norm" -knappen til normalisere dataene i plottet (dette er kun kosmetisk og endrer ikke de underliggende data).
        5. Klikk på Skjerm> Slett DC offset å fjerne DC offset i plottet (dette er kun kosmetisk og endrer ikke de underliggende data).
      2. Fjerne store gjenstandene som ikke gjentas regelmessig over tid.
        1. Mark alle unormale looking artefakt data. Når all artefakt data er merket, klikker Avvis knappen.
          NB: Disse finner ut som unormalt høye eller brede topper i data - i én eller flere kanaler - eller så lenge trender som dukker opp i et lite antall kanaler. Dataene er mistanke om data fra separate kanaler synes å krysse hverandre i plottet. Disse representerer gjenstander som ikke en del av hjernebølgespekteret og sannsynligvis representerer muskelbevegelser av deltakeren eller en node (r) with dårlig tilkobling. Noe som likner en firkantbølge er ikke representative for menneskelig hjerne aktivitet.
      3. Lagre datasett med et nytt navn som et gjenopprettingspunkt.
        1. Klikk på Fil> Lagre gjeldende datasettet som.
        2. Angi et nytt navn for de avkuttede data (ved å tilføye "_manRej" til det eksisterende datasettet navnet). Klikk på Lagre for å godta.
      4. Hvis en bestemt kanal ser ut til å være feil, fjerne dataene fra det individuelt. Dette representerer et stort tap i data, så gjør det med stor forsiktighet. Se på dataene fra kanalen over en lang tidsperiode, som det ofte legger seg over tid og gir nyttige data.
    4. Kjør en Independent Component Analysis (ICA) og velge de beste representasjoner av hjernebølgeaktiviteten.
      Merk: Dette hjelper til fjerning av settene med repeterende artifakter i dataene. Disse settene inneholder gjenstander som vises flere ganger på omtrent jevne mellomrom med en gjentatt shape. Vanligvis de er et resultat av biologiske funksjoner som blinker eller puls - som hver vil ha sitt eget sett.
      1. Kart over de ICA-separerte data til en representasjon av kraniet basert på montasjen. Avvis resultater forbundet med blinkende, puls, eller muskelspenninger - som ofte vises i ICA resultatene som satsingsområder over øynene, henholdsvis i nærheten av templene, eller over ørene,. Avvise enhver komponent som viser hele kraniet som er engasjert, siden det ikke er representative for hjerneaktivitet (se figur 4) 35 Aksepter andre resultater (se figurene 5 - 6)..
        1. Klikk på Verktøy> Kjør ICA.
        2. Velg standard (runica) ICA-algoritmen. Klikk OK for å godta.
        3. Klikk Plot> Komponent egenskaper.
        4. Velg komponent indeksene (de 14 EEG elektroder kanaler lastet inn i minnet) og spektral alternativer. Som før, er den nedre kant 0.1 Hz, og den høyere kanten er 59Hz. Klikk OK for å godta oppføringer.
        5. Innenfor Godta / Avvis vinduet klikker du på Godta-knappen for å endre status til Avvis (og klikk igjen for å endre den tilbake til Godta). Klikk OK for å logge Godta / Avvis merking.
      2. Plott ICA-separerte data i en 2-D farge plot. Avvis resultater som vises stripete, blank, eller pepret med diskontinuitet, og deretter lagre datasettet med et nytt navn som et gjenopprettingspunkt (se figur 5 - 6).
        1. Innenfor Godta / Avvis vinduet klikker du på Godta-knappen for å endre status til Avvis (og klikk igjen for å endre den tilbake til Godta). Klikk OK for å logge Godta / Avvis merking.
        2. Klikk på Verktøy> Fjern komponenter - å faktisk fjerne dataene som er merket for avvisning tidligere.
        3. Klikk ok for å fortsette. Indeksene komponenter logget for avvisning er vist i "Fjern komponenter" vinduet.
        4. Klikk på Godta i "Bekreftelse" vinduet til c, rediger med beskjæring av dataene.
        5. Angi et nytt navn for de beskjæres data (ved å tilføye "_manRejPruned" til det eksisterende datasettet navnet). Kryss av i boksen for å lagre dataene som en fil, og bruker samme navn for filnavnet. Klikk OK for å godta.
          Merk: Streker som varer lenger enn 0,5 sek anses rimelig for avvisning. Relative "godhet" kan trenge å bli utnyttet her, avhengig av hvor god andre datasett synes å være - det er ønskelig å beholde i det minste halvparten av komponentene. Gode ​​resultater er ofte representert ved kontinuerlige overganger på en 2-D Continuous Data farge tomt 34.
  4. Fjern de grenseverdier som er igjen i dataene. Lagre datasett med et nytt navn som et gjenopprettingspunkt.
    1. Klikk på Rediger> Hendelses verdier.
    2. Bla gjennom hendelsene og klikk på Slett hendelse knappen når hendelsestypen er en grense. Når alle har blitt fjernet, klikker du OK.
    3. Specifya nytt navn for de slettede-grensen data (ved å føye til "_deleteBoundaries" til det eksisterende datasettet navn). Klikk på Lagre for å godta. Bruk samme utvalg menyvalget som før for å få til denne skjermen (se trinn 6.3.3.3.1).
  5. Beregn absolutt makt beregninger for hver øvelse type. Dette er en makt-basert logaritmisk transformasjon basert på mikrovolt måling og tiden -. Beregnet for hvert frekvensbånd (Delta, Theta, Alpha, Beta og Gamma) 22
    1. Chunk dataene i blokker, ved hjelp av markører for å angi begynnelsen og slutten av hver oppgave.
      1. Klikk på Rediger> Velg data ved hjelp av hendelser.
      2. Utnytte aktuelle tidsrammer for hver oppgave type. Definer tidsramme for hvileperioder ved varigheten av en hvileperiode. For de romlige problemer (som er omtrent lik i varighet), kan du bruke enten den gjennomsnittlige varigheten av alle romlige oppgaver eller den maksimale varigheten av alle romlige oppgaver. For den påførte (f.eks., Engineeringg Statikk) problemer, identifisere den gjennomsnittlige varigheten for hvert problem. Lagre datasett med et nytt navn som et gjenopprettingspunkt.
        1. Skriv inn markør typen i "Event type (r) ([] = alle)" feltet (f.eks., Men da typen 50 ble brukt til å markere resten hendelser). Rest hendelser hadde en varighet på 120 sek i dette tilfellet, så skriv "1 120" for den tidsfrister array. Klikk OK for å godta.
        2. Angi et nytt navn for hendelsesdata (ved å tilføye "_rest" til den eksisterende datasett navn i dette tilfellet). Kryss av i boksen for å lagre dataene som en fil, og bruker samme navn for filnavnet. Klikk OK for å godta.
          Merk: Hvis de anvendte delene kan reduseres slik at de tar omtrent samme tid som de romlige oppgaver, og deretter bruke den samme tidsrammen størrelse som de romlige oppgaver. Siden EEG er en tid-sensitive mål, jo mer nøyaktige tidsepokene er for hver tilstand, de mindre påvirket dataene er i slutten (ie., Antall prøver samlet inn for hver Condisjon vil være mer konsekvent).
  6. Sammenligne resultater for endelige analysen.
    1. Beregn prosentandelen for hver del i forhold til baseline resten målinger. Se på ekstra kode Fil, og tabellene 1 - 8.
      1. Åpne Absolutepower Script i MATLAB, og klikk på Kjør-knappen for å kjøre skript på dataene som er lagt i arbeidsområdet i trinn 6.6 (f.eks., Resten data).
      2. Velg absolutepowermatrix data i MATLAB arbeidsområde for overføring til et regnearkprogram (f.eks., MS Excel).
    2. Gjenta trinn 6.5 - 6.6.1.2 for hver øvelse / markør type.
    3. Sammenligne resultatene med tilsvarende perioder (f.eks., Romlige oppgaver) til hverandre for innsikt i forhold vanskeligheter.
    4. Sammenligne resultater på tvers av deltakerne å identifisere høyere relative utøvere versus lavere utøvere i de ferdigheter som blir vurdert. Merk: Høye utøvere kan vise svært little øke i beta aktivisering i forhold til grunnlinjen, mens lave utøvere kan vise en økning i størrelsesorden 70% 21-26.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

I denne delen er de foregående trinnene illustrert med eksempler på tall som beskrevet nedenfor. Full data sammendrag med statistiske tester er ikke oppgitt, så målet med denne artikkelen er å fokusere på metoder. Eksempler på potensielle PSVT: R, MCT, og romlige problemer er gitt i figur 1, figur 2 og figur 3, henholdsvis.

EEG hetten vil samle hjerneaktivitet via elektriske potensialer for hver gitt kanal, som kan sees i parallell som vist i figur 7. Som nevnt tidligere er visse artifakter i dataene må fjernes manuelt, mens andre kan bli fjernet via ICA. Til tider en defekt kanal kan identifiseres. Slike gjenstander er synlig i figur 7. I analysen programvare, kan de store, ikke-repeterende gjenstander manuelt merket i rekkefølge og deretter fjernes ved å klikke på "Avvise" -knappen (som i trinn 6.3.3.2.1). Alle tall med bilder av EEG dataanalyseer fra analysen verktøy oppført i tabell for materialteknologi.

Etter ICA, kartlegger analyse programvare dataene på to måter: 1) En skalp-kartlagt representasjon av aktivisering, og 2) En 2-D Continuous Data tomt på aktivering kledd av Trials og Time. Et eksempel på akseptable data kan observeres i figur 5. Et eksempel på forkastet hodebunn tilordnet data som indikerer aktivitet ikke er forbundet med hjernen for tre tilfeller kan ses i figur 4. 2D kontinuerlig dataplottene for de samme avviste tre tilfeller kan ses i Figur 6. den streaking observert i første to tomter garanterer vederlag for fjerning. Stripene i tredje tomten kan anses border - 2-D Continuous Data plott av denne kvaliteten kan bli vurdert for inkludering, og forskeren må vurdere balansen mellom inkludert falske signaler og kasserer verdifulle data. Streker lengre enn 0,5 sekunder regnes grounds for avvisning. For mer innsikt, se EEGLAB nettsted (http://sccn.ucsd.edu/eeglab/).

Når alle konfunderende data har blitt avvist - enten gjennom manuell avvisning mens du ser på brainwave tomter eller etter ICA - og dataene er du delvis i tid for den aktuelle aktivitetstype, kan de absolutt makt beregninger gjøres for hvert frekvensbånd og hver aktivitet skriver via MATLAB script (basert på analyse programvarefunksjoner) gitt i Supplemental kode fil. Oppsummerings data så genereres av funksjonen er vist i tabellene nedenfor Tabell 1 inneholder data fra resten perioder -.. Som brukes som basis for effektivitetsberegninger Tabell 2, Tabell 3 og Tabell 4 inneholder absolutt makt data for PSVT: R, MCT, og statikk problemer, henholdsvis. Ved å dividere med den celleverdien for den tilsvarende kanal og frekvens band i resten tabell er de relative absolutte effektforholdene vist i Tabell 5, Tabell 6 og Tabell 7 for PSVT: R, MCT, og statikk problemer, henholdsvis.

Til slutt, er den gjennomsnittlige verdien i alle kanaler tatt for beta frekvensbåndet for hver enkelt aktivitetstype, og resultatene er vist i tabell 8. Denne type data kan brukes til å identifisere ROIs for videre forskning. Fra disse dataene for deltakeren i spørsmålet, ser vi at den relative absolutt makt synes lavere for PSVT: R enn for MCT. Avgjørende konklusjoner om dette utsagnet, men er fortsatt avhengig av et større utvalg å etablere mulig statistisk signifikans. Den relative absolutt makt for Statikk oppgaver kan sammenlignes med verdien fra andre deltakere, og anslag for høy utøver vs lav utøver kognitiv anstrengelse kan identifiseres som kan være korrelert med funksjonelle score på de Statikk problemer for validering. Selv om dette er spesielt en metoder papir, og presenterer eksempler på data fra bare én deltaker, den foreløpige rapporten statistisk analyse brukt en Levene test for å vurdere normalitet, etterfulgt av Friedman test sammenligne gruppe x oppgave x EEG-kanal. Til slutt ble en oppfølging Wilcoxon test utført på betydelige Friedman effekter og interaksjoner. Sammenligningen mellom høye og lave utøvere viste signifikant høyere beta aktiveringsnivåer for lave utøvere enn for høye utøvere (For PSVT: R, F3: χ 2 (1,6) = 5,33, p <0,03; T8: χ 2 (1, 6) = 4,08, p <0,05; FC6: χ 2 (1,6) = 4,08, p <0,05; F8: χ 2 (1,6) = 4,08, p <0,05; AF4: χ 2 (1 ., 6) = 5,33, p <0,03 For MCT, F3: χ 2 (1,6) = 5,33, p <0,03; T8: χ 2 (1,6) = 5,33, p <0,03; FC6: χ 2 (1,6) = 5,33, p <0,03, AF4. χ 2 (1,6) = 4,08, p <0,05 For Statikk, FC6: χ 2 (1,6) = 4,08, p <0,05). 9

Figur 1
Figur 1: PSVT.: R Eksempel Problem Del A viser en enkelt prøve PSVT: R problem som sett av deltakere. (Kilde: Guay (1976)). Det riktige svaret er C. Del B gir en visuell forklaring av løsningen Vennligst klikk her for å se en større versjon av dette tallet.

Figur 2
Figur 2:. MCT Eksempel Problem Del A viser en enkelt prøve MCT problem som sett av deltakere. Riktig svar er D. Del B gir en visuell forklaring av løsningen. (Kilde: CEEB (1939))"Target =" _ blank "> Klikk her for å se en større versjon av dette tallet.

Figur 3
Figur 3:. Statikk Eksempel Problem Illustrerer et enkelt eksempel Statikk problem gitt til deltakerne. Dette problemet er for in-plane (ie., 2-D) likevekt gitt tre styrker og en felles tilkobling struktur. Klikk her for å se en større versjon av dette tallet.

Figur 4
Figur 4:. Eksempler på ikke-Brain skalp-Kartlagt aktivitet Tre eksempler på post-ICA skalp-kartlagte data er vist fra en enkeltperson, 23 år gammel, mann deltaker. Full-skalp aktivering, aktivering over ett øye / tempel, og aktivering fokusert on øyne og templer er tegn på fysisk aktivitet, ikke hjerneaktivitet, som vises etter ICA i IC2, IC3, og IC4 hhv. Klikk her for å se en større versjon av dette tallet.

Figur 5
Figur 5:. Akseptable Post-ICA-data Images Illustrasjon akseptabelt skalp kartet og 2-D Continuous Data tomten etter ICA for et utvalg fall Independent Component 13 (IC13), fra en enkeltperson, 23 år gammel, mann deltaker. Aktivering ser ut til å være sentrert på en region av hjernen i hodebunnen-kartlagt visning, og ingen store streker er synlige i kontinuerlig data plottet. Klikk her for å se en større versjon av dette tallet.


Figur 6:. 2-D Kontinuerlig dataplott Matchende hodebunnen-kartlagt bilder Tre eksempler på post-ICA kontinuerlig dataplott vises fra en enkeltperson, 23 år gammel, mann deltaker. Tykke band eller striper i 2-D Continuous Data plott fra ICA indikerer uregelmessig ikke tyder på normal hjernefunksjon i IC2, IC3, IC4 -. Særlig i IC2 og IC3 tomter Klikk her for å se en større versjon av dette tallet.

Figur 7
Figur 7:. Brainwave data med Artifacts Skjermbilde av en gjenstand (kanal F7) manuelt merket for avvisning med en prøve tid spenner fra en enkeltperson, 23 år gammel, mann deltaker. Merk tilfelle på tvers av flere kanaler mellom 132 og 133: Lignende arrangement er gjentatt flere ganger (omtrent samme form og størrelse med jevne mellomrom) - og således er antatt å representere en ikke-hjerne biologisk funksjon - og kan bli fjernet via Independent Component Analysis (f.eks blinke.) (ICA). klikk her for å se en større versjon av dette tallet.

. Supplerende File Kode: MATLAB Script og Endring Viser skript (spectopo.m og absolutepower.m) for transformasjon basert på mikrovolt måling og tid - beregnet for hvert frekvensbånd (Delta, Theta, Alpha, Beta og Gamma) - for å få absolutt makt ved hver frekvens 22. Koden endringene som kreves for riktig funksjonalitet i pop_chanedit.m er også inkludert.lemental_Code_File.txt "> Klikk her for å laste ned denne filen.

HVILE AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4
deltaet 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

Tabell 1:. Rest Absolute Power Inneholder absolutt makt verdier for baseline Rest tidsperioder. Verdiene for hver EEG cap kanal og hver nevrale frekvensbånd. Klikk her for å laste ned denne tabellen som et Excel-regneark.

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

Tabell 2: PSVT.: R Absolute Power Inneholder absolutt makt verdier for tidsperioder når deltakeren ble løse PSVT: R problemer. Verdiene for hver EEG cap kanal og hver nevrale frekvensbånd. Klikk her for å laste ned denne tabellen som et Excel-regneark.

MCT AF3 F7 F3 FC5 T7 P7 </ Td> O1 O2 P8 T8 FC6 FC4 FC8 AF4
deltaet 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

Tabell 3:. MCT Absolute Power Inneholder absolutt makt verdiene for tidsperioder når deltakeren ble løse MCT problemer. Verdiene er vist for each EEG cap kanal og hver nevrale frekvensbånd. Klikk her for å laste ned denne tabellen som et Excel-regneark.

statikk AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4
deltaet 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

Tabell 4:. Statikk Absolute Power Inneholder absolutt makt verdiene for tidsperioder når deltakeren var løse Statikk problemer. Verdiene for hver EEG cap kanal og hver nevrale frekvensbånd. Klikk her for å laste ned denne tabellen som et Excel-regneark.

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

. Tabell 5: PSVT: R Relativ Absolute Power Inneholder de relative absolutt makt verdier - det vil si forholdet i forhold til resten baseline - i den tidsperioden da deltakeren ble løse PSVT: R problemer. Verdiene er vist for hver EEG cap kanal, og hver nevrale frekvensbånd./ftp_upload/53327/Table_5.xlsx">Please klikk her for å laste ned denne tabellen som et Excel-regneark.

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

. Tabell 6: MCT Relativ Absolute Power Inneholder de relative absolutt makt verdier - det vil si forholdet i forhold til resten baseline - i den tidsperioden da deltakeren ble løse MCT problemer. Verdiene for hver EEG cap kanal og hver nevrale frekvensbånd. Klikk her for å laste ned denne tabellen som et Excel-regneark.

statikk% AF3 F7 F3 FC5 T7 P7 O1 O2 P8 T8 FC6 FC4 FC8 AF4 gjennomsnitt
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

. Tabell 7: Statikk Relativ Absolute Power Inneholder de relative absolutt makt verdier - det vil si forholdet i forhold til resten baseline - i den tidsperioden da deltakeren ble løse Statikk problemer. Verdier er shegen for hver EEG cap kanal og hver nevrale frekvensbånd. Klikk her for å laste ned denne tabellen som et Excel-regneark.

gjennomsnitt
PSVT: R% 85,2%
MCT% 109,2%
statikk% 90,5%

. Tabell 8: Gjennomsnittet Relativ Absolute Power Inneholder de relative absolutt makt verdier - det vil si forholdet i forhold til resten baseline - i gjennomsnitt over alle EEG cap kanaler for tidsperioder når deltakeren var løse PSVT: R, MCT, og statikk problemer . Prosentene er vist for betafrekvensbåndet bare. Klikk her for å laste ned denne tabellen som enn Excel regneark.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Protokollen omhandler anvendelsen av elektroencefalografi å måle hjerneaktivitet for deltakerne arbeider problemer fra to typiske romlige evne instrumenter og svært romlige ingeniør Statikk problemer. Metodene som er beskrevet her kan til slutt være i stand til å forstå det nevrale effektiviteten av høye og lave utøvere engasjert i å jobbe disse problemene. Det er viktig å forstå eventuelle forskjeller i nevrale effektiviteten av ingeniørstudenter som arbeider på MCT og PSVT: R, da disse testene er ofte brukt for å vurdere romlig evne. Sammenligne dem med hverandre tillater oss å bedre vurdere deres anvendbarhet til suksess i engineering og deres posisjon i grunnteknikk læreplaner.

Protokollen etablerer rutiner for forskning på nevrale effektivitet assosiert med romlig kognisjon oppgaver. Det er viktig at pålitelige og gyldige instrumenter benyttes for å vurdere romlige evner knyttet til engineering innhold. det jeger også viktig at tekniske problemer målrette representant ingeniør innhold for en bestemt kurs. EEG-målinger gir et distinkt ikke-påtrengende evne til å triangulere kognitive komponent data fra studenter engasjert i romlige aspekter av ingeniør problemløsning. Riktig tidsstempling skal brukes for en slik datainnsamling, slik triangulering med video-arkiverte hendelser. IRB protokoller bør strengt følges, noe som sikrer anonymitet deltaker data og analyse.

De fleste feilsøkings bekymringer oppstå mens samle EEG data som er beskrevet nedenfor, og flertallet av dem som blir behandlet før data blir registrert. Korreksjoner for dårlig impedans og støy håndteres best under installasjonen. Etter EEG headset produsentens instruksjoner er kritisk, og i vår erfaring indikasjonene av produsentens programvare kan henvise brukerne til å sjekke spesifikke elektroder. Vanligvis er forbindelsen mellom filtputen og participant hode må dempes mer, eller forbindelsen mellom hver elektrode og hodesettet kan trenge å bli kontrollert. Hvis noen tilkobling er synlig, men kvaliteten er dårlig, ved hjelp av sprøyte til å re-dempe filten er ofte tilstrekkelig, og til tider hodesettet må justeres fysisk for å sikre god kontakt med hodebunnen. I et par tilfeller måtte vi be deltakerne til å skylle håret i en vask før vi var i stand til å få en god forbindelse. Når elektroden viste seg å ikke være overføring av data, ble det ofte avhjelpes ved å fjerne elektroden og deretter sette det inn igjen. Til tider, plast tilfelle for elektroden kan sprekke, i så fall må den byttes ut.

Andre feilsøking kan oppstå under dataanalyse, og er omtalt i protokollen. Data forbehandling involverer filtrering og fjerning av gjenstander. Ofte dataanalyse programvare støtter manuell avvisning samt skript som kan kjøres under forbehandling og pro ling av data.

Modifikasjoner ble gjort til et script i analyseprogramvare. Disse endringene er dokumentert i tilleggskode filen. Modifikasjoner til protokollen kan også gjøres. En samtidig protokoll har vært brukt i hvilke verbale svarene er nødvendig i løpet av studien. Dette vil introdusere flere gjenstander inn i EEG data, men vil gi mer innsikt i deltakernes funksjonell kunnskap under testene. Et alternativ er også blitt benyttet, hvor deltakeren deltar i en video-registrert intervju med forskeren etter økten.

Andre anbefalte mulige modifikasjoner inkluderer bruk av forskjellig romlig evne tester 14, ulike tekniske spørsmål 17, eller andre pedagogiske vurderinger. Forskjellige hjerneaktiviteten beregninger, mulige via EEG og andre instrumenter, kan også kaste lys over vanskelighetsgraden, eller andre kjennetegn, ferdighetsvurderinger.

jove_content "> Vi erkjenner at det er begrensninger med teknikken er definert i dette dokumentet Konstruksjonene av romlig evne (rotasjon og skjære høvlet overflate) målt ved PSVT.: R og MCT er bare to av mange mulige konstruksjoner målbare med andre romlige beregninger. i tillegg kan ulike romlig intensive oppgaver (ie., ulike typer problemer eller ulike kurs og kurs) også bli vurdert. Forskning på neural effektivitet bør selvsagt også bli gjennomført på et bredere omfang enn bare grunnleggende tekniske kurs som Statikk. for eksempelvis bør det undersøkes i løpet av de mange STEM feltene anerkjent i litteraturen for å være avhengig av romlig resonnement 3. også nevrale effektivitetsstudier skal ikke være begrenset til ferdigheter direkte knyttet bare til romlig evne 21-28. Selv innenfor forskningen som er involvert i hjernebølge måling, praktisering av gjennomsnitt effektmålinger over varigheten av en oppgave forbyr etterforskninginn i andre sammenhenger som kan oppstå i løpet av de mønstre av hjerneaktivitet. EEG-målinger, på grunn av deres time responsivitet, ikke er begrenset til nevrale effektivitetsstudier. Og EEG instrumenteringen er i seg selv begrenset av dybden av hjernebølgeaktiviteten det kan detektere, særlig når sammenlignet med høyere romlig oppløsning av funksjonell nær-infrarød spektroskopi eller funksjonell magnetisk resonans imaging, selv om dens tidsmessige responsivitet fortsatt blant de beste 36.

Til syvende og sist, er potensialet for å bruke fysiologiske målinger for å gi innsikt i pedagogisk teori og praksis synes enorme 37,38. Den tekniske tilnærming og mål for denne protokollen er annerledes enn biofeedback tilnærming ved hjelp av EEG i pedagogisk / trening studerer 39, men alle er verdt å vurdere som viten vinnes i fenomener som romlig evne og engineering kompetanseutvikling. Denne tilnærmingen for å bruke EEG for å undersøke nevrale efficisering mellom romlige oppgaver som ligger innenfor bestemte romlige evne instrumenter definerer en annen metode for segregerende romlige evnetester. Dette eksemplifiserer en ny anvendelse av et nevrovitenskapelig tilnærming for å undersøke romlige evnetester, samt åpne en nevrovitenskapelig tilnærming til etterforskningen av eksisterende pedagogisk teori. Finne metoder for verifikasjon og validering er en del av ingeniør kultur. Innenfor denne nye applikasjonen, kan fysiologisk brainwave testing åpner en ny verden av forståelse og raffinering pedagogisk teori. Faktisk, hvis sett på som en potensiell avenue for validering, en roman og ny generasjon av ingeniører utdanningsforskning kan oppstå.

Subscription Required. Please recommend JoVE to your librarian.

Acknowledgments

Forfatterne ønsker å takke Christopher Green, Bradley Robinson, og Maria Manuela Valladares, for å hjelpe med datainnsamling. Finansiering for EEG utstyr ble gitt ved Utah State University kontor for forskning og Graduate Studies Utstyr Grant til Kerry Jordans multisensorisk Cognition Lab. Benjamin Call støttes av en Presidential doktorgradsstipend oppnådd fra Utah State University School of Graduate Studies for sitt arbeid med Dr. Wade Goodridge.

Materials

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

DOWNLOAD MATERIALS LIST

References

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

Tags

Behavior romlig intelligens elektroencefalografi neural effektivitet romlig evne romlig tenkning ingeniørutdanningen Statikk
Utnytte elektroencefalografi Målinger for sammenligning av Task-spesifikke Neural Effektivitet: Spatial Intelligence Oppgaver
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