Waiting
Login processing...

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

Behavior

걷는 동안 스마트 폰 사용의 스위치 비용 측정

Published: April 30, 2020 doi: 10.3791/60555
Automatic Translation
1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 1, 1
1HEC Montréal, 2Université de Montréal

ERRATUM NOTICE

Summary

이 연구 설계는 걷는 동안 스마트 폰을 사용하는 작업 전환 비용을 측정합니다. 참가자는 제어 조건 (걷기)과 멀티 태스킹 조건 (걷는 동안 문자 메시지)의 두 가지 실험 조건을 거칩니다. 참가자는 이러한 작업과 방향 결정 작업 사이를 전환합니다. EEG 데이터와 행동 측정이 기록됩니다.

Abstract

이 논문은 걷는 동안 스마트 폰을 사용하는 작업 전환 비용을 측정하는 연구 프로토콜을 제시합니다. 이 방법은 참가자가 제어 조건 (즉, 단순히 걷기)과 멀티 태스킹 조건 (즉, 걷는 동안 문자 메시지)의 두 가지 실험 조건에서 러닝 머신을 걷게하는 것을 포함합니다. 이러한 조건에서 참가자는 실험 조건과 관련된 작업과 방향 결정 작업 사이를 전환해야합니다. 이 방향 작업은 참가자의 왼쪽 또는 오른쪽으로 걷는 것처럼 보이는 포인트 라이트 워커 그림으로 수행됩니다. 방향 작업의 성능은 참가자의 작업 전환 비용을 나타냅니다. 1) 방향의 정확한 식별과 2) 응답 시간의 두 가지 성능 측정이있었습니다. EEG 데이터는 작업 전환 중에 발생하는 알파 진동 및인지 참여를 측정하기 위해 기록됩니다. 이 방법은 생태 학적 타당성이 제한적입니다 : 보행자 환경에는 동시에 발생하고주의를 끌기 위해 경쟁하는 많은 자극이 있습니다. 그럼에도 불구하고 이 방법은 작업 전환 비용을 정확히 찾아내는 데 적합합니다. EEG 데이터를 통해 다양한 작업 전환 비용과 관련된 뇌의 기본 메커니즘을 연구 할 수 있습니다. 이 디자인을 사용하면 자극 프레젠테이션 전에 멀티태스킹할 때 작업 전환과 비교하여 한 번에 하나의 작업을 수행할 때 작업 전환을 비교할 수 있습니다. 이를 통해 이 두 가지 다른 작업 전환 조건의 행동 및 신경생리학적 영향을 이해하고 정확히 지적할 수 있습니다. 또한 작업 전환 비용을 뇌 활동과 연관시킴으로써 이러한 행동 효과의 원인에 대해 더 많이 알 수 있습니다. 이 프로토콜은 다양한 스마트폰 사용의 전환 비용을 연구하기 위한 적절한 기반입니다. 걷는 동안 스마트 폰 사용의 작업 전환 비용과 관련된 다양한 요소를 이해하기 위해 다양한 작업, 설문지 및 기타 조치를 추가 할 수 있습니다.

Introduction

스마트폰 보급률과 멀티태스킹 경향이 모두 증가하고 있기 때문에 걷는 동안 스마트폰 사용이 주의력에 미치는 영향을 이해하는 것이 중요합니다. 문헌은 작업 전환에는 걷는 동안 스마트 폰 사용을 포함하여 비용1이 따른다는 것을 반복적으로 보여주었습니다. 연구에 따르면 걷는 동안 스마트 폰을 사용하면 산만하고 위험 할 수 있습니다 2,3,4. 이러한 위험은 그러한 작업을 수행하는 주의력 장애와 관련이 있습니다 3,4,5,6,7. 보행자 환경의 복잡한 특성으로 인해 생태 학적으로 유효한 실험적 맥락에서 연구하는 것은 문제가 될 수 있습니다. 그럼에도 불구하고 실제 보행자 환경에서 이러한 연구를 수행하는 것은 많은 외부 변수가 작용할 수 있고 산만 함으로 인해 참가자에게 해를 끼칠 위험이 있기 때문에 자체적으로 합병증을 겪을 수 있습니다. 가능한 한 현실적으로 유지되는 비교적 안전한 환경에서 이러한 현상을 연구 할 수 있어야합니다. 이 기사에서는 걷는 동안 문자 메시지의 작업 전환 비용을 연구하는 동시에 작업의 유효성을 높이고 관련된 잠재적 위험을 완화하는 연구 방법론을 설명합니다.

걷는 동안 스마트 폰을 사용할 때 개인은 스마트 폰 작업에서 걷기 및 환경 관련 작업으로 전환해야합니다. 따라서 이러한 현상을 연구하기 위해 우리는 특히 작업 전환 패러다임에 초점을 맞춘 멀티태스킹에 관한 문헌 내에서 이 방법을 구성하는 것이 적절하다는 것을 발견했습니다. 이를 위해 작업 전환 패러다임1을 사용하여 참가자가 사전 자극 작업과 사후 자극 작업 사이를 전환하도록 했습니다. 두 가지 사전 자극 작업 중 하나는 멀티 태스킹과 관련이 있지만 다른 하나는 그렇지 않았습니다. 자극 후 작업에서 참가자는 인식이 분할 주의의 영향을받는 자극에 반응해야했습니다8. 또한 가능한 한 생태 학적으로 유효하려고 노력하는 실험적 실험실 연구는 종종 가상 보행자 환경을 사용하여 걷는 동안 스마트 폰 사용의주의 영향을 이해했습니다 4,9. 그럼에도 불구하고 근본적인 신경 생리 학적 메커니즘을 포착하기 위해 우리는 참가자가 반응해야하는 자극의 수를 최소화하기 위해 하나의 자극에 대한 특정 작업 전환 반응에 초점을 맞추기로 결정했습니다. 이런 식으로 우리는 순전히 스마트폰에서 자극으로 주의를 전환하는 데서 오는 작업 전환 비용을 보다 정확하게 찾아낼 수 있습니다. 우리의 연구 설계에서는 행동 측정 (즉, 작업 전환 비용)과 신경 생리 학적 데이터를 사용하여 보행자 스마트 폰 사용 중에 발견 된 주의력 장애를 더 잘 이해합니다.

작업 전환 실험 중에 참가자는 일반적으로 일련의 자극과 관련된 최소 두 가지 간단한 작업을 수행했으며, 각 작업에는 "작업 세트"라고하는 다른인지 리소스 세트가 필요합니다 1. 개인이 작업 사이를 전환해야 할 때 정신 자원이 적응해야합니다 (즉, 이전 작업 세트의 억제 및 현재 작업 세트의 활성화). 이 "작업 세트 재구성" 프로세스는 작업전환 비용1의 원인으로 여겨집니다. 작업 전환 비용은 일반적으로 참가자가 작업 간에 전환하는 시행과 그렇지 않은 시도 간의 응답 시간 및/또는 오류율의 차이를 관찰하여 결정됩니다10. 우리의 실험에서, 우리는 세 가지 작업 세트를 가졌습니다 : 1) 포인트 라이트 워커 자극에 반응; 2) 걷는 동안 스마트 폰으로 문자 메시지; 3) 단순히 걷기. 우리는 두 가지 다른 조건 사이의 전환 비용을 비교했습니다 : 1) 자극에 반응하기 전에 단순히 걷기, 2) 응답하기 전에 문자 메시지를하면서 걷기. 이러한 방식으로 작업을 전환하기 전에 스마트 폰에서 멀티 태스킹 비용을 캡처하여 시각적 자극이 나타나기 전에 단순히 걷는 비 멀티 태스킹 스위치 비용과 직접 비교할 수있었습니다. 이 연구에 사용 된 스마트 폰은 특정 브랜드 였기 때문에 모든 참가자는 실험 전에 장치를 올바르게 사용하는 방법을 알고 있는지 확인하기 위해 선별되었습니다.

보행자 상황을 대표하는 사실적인 경험을 시뮬레이션하기 위해 포인트 라이트 워커 피규어를 시각적 자극으로 사용하여 참가자의 왼쪽 또는 오른쪽으로 3.5° 편차 각도로 걷는 인간의 형태를 나타내기로 결정했습니다. 이 그림은 흰색 배경에 15개의 검은색 점으로 구성되어 있으며 점은 사람의 머리, 어깨, 엉덩이, 팔꿈치, 손목, 무릎 및 발목을 나타냅니다(그림 1). 이 자극은 생물학적 운동을 기반으로하며, 이는 인간과 동물의 전형적인 움직임 패턴을 따른다는 것을 의미합니다11. 또한이 자극은 생태 학적으로 유효한 것 이상입니다. 성공적으로 분석되기 위해서는 복잡한 시각적 처리와주의가 필요합니다12,13. 흥미롭게도 Thornton et al.8은 점과 같은 보행기의 방향을 적절하게 식별하는 것이 분할 주의에 의해 크게 영향을 받아 멀티태스킹시 작업 전환 비용을 연구할 때 성능 측정으로 적합하다는 것을 발견했습니다. 참가자들은 그림이 걷고있는 방향을 구두로 진술하도록 요청 받았다. 보행기의 출현은 항상 화면에 나타나는 청각 신호에 선행되었습니다.

포인트 라이트 워커 작업과 신경 생리 학적 데이터에 대한 성능을 통해 우리는 두 조건의 주의력 영향을 결정하고 원인을 파악하는 데 도움을주었습니다. 성능은 포인트 라이트 워커 그림의 방향을 결정할 때 오류율과 응답 시간을 확인하여 측정되었습니다. 성능 측정에서 발견 한 주의력 장애와 관련된 기본적인인지 및 주의력 메커니즘을 이해하기 위해 32 개의 전극이있는 EEG actiCAP을 사용하여 참가자의 신경 생리 학적 데이터를 평가했습니다. EEG는 일시적인 정밀도 측면에서 적절한 도구이며, 움직임으로 인해 인공물이 데이터에 존재할 수 있지만 특정 순간(예: 포인트 라이트 워커 그림의 모양)에서 성능 저하의 원인을 확인하려고 할 때 중요합니다. EEG 데이터를 분석 할 때 두 가지 지수가 특히 관련이 있습니다 : 1) 알파 진동; 2)인지 적 참여. 연구에 따르면 알파 진동은 작업 기억 제어뿐만 아니라 작업과 관련이없는 뇌 회로14,15,16,17의 능동적 억제를 나타낼 수 있습니다. 기준선 수준의 알파 진동을 자극 발표18,19에서 발생하는 진동과 비교하여 알파 비율을 얻었습니다. 이 비율로 우리는 걷는 동안 문자 메시지를 보낼 때 관찰되는 주의력 장애의 근저가 될 수있는 이벤트 관련 변화를 결정했습니다. 인지 참여와 관련하여 Pope et al.20은 베타 활동이 각성과 주의력 증가를 나타내고 알파 및 세타 활동이 각성과 주의력 감소를 반영하는 지수를 개발했습니다21,22. 이 분석은 자극이 나타나기 전에 증가된 참여가 보행자 수치에 응답하기 위해 필요한 작업 세트 재구성을 복잡하게 하는지 여부를 결정하기 위해 수행되었습니다.

이 백서에 설명된 방법론을 통해 우리는 멀티태스킹 에피소드에 참여하는 참가자의 작업 전환 성능에 영향을 미치는 기본 메커니즘을 파악하려고 합니다. 보행 조건은 멀티태스킹 작업 전환 성능(즉, 걷는 동안 문자 메시지)과 비교되는 비멀티태스킹 작업 전환 성능을 나타냅니다. 작업 세트 억제 및 작업 세트 활성화의 역할을 측정함으로써 우리는 걷는 동안 문자 메시지를 보낼 때 발생하는 스위치 비용을 더 잘 이해하고자했습니다. 원래의 연구는 몰입형 가상 환경(23 )에서 수행되었지만 나중에 참가자 앞의 스크린에 보행기 그림을 표시하는 프로젝터를 사용하여 실험실( 그림 2 참조)에서 복제되었다는 점에 유의하는 것이 적절합니다. 이 가상 환경은 더 이상 사용할 수 없기 때문에 프로토콜은 현재 실험실 설계에 맞게 조정되었습니다.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

데이터 수집을 시작하기 전에 인간 참가자에게 필요한 모든 윤리적 연구 승인을받는 것이 중요합니다. 이는 적절한 검토 위원회 및/또는 인간 참가자 검토 위원회를 통해 이루어져야 합니다.

이 프로토콜은 Tech3Lab 연구 시설에 대해 HEC Montréal의 윤리위원회에서 승인하고 인증했습니다.

1. 시각적 자극의 준비

  1. E-prime과 같은 시각적 실험 프레젠테이션 소프트웨어를 사용하여 시각적 자극에 대한 실험 템플릿을 만듭니다. 연습 시험(6개 시행)과 실험 조건(22개 시행)에 대해 하나를 만듭니다.
  2. E-prime 소프트웨어를 열고 실험 논리를 만들 수있는 구조 창으로 이동하십시오.
    1. SessionProc(E-오브젝트의 모양 순서를 시퀀싱하기 위한 타임라인)을 두 번 클릭합니다.
    2. 개체를 도구 상자에서 세션프로세서 줄로 끌어 옵니다.
      1. SessionProc에 삽입된 TextDisplay 개체를 두 번 클릭하고 학습 지침을 작성합니다: "청각 신호가 들리면 고개를 들고 보행기가 왼쪽 또는 오른쪽으로 가는 방향을 큰 소리로 표시하십시오. 실험은 곧 시작될 것입니다."
      2. TextDisplay 창의 맨 위에 있는 속성 페이지 아이콘을 클릭합니다. 공통 탭을 클릭하고 이름 상자 설정을 지침으로 변경합니다. 지속 시간 드롭다운 메뉴를 클릭하고 무한을 선택합니다. 기간/입력 탭을 클릭하고 추가를 선택한 다음 키보드를 선택하고 확인을 누릅니다. 확인을 다시 클릭하여 속성 페이지를 종료합니다. 이렇게 하면 실험을 시작하기 위해 누를 때까지 지침이 화면에 유지됩니다.
    3. 이제 SessionProc에서 목록 개체를 SessionProc 줄로 끌어서 놓습니다(지침 뒤에 배치). 목록 개체를 두 번 클릭합니다. 프로시저 열에 "Left-Trial"을 작성하고 Enter 키를 누른 다음 새 프로시저를 만들도록 요청하는 팝업 창에서 예를 클릭합니다. 다음 팝업 창에서 이것을 기본값으로 설정하라는 메시지가 표시되면 NO를 클릭합니다.
    4. 세션 Proc 줄에서 목록 개체를 두 번 클릭합니다. 속성 추가라는 녹색 버튼을 클릭합니다. 특성 이름을 올바른 응답으로 지정합니다. 확인을 클릭합니다.
    5. 열의 빈 공간을 클릭하십시오 정답 그리고 쓰기 L (이것은 보행자가 왼쪽으로가는 경우이 목록 객체를 신호하는 것입니다).
    6. SessionProc으로 돌아가서 왼쪽 평가판이라는 새 개체를 클릭합니다.
    7. SessionProc으로 이동하여 왼쪽 평가판 개체를 두 번 클릭합니다.
      1. InLine 개체를 왼쪽 평가판 줄로 끌어서 놓고 이름을 바꿉니다.
        1. ITI를 선택합니다. InLine 개체를 두 번 클릭하고 다음 코드를 작성합니다.
          n랜덤을 정수로 희미하게 하기
          n랜덤 = 랜덤(16500, 17500)
          c.SetAttrib "ITIDur", nRandom
        2. 이 코드는 16,500ms에서 17,500ms 사이의 시간 간격으로 보행기 자극을 제공합니다.
    8. 왼쪽 평가판을 두 번 클릭합니다. 슬라이드 개체를 왼쪽 평가판 선으로 끌어서 놓습니다. 이름을 바꿉니다 대기 중, 이 개체는 1.2.7단계에서 코드에 의해 결정된 시간 동안 시각적 자극 사이에 나타나는 빈 화면이 됩니다.
    9. 슬라이드 개체를 두 번 클릭합니다.
      1. SlideText라는 하위 개체를 클릭하고 슬라이드의 아무 곳이나 클릭하여 개체를 배치합니다.
      2. 해당 이미지에서 기존 텍스트를 제거합니다.
      3. 하위 객체 속성 페이지를 클릭합니다.
      4. 프레임 탭에서 너비와 높이를 모두 100%로 설정합니다. 확인을 클릭합니다.
    10. 속성 페이지를 클릭하고 기간/입력 탭으로 이동합니다. 기간에 [ITIDur] 값을 입력합니다.
    11. 왼쪽 평가판 을 두 번 클릭하고 SoundOut 개체를 왼쪽 평가판 선으로 끌어다 놓습니다.
      1. 사운드 아웃 개체를 두 번 클릭하십시오.
      2. 파일 이름 에서 적절한 사운드 큐 파일 디렉터리를 선택합니다.
      3. 버퍼 크기를 1,000ms로 변경합니다.
      4. 확인을 클릭합니다.
    12. 왼쪽 평가판으로 돌아가서 슬라이드 개체를 왼쪽 평가판 줄로 끌어다 놓고 이름을 Walker Left로 바꿉니다.
      1. 이 새 개체를 두 번 클릭합니다.
      2. 하위 개체를 클릭한 다음 슬라이드를 클릭하여 SlideMovie 하위 개체를 추가합니다.
      3. 하위 오브젝트 속성 페이지를 클릭하고 파일 이름에서 왼쪽 보행기의 비디오 파일 디렉토리를 선택합니다.
      4. 모드 후 중지를 오프셋 시간으로 설정합니다.
      5. 스트레치를 클릭하고 YES를 선택합니다.
      6. 동영상 종료 동작을 종료로 설정합니다.
      7. 프레임 탭을 클릭하고 너비와 높이를 100%로 설정합니다.
      8. 위치의 경우 X 및 Y 위치를 모두 50%로 설정합니다.
      9. 마지막으로 테두리 색상을 흰색으로 설정합니다.
      10. 확인을 클릭합니다.
      11. Slide 개체의 속성 페이지를 클릭합니다.
        1. 기간/입력 탭을 클릭합니다.
        2. 기간을 4,000으로 설정합니다. 프리릴리즈를 500으로 설정합니다.
        3. 확인을 클릭합니다.
    13. 올바른 평가판을 위해 이 전체 절차(즉, 1.2.3–1.2.9단계)를 반복합니다. 프로시저의 이름을 Right-Trial으로 지정합니다. 절차를 따를 때 올바른 응답(즉, 대신 R 또는 L)과 비디오 파일만 변경합니다. 오른쪽 보행기의 비디오 파일 디렉토리를 사용하십시오.
  3. 세션 프로시저를 두 번 클릭합니다.
    1. 끌어서 놓기 및 개체를 SessionProc 줄로 밉니다.
    2. 이 개체를 두 번 클릭하고 SlideText 하위 개체를 추가합니다.
    3. 일시 중지를 텍스트로 씁니다.
    4. 다시 하위 오브젝트 속성 페이지로 이동하여 프레임 탭에서 너비와 높이를 100 %로 만듭니다. x와 y의 위치를 50%로 만듭니다.
    5. 확인을 클릭합니다.
  4. 이미 만들어진 List 개체를 두 번 클릭합니다.
    1. 목록 개체의 속성 페이지를 클릭합니다.
    2. 선택 탭에서 순서를 임의로 설정하고 확인을 클릭합니다.
    3. 가중치 열에 다음 숫자를 삽입합니다.
      1. 연습: 왼쪽 평가판 행과 오른쪽 평가판 행 모두에 숫자 3을 입력합니다.
      2. 실험: 왼쪽 평가판 행과 오른쪽 평가판 행 모두에 숫자 11을 입력합니다.
  5. 창 상단에서 생성 아이콘을 클릭하여 실행 스크립트 파일을 만듭니다. 쉽게 액세스할 수 있도록 바탕 화면에 저장합니다. 실험 중에 실행될 파일입니다.
    1. 연습 시도를 "연습"으로 저장하고 실험 시도를 "실험"으로 저장합니다.
    2. 실행 아이콘을 클릭하여 만든 스크립트를 테스트합니다.
  6. E-스튜디오 폴더에 E-run 파일이 생성됩니다. 생성된 파일(연습 시험용 파일과 실험 시험용 파일)은 모두 컴퓨터 바탕 화면의 폴더에 배치할 수 있습니다. 시각적 실험을 실행하려면 해당 아이콘을 클릭하기만 하면 됩니다.
  7. 시각적 자극의 실험 템플릿이 생성되면 프로젝터로 표시해 보십시오.
    1. 프로젝터 설정에서 보행기 그림의 높이를 수정하고 참가자가 러닝머신에 서 있을 위치 바로 앞의 중앙에 오도록 합니다.
    2. 측정 테이프를 사용하여 프로젝터 화면에서 보행기의 높이를 직접 측정합니다. 자극이 시각 각도의 25°를 덮을 수 있도록 러닝머신에 서 있는 사람의 화면과 눈 사이의 거리를 계산하고 그에 따라 트레드밀을 움직입니다. 필요한 거리를 계산하려면 다음 웹 사이트를 사용할 수 있습니다. http://elvers.us/perception/visualAngle/

2. 실험실 환경 설정

  1. 4대의 녹음 컴퓨터, EEG 증폭기, 프로젝터, 러닝머신, 스피커 및 스마트폰을 켭니다.
  2. 녹음 장비를 설정합니다.
    1. 10초에 마커가 있는 연구를 위해 생성된 특정 서브루틴으로 동기화 소프트웨어를 엽니다.
      1. 동기화 소프트웨어는 마커 형태로 나타나는 펄스와 뇌파의 광 펄스를 10 초마다 보냅니다.
    2. 비디오 녹화 소프트웨어를 켭니다. 카메라도 자동으로 켜져야 합니다. 그렇지 않은 경우 수동으로 켜십시오.
    3. 참가자를 위해 EEG 기록 소프트웨어를 열고 설정합니다.
    4. 시각 실험 프레젠테이션 소프트웨어로 만든 시각 자극 실행 스크립트 파일이 포함된 폴더를 엽니다.
    5. 제조업체가 제안한 절차에 따라 EEG 설정 및 재료를 준비하십시오.
    6. 스마트 폰에서 이전 참가자의 대화를 삭제하십시오.
    7. 참가자의 휴식 의자 옆에 새 물병을 놓습니다.

3. 참가자 준비

  1. 참가자를 1 호실로 환영하고 학습 기간과 보상에 대해 간략하게 이야기하십시오.
  2. 참가자들에게 보석 (예 : 귀걸이, 피어싱, 목걸이), 안경, 스마트 폰 및 주머니에있는 모든 물건을 꺼내 쓰레기통에 넣고 사물함에 넣도록 요청하십시오.
  3. 참가자들에게 그들이 먹을 수있는 껌을 제거하고 실험을 시작하기 전에 먹었는지 확인하도록 요청하십시오.
  4. 참가자가 편안한 운동화를 착용하고 있는지 확인하고 실험 중에 참가자의 안전을 보장하기 위해 신발 끈을 이중 매듭지게하십시오.
  5. 참가자가 동의서를 읽고 서명하도록 합니다.
    1. 다음 대본을 읽고 참가자가 동의서를 읽고 서명할 수 있도록 앉게 합니다.

      "여기 귀하가 이 연구에 참여하는 데 동의한다는 동의서가 있습니다. 주의 깊게 읽고 서명하십시오. 질문이 있으면 주저하지 마십시오."
  6. 참가자를 EEG 캡을 설치할 지정된 참가자 준비실 인 방 3으로 데려가십시오.
  7. 실험 과정의 흐름을 설명하는 준비된 스크립트를 읽으십시오.

    "내가 자주 텍스트를 읽을 수 있다는 것을 알 수 있습니다. 이는 모든 참가자가 동일한 지침을 받도록하기 위해 수행됩니다. 이 연구에서 우리는 사람들이 문자 메시지를 보내고 적당한 속도로 걷는 동안 눈앞의 자극과 어떻게 상호 작용하는지에 관심이 있습니다. 약 40분 동안 이전에 이 스마트폰으로 만난 [연구조교 이름]에게 문자를 보냅니다. 문자를 보내는 동안 때때로 소리가 들립니다. 이 소리 뒤에는 걷는 캐릭터의 이미지가 이어집니다. 여러분의 임무는 여기 [화면을 가리키며] 고개를 들어 캐릭터가 오른쪽으로 걷고 있는지 왼쪽으로 걷고 있는지 큰 소리로 표시하는 것입니다. 다른 작업을 수행하도록 요청받지 않습니다. 나는 당신의 대답을 적을 것입니다. 모든 블록에는 답에 대한 두 가지 선택 (오른쪽과 왼쪽)이 있으므로 예를 들어 단일 선택으로 왼쪽 또는 오른쪽 만있는 것은 불가능합니다. 캐릭터가 나오는 방향은 완전히 무작위입니다. 답을 받아쓴 후에는 계속해서 [연구 조교의 name]이라는 문자를 보냅니다. 대답할 때나 나에게 말을 걸고 싶을 때 뒤돌아서지 않는 것이 중요합니다. 머리를 앞으로 유지하십시오. 나는 실험 기간 동안 [유리를 가리킨다]이 거울 뒤에있을 것입니다 . 질문이 있으십니까?"
  8. EEG 전극 캡에 대한 참가자의 머리 둘레를 측정합니다. 이 실험을 위해 32개의 사전 증폭된 전극이 있는 EEG actiCap이 사용되었습니다.
    1. 적절한 크기의 EEG 캡을 선택하고 지지를 위해 폼 헤드에 놓고 모든 전극을 적절한 위치에 놓습니다.
    2. 참가자의 머리 둘레를 다시 측정하여 10-20 기준 시스템을 사용하여 캡의 시작점을 결정합니다.
    3. 앞에서 시작하여 참가자의 머리에 캡을 놓고 뒤로 당기면서 제자리에 고정하십시오. 캡이 올바르게 배치되었는지 확인하십시오.
    4. EEG 캡의 케이블을 EEG 컨트롤 박스에 연결합니다.
    5. 참가자에게 젤 어플리케이터를 보여 주어 날카롭지 않다는 것을 확인하고 원하는 경우 만질 수 있도록 합니다. 다음 스크립트를 읽습니다.

      "여기 애플리케이터와 머리에있는 EEG 캡에 젤을 바르는 데 사용할 팁이 있습니다. 만질 수 있습니다. 아프지 않습니다. 팁은 머리에 닿지 않을 정도로 짧습니다."
    6. 모든 전극 표시등이 빨간색으로 바뀌도록 EEG 전극 상자를 켭니다.
    7. 먼저 머리카락을 밖으로 옮긴 다음 각 전극에 젤을 적용하여 전극을 활성화하십시오 : 접지 전극으로 시작한 다음 기준 전극으로 시작하십시오. 이 두 전극이 녹색으로 바뀌면 나머지 전극을 추가하십시오.
    8. 모든 전극 센서가 녹색으로 바뀔 때까지 젤을 놓습니다.
    9. 컨트롤 박스의 임피던스를 측정합니다.
    10. 컨트롤 박스에서 케이블을 분리하고 이동 어댑터(즉, 데이터를 컨트롤 박스로 다시 무선으로 전송하는 어댑터 키트)에 연결합니다.
    11. 어댑터 키트를 패니 팩에 넣고 참가자에게 케이블과 어댑터 키트를 참가자의 등을 향해 놓고 허리에 두르도록 요청합니다.
    12. 컴퓨터 실 (방 4)로 돌아가서 각 전극의 임피던스를 확인하십시오.
    13. EEG 소프트웨어의 모니터 화면에서 신호를 육안으로 검사하여 데이터 품질이 만족스러운지 확인합니다. 필요한 경우 문제가있는 전극을 고정하십시오.
  9. 참가자를 실험실 (즉, 방 2)로 데려가십시오.
  10. 참가자가 러닝 머신에 서서 러닝 머신 안전 키를 참가자에게 부착하게하십시오.
  11. 런닝 머신을 0.8mph의 속도로 켜고 참가자가 속도에 익숙해 지도록 2 분 동안 걷게하십시오. 이 2 분 동안 참가자에게 지침에 대해 상기시킵니다.

    "약 40분 동안 스마트폰으로 [연구조교 이름]에게 문자를 보냅니다. 문자를 보내는 동안 때때로 소리가 들립니다. 이 소리 뒤에는 걷는 캐릭터의 이미지가 이어집니다. 당신의 임무는 그 시간에 머리를 화면으로 들어 올리고 캐릭터가 오른쪽으로 걷고 있는지 왼쪽으로 걷고 있는지 큰 소리로 표시하는 것입니다. 다른 작업을 수행하도록 요청받지 않습니다. 나는 당신의 대답을 적을 것입니다. 답변을 말한 후 [연구 조교 이름]이라는 문자를 계속 보냅니다. 항상 대답하는 것이 중요합니다. 확실하지 않은 경우 최선의 추측을 알려주십시오. 당신이 대답을 할 때나 당신이 불안정하고 넘어질 수 있기 때문에 나에게 말하고 싶을 때 돌아서지 마십시오. 머리를 앞으로 유지하십시오. 실험에는 네 부분이 있는데, 두 부분은 걷는 동안 [연구 조교 이름]에게 문자를 보내는 부분이고 두 부분은 그냥 걷는 부분입니다. 각 부분은 약 12 분 동안 지속되며 각 부분 사이에는 2 분의 휴식 시간이 있습니다. 질문이 있으십니까?"

4. 연습 시험

  1. 참가자에게 스마트 폰을 제공하십시오.
  2. 참가자에게 연습 시험을 할 것이라고 말하십시오.
  3. 연습 시험에 대한 자극의 실행 스크립트 파일을 클릭합니다. 참가자 번호를 입력하고 평가판을 시작합니다.
  4. 참가자가 연구 조교와 문자 메시지 대화에 참여하는 동안 시각적 자극에 반응하는 연습을하도록하십시오. 이 연습 세션은 3분 동안 진행됩니다.
  5. 세션이 시작되면 연구를 위해 작성된 문자 대화 스크립트를 따르십시오.
  6. 각 자극 모양에 대한 참가자의 답변을 스프레드시트 템플릿에 기록합니다.
  7. 3 분 후에 참가자에게 의자에 앉아 물을 마시게하십시오. 이 시간 동안 런닝 머신 속도를 0.4mph로 조정하십시오.
  8. 참가자에게 학습 지침을 상기시킵니다.

5. 데이터 수집

  1. 설치
    1. 워크플로 시트로 이동하여 현재 참가자의 조건 순서를 선택합니다. 순서 A에서 시험 1과 3은 문자 메시지 조건을 사용하고 시행 2와 4는 제어 조건을 사용합니다. 순서 B에서 시행 1과 시행 3은 제어 조건을 사용하고 시행 2와 시행 4는 문자 메시지 조건을 사용합니다. 각 시험 동안 시각적 자극은 22 번 나타납니다.
    2. 모든 녹음 소프트웨어를 동기화하여 시작할 준비가 되었는지 확인합니다.
    3. 모든 녹화 소프트웨어(예: EEG, 비디오) 켜기
    4. 참가자가 러닝 머신으로 돌아와 천천히 속도를 0.8mph로 높이도록하십시오.
    5. 시각 자극 프로그램을 켜고 실행을 시작하십시오.
    6. 실험 조건에 따라 시험의 지침을 읽으십시오.
      1. 실험 시행에 대한 자극의 실행 스크립트 파일을 실행합니다. 참가자 번호와 특정 조건에 대해 선택한 코드를 입력합니다. 평가판을 시작합니다.
  2. 제어 조건
    1. 이 작업 중에 스마트 폰이 참가자의 시야에서 벗어나 있는지 확인하십시오.
    2. 참가자에게 단순히 러닝 머신을 걷고 "왼쪽"또는 "오른쪽"이라고 대답하여 시각적 자극이 나타날 때마다 반응하도록 지시하십시오.

      "이 작업을 위해서는 러닝 머신을 걷기 만하면됩니다. 때때로 소리가 들립니다. 이 소리 뒤에는 걷는 캐릭터의 이미지가 이어집니다. 당신의 임무는 머리를 화면으로 들어 올리고 캐릭터가 오른쪽으로 움직이는지 왼쪽으로 움직이고 있는지 큰 소리로 표시하는 것입니다. 다른 작업을 수행하도록 요청받지 않습니다. 나는 당신의 대답을 직접 적어 둘 것입니다. 대답을 받아쓴 후에는 계속 걷기만 하면 됩니다. 항상 대답하는 것이 중요합니다. 확실하지 않은 경우 최선의 추측을 알려주십시오. 당신이 대답을 할 때나 당신이 불안정하고 넘어질 수 있기 때문에 나에게 말하고 싶을 때 돌아서지 마십시오. 머리를 앞으로 유지하십시오. 내가 신호를 줄 때 시작하십시오. 질문이 있으십니까?"
    3. 참가자에게 임상시험이 곧 시작된다는 신호를 보내고 시각 자극 시험을 시작합니다.
    4. 참가자가 시각적 자극에 대답 할 때마다 참가자의 반응을 기록하십시오. 참가자가 응답하지 않으면 필드를 비워 둡니다.
    5. 재판이 끝나면 참가자에게 앉아서 물을 마시게하십시오.
    6. 이 휴식 시간 동안 모든 녹음 소프트웨어를 계속 실행하고 0.4mph의 속도로 러닝머신을 켜두십시오.
    7. 휴식 후 참가자를 러닝 머신으로 되돌리고 걸을 때 점차적으로 속도를 0.8mph로 다시 높입니다.
  3. 문자 메시지 조건
    1. 참가자가 러닝 머신을 걷는 동안 스마트 폰을 건네줍니다.
    2. 참가자에게 러닝머신을 걷는 동안 자연스럽게(예: 한 손 또는 두 손 사용) 텍스트를 보내도록 지시하고 "왼쪽" 또는 "오른쪽"이라고 대답하여 나타날 때마다 시각적 자극에 응답합니다.

      "이 작업을 위해 스마트 폰으로 [연구 조교 이름]에게 문자를 보냅니다. 스마트 폰에서 메시지 응용 프로그램을 엽니 다. 그런 다음 "안녕하세요"라는 대화를 선택하십시오. 문자 메시지 대화에 적극적으로 참여해야합니다. 문자를 보내는 동안 때때로 소리가 들립니다. 이 소리 뒤에는 걷는 캐릭터의 이미지가 이어집니다. 당신의 임무는 여기 화면으로 머리를 들어 올리고 캐릭터가 오른쪽으로 움직이는지 왼쪽으로 움직이고 있는지 여부를 나타내는 것입니다. 다른 작업을 수행하도록 요청받지 않습니다. 나는 당신의 대답을 직접 적어 둘 것입니다. 답변을 받아쓴 후 문자 메시지를 계속하기만 하면 됩니다. 항상 대답하는 것이 중요합니다. 확실하지 않은 경우 최선의 추측을 알려주십시오. 당신이 대답을 할 때나 당신이 불안정하고 넘어질 수 있기 때문에 나에게 말하고 싶을 때 돌아서지 마십시오. 머리를 앞으로 유지하십시오. 내가 신호를 줄 때 시작하십시오. 질문이 있으십니까?"
    3. 참가자에게 임상시험이 곧 시작된다는 신호를 보내고 시각 자극 시험을 시작합니다.
    4. 참가자에게 러닝 머신을 걷는 동안 문자 메시지 대화를하도록 지시하십시오. 시각적 자극이 나타날 때마다 "왼쪽"또는 "오른쪽"이라고 대답하여 반응하도록 지시하십시오.
    5. 연구 조교가 대화 스크립트를 따르고 조건 전체에서 대화를 계속하도록하십시오.
    6. 참가자가 시각적 자극에 대답 할 때마다 참가자의 반응을 기록하십시오. 참가자가 응답하지 않으면 필드를 비워 둡니다.
    7. 평가판이 끝나면 참가자에게서 스마트 폰을 가져 와서 참가자가 앉아서 물을 마시도록하십시오.
    8. 이 휴식 시간 동안 모든 녹음 소프트웨어를 계속 실행하고 0.4mph의 속도로 러닝머신을 켜두십시오.
    9. 휴식 후 참가자를 러닝 머신으로 되돌리고 걸을 때 점차적으로 속도를 0.8mph로 다시 높입니다.

6. 데이터 수집 종료

  1. 실험 조작이 끝나면 참가자가 러닝 머신을 끄도록하십시오. 참가자에게 앉아서 물을 마시게 하십시오.
  2. EEG 캡을 제거하고 참가자가 원하는 경우 머리를 감을 수있는 샤워로 참가자를 데려가십시오.
  3. 참가자에게 보상을 제공하고 참여에 감사드립니다. 참가자가 동의서 사본을 가지고 떠나고 모든 개인 물품을 검색하는지 확인하십시오.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

이 연구 프로토콜은 원래 54 명의 참가자로 수행되었으며 각 참가자는 88 개의 방향 시험에 응답했습니다. 이러한 시험의 절반은 참가자가 자극 발표 전에 단순히 걷고있을 때 발생했습니다. 나머지 절반은 참가자들이 자극 발표 전에 걷는 동안 문자 메시지를 보낼 때 발생했습니다.

행동 결과
포인트 라이트 워커 방향의 성능은 작업 전환 비용을 나타내며 성능이 낮을수록 작업 전환 비용이 높습니다. 참가자의 응답은 두 가지 반응 변수로 분석되었습니다 : 1) 올바른 식별; 및 2) 응답 시간. 2개의 실험 조건은 2개의 그룹을 나타내었다: 1) 걷는 동안 문자 메시지; 2) 자극에 반응하기 전에 단순히 걷기. 반응 시간은 실험 종료 시 계산되었습니다. 실험의 비디오 녹음은 오디오 파일로 변환 된 다음 사운드 파장의 피크를 표시하는 사운드 소프트웨어로 분석되었습니다. 신호의 소리와 참가자의 구두 응답 소리가 표시되면 둘 사이의 시간이 결정되었습니다. 올바른 응답 시간은 실험 프레젠테이션 소프트웨어에서 88개 시험에 대한 참가자의 올바른 방향을 내보내고 참가자의 응답이 포함된 데이터베이스 파일에 추가하여 분석했습니다. 사용 된 프로그램 (Excel)에서 정확도를 테스트하는 공식 (= IF (A1 = B1,1,0))을 사용하여 첫 번째 데이터 열에 포함 된 정보 (즉, 참가자의 응답)가 두 번째 열과 동일한지 여부를 확인했습니다.

각 참가자는 자극의 방향을 반복적으로 결정해야 했기 때문에 t-검정을 사용하여 조건에 따른 성능 평균의 차이를 분석할 수 없었습니다. 대신, 시험 간의 피험자 내 상관 관계를 설명하기 위해 일반화 된 선형 회귀 모델이 사용되었습니다. 이 분석은 SAS 9.4 소프트웨어와 함께 Proc Glimmix를 사용하여 실행되었습니다. 그룹 변수는 반응 변수에 대한 설명 변수였으며 각 주제에 대해 무작위 가우스 절편이 추가되었습니다. 반응 변수의 정확도(정답 또는 오답)는 이진적이므로 로짓 연결 함수가 이 회귀 모형에 적합했습니다.

우리는 참가자들이 자극이 나타나기 전에 문자를 보내지 않았을 때 포인트 라이트 워커 자극에 대한 올바른 방향을 식별 할 가능성이 더 높다는 것을 발견했습니다 (승산비 = 0.77; 티 = -3.12; p = 0.001; 95% 신뢰 구간(.657;. 908)). 반응 시간에서 유의한 차이는 발견되지 않았다(β = -0.005; 티 = −.26; p = 0.799; 95% 신뢰 구간(-.047;. 036))( 그림 3 참조).

정확도와 응답 시간을 결합하기 위해 역 효율 점수(IES)24 가 사용되었습니다. 방향 시도에서 정확할 확률은 응답 시간을 제어 변수로 하는 로지스틱 회귀를 사용하여 모델링되었습니다. 다시 말하지만, 시험 간의 잠재적 인 피험자 내 상관 관계를 설명하기 위해 각 피험자에 대해 개별 무작위 절편이 추가되었습니다. 이 혼합 효과 회귀의 결과는 자극이 나타나기 전에 단순히 걸었을 때와 비교하여 참가자가 걷는 동안 문자를 보낸 조건에서 자극에 정확하게 반응 할 확률이 18.9 % 더 작은 실험 조건의 유의 한 효과를 보여주었습니다 (교차비 = 0.811; 티 = -2.46; p = 0.014; 95% 신뢰 구간 0.686–0.959; 그림 3 참조). 이것은 응답 시간에 관계없이 참가자가 걷는 동안 문자를 보낼 때 자극 방향의 정확도가 지속적으로 낮다는 것을 보여주었습니다.

신경 생리 학적 데이터
EEG 기록은 알파 진동 및인지 참여를 관찰하여 작업 전환과 관련된 신경 생리 학적 활동을 결정하는 데 사용되었습니다. 이동 중에 EEG를 사용하면 더 많은 인공물이 생성되었습니다. 데이터의 품질을 보장하기 위해 몇 가지 단계가 수행되었습니다. 첫째, 걷는 동안 기록 할 수 있도록 노이즈 감산 회로 (즉, 사전 증폭 된 전극)가있는 새로운 능동 전극 기술이 사용되었습니다. 둘째, EEG 데이터를 20Hz에서 저역 통과 IIR 필터로 오프라인으로 필터링하여 알파파를 분리하고 1Hz에서 고역 통과 IIR 필터를 사용하여 노이즈를 줄였습니다. 셋째, EEG 데이터25에서 눈 깜박임 및 안구 단속으로 인한 인공물을 감쇠시키기 위해 독립 성분 분석 (ICA)이 적용되었습니다. 넷째, 자동 인공물 제거를 사용하여 인접한 두 샘플링 포인트 간에 50μV 이상의 전압 차이와 75ms 간격으로 50μV 이상의 차이가 있는 에포크를 제외했습니다.

데이터 분석은 비전 분석기 2로 수행되었습니다. Luck26에 기초하여, 데이터는 공통 평균 참조로 다시 참조되었다. 또한, 데이터는 보행기 자극의 제시 후 2 초와 2 초 기준선을 분리하기 위해 분할되었습니다. 각 자극 프리젠 테이션에 대해 참가자가 걷는 동안 단독으로 걷거나 문자를 보냈을 때 발생하는 활동을 나타내는 기준선이 결정되었습니다. 이 기준선은 각 자극 출현의 청각 신호 12초 전에 발생하는 2초 시점 동안 얻어졌습니다. 두 세그먼트 모두 주파수 영역에서 전력 값을 얻기 위해 1초 에포크에서 고속 푸리에 변환으로 별도로 분석되었습니다. 모든 에포크는 실험 조건에 의해 개별적으로 평균화되었다.

이 분석의 목적은 작업 세트 억제 및 작업 세트 활성화의 두 하위 단계가 행동 전환 비용(즉, 성능 측정)에 다르게 영향을 미치는지 여부를 결정하는 것이었습니다. 이를 위해 EEG 데이터는 두 가지 지표를 기반으로 분석되었습니다 : 1) 알파 진동; 2)인지 적 참여. 모든 계산은 Cz 및 Pz 사이트의 데이터에 노이즈와 인공물이 적기 때문에 Cz 및 Pz 사이트를 사용하여 수행되었습니다. 자극 표현으로 인한 알파 진동의 변화는 기준 알파 파워와 자극 프리젠 테이션18,19에서 발생하는 알파 파워를 비교하여 알파 비율로 분석되었습니다. Pope et al.20이 개발한 인지 참여 지수를 사용하여 베타(14–20Hz)의 결합된 전력을 알파(8–12Hz) 및 세타(4–8Hz) 구성 요소의 총 전력으로 나눈 비율을 만들었습니다. 결합 된 전력을 계산하기 위해 사용 된 전력의 합은 Cz 및 Pz 위치에있었습니다.

알파 비율과 성능에 미치는 영향을 두 조건 사이에서 비교했습니다. 알파 비율은 작업 억제 프로세스를 반영합니다. 알파 비율은 각 참가자에 대해 측정되었기 때문에 해당 조건 동안 집계된 성과(즉, 해당 조건의 44개 시험의 올바른 응답 비율)와 비율을 비교할 필요가 있었습니다. 두 조건의 상관 계수를 비교하기 위해 Steiger27 이 제안한 z- 검정을 동일한 개체에서 측정 된 상관 계수를 비교하는 수단으로 사용되었습니다. Pz 사이트에서 성능과 알파 비율 간의 상관 관계가 두 조건 (p = 0.032; 95 % 신뢰 구간 = 0.054–1.220)간에 통계적으로 다르다는 것이 밝혀졌습니다 ( 그림 4 참조). 각 조건의 상관 관계가 반대 부호 였기 때문에 억제 과정은 두 조건에서 성능에 다르게 영향을 미치며, 알파 비율이 높을수록 보행 조건에서 더 나은 성능을 얻는 반면, 문자 메시지 조건에서는 성능이 더 높은 알파 비율에 의해 방해받는 것으로 나타났습니다. 이러한 결과는 걷는 동안 문자 메시지를 보낼 때 이전 작업 세트를 억제하는 데 필요한 리소스의 양이 성능에 부정적인 영향을 미친다는 것을 보여줍니다. 따라서 참가자가 작업 세트 억제에 리소스를 참여시킨 정도는 문자 메시지를 보낼 때 향후 성과에 더 많은 영향을 미쳤습니다. Cz 부위와 관련하여 유의미한 차이는 발견되지 않았으며, 이는 효과가 대부분 두피의 정수리 부위에 위치했음을 시사합니다.

인지 참여 비율과 성과에 미치는 영향도 두 조건 간에 비교되었습니다. 알파 비율에 관해서는 Steiger27 이 제안한 z- 테스트도이 분석에 사용되었습니다. 결과는 두 조건 간에 통계적으로 유의미한 차이를 보여주었는데, 자극이 나타나기 직전에 수행된 작업(즉, 걷는 동안 걷거나 문자를 보내는 것)에 대한 참여가 각 조건에서 성능에 다르게 영향을 미쳤습니다(p = 0.027; 95% 신뢰 구간 = -1.062 – -0.061). 여기서 다시 상관 관계는 반대 기호였습니다. 우리의 결과는 참가자가 작업 전환 전에 걸을 때인지 참여의 비율이 높을수록 성능 감소와 관련이있는 반면, 참가자가 작업 전환 전에 걷는 동안 문자 메시지를 보낼 때인지 참여의 비율이 높을수록 성능 향상과 관련이 있음을 시사합니다. 이것은 걷는 동안 문자 메시지의 더 높은 작업 전환 비용이 해당 작업에 대한 더 높은인지 참여로 인한 것이 아님을 보여줍니다.

Movie 1
그림 1: 이 비디오에서는 피사체의 오른쪽을 향해 걸어가는 인물이 보입니다. 이 비디오를 보려면 여기를 클릭하십시오. (마우스 오른쪽 버튼을 클릭하여 다운로드합니다.)

Figure 2
그림 2: 방의 실험 설정. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Figure 3
그림 3: 문자 메시지가 정확도 및 응답 시간에 미치는 영향. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Figure 4
그림 4: Fz에서의 알파와 성능 간의 상관관계. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

프로토콜을 사용할 때 중요한 선택은 신경 생리 학적 데이터의 품질을 보장하는 것입니다. 과도한 움직임은 데이터에 많은 노이즈를 생성할 수 있기 때문에 이동 중에 EEG와 같은 도구를 사용하는 것은 본질적으로 복잡합니다. 따라서 데이터를 수집하기 전에 실제 신호를 수정하지 않고 가능한 한 많은 인공물을 제거하기 위해 데이터를 준비하는 방법을 고려하는 것이 중요합니다. 그럼에도 불구하고 참가자가 실험 내내 러닝 머신을 걷기 때문에 데이터 제외율이 더 높을 가능성이 여전히 높습니다. 특정 참가자의 데이터는 과도한 얼굴, 머리 및 신체 움직임으로 인한 인공물과 과도한 발한 및 장비 오작동의 가능성으로 인해 사용할 수 없습니다. 편향되거나 결과에 영향을 미치지 않도록 하려면 행동 분석 전에 데이터 제외를 결정해야 합니다. 이 연구를 수행 한 이후, 우리 실험실은 전극 위치를 국소화하는 능력을 획득했으며 향후 연구에서이 기술을 사용하여 소스 활동을보다 잘 분석하기를 희망합니다. 향후 연구에서는 전극 국소화 기술을 활용하여 관련 EEG 신호의 소스 추정을 허용하는 것이 좋습니다.

이 프로토콜에서주의해야 할 중요한 단계는 참가자와 연구 조교의 문자 메시지 대화를위한 스크립트입니다. 문자 메시지 대화는 미리 정의된 주제와 일부 개방형 질문으로 안내되는 것이 중요합니다. 그러한 대본을 따르는 데는 많은 가치가 있습니다. 첫째, 모든 참가자가 유사한 유형의 대화를 할 수 있도록 하여 자연스럽게 발생하는 대화에 존재하는 변동성을 제거합니다. 이러한 방식으로 우리는 참가자간에 대화가 지나치게 다르기 때문에 산만 함이 달라지지 않도록합니다. 둘째, 주제를 현명하게 선택함으로써 대화가 강한 감정적 반응으로 이어지지 않도록 할 수 있습니다. 감정적으로 충전 된 상호 작용은 EEG 분석 및 산만 함 수준을 변경할 수 있으며, 이는 행동 및 신경 생리 학적 결과의 해석을 복잡하게 만듭니다. 모든 문자 메시지 대화는 필연적으로 어느 정도 다를 수 있지만 스크립트가 있으면 이러한 변동성을 어느 정도 제어할 수 있습니다. 대화의 변동성을 더욱 제한하려면 연구 프로젝트 기간 동안이 작업을 담당하는 특정 연구 조교 한 명을 두는 것이 좋습니다. 그럼에도 불구하고 대본을 고수함으로써 우리는 그러한 대화의 생태적 타당성을 잃게 됩니다. 예를 들어, 개인이 친구와 대화 할 때 이러한 대화는 감정적으로 청구 될 수 있으며 실제로 작업 전환 비용이 변경 될 수 있습니다. 그러나 대화 유형이 작업 전환 비용에 미치는 영향을 분석하려면 이러한 분석의 복잡성으로 인해 연구의 목표가 해당 측면에 초점을 맞춰야 한다는 점을 고려하는 것이 중요합니다. 따라서 우리의 목적을 위해 스크립트를 사용하는 것이 더 적절했습니다.

참가자의 응답을 기록할 데이터베이스 파일을 만들 때도 주의해야 합니다. 정확도를 테스트하기 위해 Excel에서 사용한 수식(예: =IF(A1=B1,1,0))은 형식에 따라 다릅니다(예: 추가 공백 및 대문자의 영향을 받음). 따라서 시각적 실험 프레젠테이션 소프트웨어에서 추출한 출력에 사용된 것과 동일한 형식으로 오른쪽에 R을 작성하거나 왼쪽에 L을 작성하는 것이 좋습니다. 파일 쓰기 오류가 발생하면 정확도 등급에 거짓 부정이 발생할 수 있습니다. 마지막으로, 시각 처리가 큰 역할을하는 이러한 종류의 연구에서는 모든 참가자가 정상 또는 정상 시력으로 교정되는 것이 중요합니다. 우리는 EEG 도구를 사용하고 있기 때문에 참가자의 뇌 신호에 영향을 미칠 수있는 간질 및 신경 학적 및 정신과 적 진단을 선별하는 데에도 관련이 있습니다. 뇌 활동의 차이가 결과를 편향시킬 수 있으므로 해당 참가자를 연구에서 제외하는 것이 현명합니다.

이 방법론은 여러 스마트폰 사용(예: 독서, 소셜 미디어, 게임, 이미지 보기 등)을 테스트하도록 수정할 수 있습니다. 28. 실험 조건 사이 또는 실험이 끝날 때 설문지를 추가하여 참가자의 특성과 인식에 대한 더 많은 통찰력을 얻을 수도 있습니다 (Mourra29 참조). 작업 사이의 설문지는 다음 조건에 대한 참가자의 피로를 불필요하게 증가시키는 것을 피하기 위해 시간이 많이 걸리지 않아야합니다. 이 순간은 시간 인식, 참가자가 방금 완료 한 작업에 대한 관심 및인지 된 난이도와 같은 다양한 작업 관련 구성을 테스트하는 데 매우 유용합니다. 실험이 끝날 때 설문지는 더 많은 시간이 소요될 수 있지만 조건을 마무리하는 피로를 고려해야합니다. 설문지의 타이밍은 참가자의 답변이 과제 중 경험에 의해 편향되는 것을 피하고 이전에 질문 한 질문으로 인해 참가자의 행동이 편향되는 것을 피하는 방식으로 수행되어야합니다.

이 방법은 실제 보행자 환경에는 동시에 많은 자극이 제시되므로 이러한 환경에서 필요한인지 부하가이 연구보다 훨씬 높을 수 있다는 점에서 제한적입니다 (Pourchon et al.7 참조). 그럼에도 불구하고 근본적인 신경 생리 학적 메커니즘을 정확히 찾아 낼 수 있으려면 그러한 절충안이 필요해 보였습니다. 특정 연구의 목적에 따라 시각적 자극은 걷는 동안 스마트 폰을 사용하는 작업 전환 비용에 영향을 줄 수있는 다양한 요소를 테스트하도록 수정 될 수 있습니다. 이 방법론에서는 포인트 라이트 워커가 편향되기 쉽기 때문에 실제 인물 대신 포인트 라이트 워커 피규어를 사용했습니다. 실제 인간 보행기의 모습은 특정 참가자에게 더 즐겁거나 불쾌 할 수 있으며 이는 그로 인한 관심에 영향을 미칠 수 있습니다. 인간의 형태와 인간의 움직임을 나타내는 점 그룹을 사용함으로써 결과를 왜곡 할 수있는 다른 변수 중에서 인간 보행자의 성별, 의복, 신체 이미지의 잠재적 인 외부 변수를 우회 할 수 있습니다. 예를 들어, 인간 보행기가 더 매력적이라고 생각하는 참가자는 그렇지 않은 경우보다 보행기에 집중하는 경향이 있습니다.

이 방법론은 향후 연구에서 다양한 응용 분야에 사용될 수 있습니다. 예를 들어, 시각적 자극을 다른 특성을 갖도록 수정함으로써 환경에서 객체의 특성이 작업 전환 비용에 어떻게 영향을 미칠 수 있는지 연구 할 수 있습니다. 이 방법을 수동 트레드밀과 함께 사용하는 것도 흥미로울 수 있습니다., 갑판에 대한 참가자의 발의 움직임이 트레드밀 벨트를 움직이는 곳. 이러한 방식으로 멀티태스킹 또는 작업 전환으로 인해 실험 중에 속도가 어떻게 변동하는지 확인할 수 있습니다. 이것은 분석에서 고려할 새로운 변수를 추가하는 동안 생태 학적 타당성을 증가시킵니다 (예 : 멈추거나 느리게 또는 더 빨리 걷는 것이 참가자의 성과에 영향을 미칩니 까?). 따라서 자극과 피사체 움직임 측면에서 보행 중 문자 메시지를 조사하기 위해이 방법 (즉, 포인트 라이트 워커 및 자동 러닝 머신)에서 제안 된 것 이외의 많은 다른 가능성이 있습니다 (Pourchon et al.7, Schabrun et al.30). 이것은 미래 연구의 내부 또는 외부 타당성을 증가시킬 것입니다. 또한 두 전극의 EEG 데이터만 사용하기로 한 결정에는 몇 가지 제한 사항이 있습니다. 향후 연구에서는 여러 전극을 포함하는 관심 영역으로 분석을 확장하려고 시도해야 합니다. 대화 스크립트를 사용하지 않고 대화가 자연스럽게 이루어지도록 할 수도 있습니다. 이러한 경우 내용 분석을 통해 대화 내용을 분석 할 수 있으며 다양한 유형의 대화의 영향을 자연스럽게 연구 할 수 있습니다. 요컨대,이 방법론은 걷는 동안 스마트 폰으로 멀티 태스킹하는 능력에 영향을 미칠 수있는 다양한 요인에 대한 지식을 키우기 위해보다 복잡한 연구를 구축 할 수있는 기반이 될 수 있습니다.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

저자는 공개 할 것이 없습니다.

Acknowledgments

저자는 캐나다 사회 과학 및 인문학 연구위원회 (SSHERC)의 재정 지원을 인정합니다.

Materials

Name Company Catalog Number Comments
The Observer XT Noldus Integration and synchronization software: The Noldus Observer XT (Noldus Information Technology) is used to synchronize all behavioral, emotional and cognitive engagement data.
MediaRecorder Noldus Audio and video recording software
FaceReader Noldus Software for automatic analysis of the 6 basic facial expressions
E-Prime Psychology Software Tools, Inc. Software for computerized experiment design, data collection, and analysis
BrainVision Recorder Brain Vision Software used for recording neuro-/electrophysiological signals (EEG in this case)
Analyzer EEG signal processing software
Qualtrics Qualtrics Online survey environment
Tapis Roulant ThermoTread GT Office Treadmill
Syncbox Noldus Syncbox start the co-registration of EEG and gaze data by sending a Transistor-Transistor Logic (TTL) signal to the EGI amplifier and a keystroke signal to the Tobii Studio v 3.2.
Move2actiCAP Brain Vision Add-on for a digital wireless system for EEG
iPhone 6s Apple
iMessage Apple
iPad Apple

DOWNLOAD MATERIALS LIST

References

  1. Monsell, S. Task switching. Trends in Cognitive Sciences. 7 (3), 134-140 (2003).
  2. Haga, S., et al. Effects of using a Smart Phone on Pedestrians' Attention and Walking. Procedia Manufacturing. 3, 2574-2580 (2015).
  3. Hatfield, J., Murphy, S. The effects of mobile phone use on pedestrian crossing behaviour at signalised and unsignalised intersections. Accident Analysis, Prevention. 39 (1), (2007).
  4. Stavrinos, D., Byington, K. W., Schwebel, D. C. Distracted walking: Cell phones increase injury risk for college pedestrians. Journal of Safety Research. 42 (2), 101-107 (2011).
  5. Nasar, J., Hecht, P., Wener, R. Mobile telephones, distracted attention, and pedestrian safety. Accident Analysis, Prevention. 40 (1), 69-75 (2008).
  6. Hyman, I. E., Boss, S. M., Wise, B. M., McKenzie, K. E., Caggiano, J. M. Did you see the unicycling clown? Inattentional blindness while walking and talking on a cell phone. Applied Cognitive Psychology. 24 (5), 597-607 (2010).
  7. Pourchon, R., et al. Is augmented reality leading to more risky behaviors? An experiment with pokémon go. Proceedings of the International Conference on HCI in Business, Government, and Organizations. , 354-361 (2017).
  8. Thornton, I. M., Rensink, R. A., Shiffrar, M. Active versus Passive Processing of Biological Motion. Perception. 31 (7), 837-853 (2002).
  9. Neider, M. B., McCarley, J. S., Crowell, J. A., Kaczmarski, H., Kramer, A. F. Pedestrians, vehicles, and cell phones. Accident Analysis, Prevention. 42, 589-594 (2010).
  10. Wylie, G., Allport, A. Task switching and the measurement of "switch costs". Psychological Research. 63 (3-4), 212-233 (2000).
  11. Johansson, G. Visual perception of biological motion and a model for its analysis. Perception, Psychophysics. 14 (2), 201-211 (1973).
  12. Cavanagh, P., Labianca, A. T., Thornton, I. M. Attention-based visual routines: Sprites. Cognition. 80 (1-2), 47-60 (2001).
  13. Troje, N. F. Retrieving Information from Human Movement Patterns. Understanding Events. , 308-334 (2008).
  14. Klimesch, W. EEG alpha and theta oscillations reflect cognitive and memory performance: A review and analysis. Brain Research Reviews. 29 (2-3), 169-195 (1999).
  15. Jensen, O., Gelfand, J., Kounios, J., Lisman, J. E. Oscillations in the Alpha Band (9-12 Hz) Increase with Memory Load during Retention in a Short-term Memory Task. Cerebral Cortex. 12 (8), 877-882 (2002).
  16. Busch, N. A., Herrmann, C. S. Object-load and feature-load modulate EEG in a short-term memory task. NeuroReport. 14 (13), 1721-1724 (2003).
  17. Herrmann, C. S., Senkowski, D., Röttger, S. Phase-Locking and Amplitude Modulations of EEG Alpha. Experimental Psychology. 51 (4), 311-318 (2004).
  18. Pfurtscheller, G., Aranibar, A. Event-related cortical desynchronization detected by power measurements of scalp EEG. Electroencephalography and Clinical Neurophysiology. 42 (6), 817-826 (1977).
  19. Sauseng, P., et al. EEG alpha synchronization and functional coupling during top-down processing in a working memory task. Human Brain Mapping. 26 (2), 148-155 (2005).
  20. Pope, A. T., Bogart, E. H., Bartolome, D. S. Biocybernetic system evaluates indices of operator engagement in automated task. Biological Psychology. 40 (1-2), 187-195 (1995).
  21. Scerbo, M. W., Freeman, F. G., Mikulka, P. J. A brain-based system for adaptive automation. Theoretical Issues in Ergonomics Science. 4 (1-2), 200-219 (2003).
  22. Charland, P., et al. Assessing the Multiple Dimensions of Engagement to Characterize Learning: A Neurophysiological Perspective. Journal of Visualized Experiments. (101), e52627 (2015).
  23. Courtemanche, F., et al. Texting while walking: An expensive switch cost. Accident Analysis, Prevention. 127, 1-8 (2019).
  24. Townsend, J. T., Ashby, F. G. The stochastic modeling of elementary psychological processes. , Cambridge University Press. Cambridge. (1983).
  25. Jung, T., et al. Removal of eye activity artifacts from visual event-related potentials in normal and clinical subjects. Clinical Neurophysiology. 111, 1745-1758 (2000).
  26. Luck, S. J. An Introduction to the Event-related Potential Technique (Cognitive Neuroscience). , MIT Press. Cambridge, MA. (2005).
  27. Steiger, J. H. Tests for comparing elements of a correlation matrix. Psychological Bulletin. 87 (2), 245-251 (1980).
  28. Léger, P. -M., et al. Task Switching and Visual Discrimination in Pedestrian Mobile Multitasking: Influence of IT Mobile Task Type. Information Systems and Neuroscience: Vienna Retreat on NeuroIs 2019. Davis, F., Riedl, R., vom Brocke, J., Léger, P. -M., Randolph, A., Fischer, T. H. , Springer. 245-251 (2020).
  29. Mourra, G. N. Addicted to my smartphone: what factors influence the task-switching cost that occurs when using a smartphone while walking. , Retrieved from: http://biblos.hec.ca/biblio/memoires/m2019a610182.pdf (2019).
  30. Schabrun, S. M., van den Hoorn, W., Moorcroft, A., Greenland, C., Hodges, P. W. Texting and walking: strategies for postural control and implications for safety. PloS One. 9 (1), 84312 (2014).

Tags

행동 문제 158 작업 전환 주의력 과정 신경 인체 공학 사고 분석 모바일 장치 뇌파

Erratum

Formal Correction: Erratum: Measuring the Switch Cost of Smartphone Use While Walking
Posted by JoVE Editors on 08/24/2020. Citeable Link.

An erratum was issued for: Measuring the Switch Cost of Smartphone Use While Walking. An author's name was updated.

The name was corrected from:

Gabrielle-Naïmé Mourra

to:

Gabrielle Naïmé Mourra

걷는 동안 스마트 폰 사용의 스위치 비용 측정
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Mourra, G. N., Brieugne, D., Rucco,… More

Mourra, G. N., Brieugne, D., Rucco, E., Labonté-Lemoyne, É., Courtemanche, F., Sénécal, S., Fredette, M., Cameron, A. F., Faubert, J., Lepore, F., Bellavance, F., Léger, P. M. Measuring the Switch Cost of Smartphone Use While Walking. J. Vis. Exp. (158), e60555, doi:10.3791/60555 (2020).

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