Görev Özgü Sinir Efficiencies Karşılaştırma için Elektroensefalografi Ölçümler kullanmak: Mekansal Zeka Görevleri

Summary

Bu el yazması mekansal odaklı mühendislik problemlerini çözerken insanların sinir aktivitesini ölçmek için bir yaklaşım anlatılmaktadır. EEG yöntemi sonuçta sorun türleri arasında ve katılımcılar arasında hem görev performansı karşılaştırmaları sağlayan amacıyla, nöral verimlilik açısından beta beyin dalgası ölçümleri yorumlamaya yardımcı olur.

Abstract

Mekansal zeka genellikle mühendislik eğitimi ve mühendislik mesleklerinde başarıya bağlıdır. elektroensefalografi kullanımı da çözüm elde etmek için mekansal yeteneği gerektiren ardışık görevleri gerçekleştirmek olarak bireylerin sinir verimlilik karşılaştırmalı hesaplanmasını mümkün kılar. Burada Sinir verim daha az beta aktivasyonu olan ve bu nedenle diğer gruplar ya da diğer görevler ile karşılaştırıldığında bir görevi gerçekleştirmek için, daha az sinir kaynak harcadığı olarak tanımlanır. benzer süreler ile görevler arası görev karşılaştırmalar için, bu ölçümler görev tipi zorluk bir karşılaştırma mümkün kılabilir. içi katılımcı ve inter-katılımcı karşılaştırmalar için, bu ölçümler uzamsal yetenek ve farklı mühendislik problem çözme görevleri katılımcının düzeyine potansiyel bilgi sağlar. Seçilen görevler performans analiz ve beta faaliyetleri ile ilişkili olabilir. Bu çalışma öğrencilerin eng nöral verimliliğini okuyan detaylı bir araştırma protokolü sunarTipik uzamsal yetenek ve Statik problemleri çözmede yaş. Ve statiği: Öğrenciler Mental özgü sorunları Testi (MCT) Dönmeler, Purdue Mekansal Görselleştirme testi (R PSVT) Kesme tamamladı. Bu sorunların çözümünde meşgul iken, katılımcıların beyin dalgaları EEG alfa ve beta beyin dalgası aktivasyonu ve kullanımına ilişkin verilerin toplanması için izin ile ölçüldü. iş mühendisliğinde başarılı performans yollar ve takip edebilir mühendislik eğitiminde ortaya çıkan gelişmeleri tespit etmek mekansal yoğun mühendislik görevleri ile saf mekansal görevler üzerinde fonksiyonel performansı korelasyon görünüyor.

Introduction

Uzamsal yetenek (STEM) alanları ve eğitim Bilim, Teknoloji, Mühendislik ve Matematik hayati öneme sahiptir ve bu alanlarda ^1,2,3 başarı ile ilişkilidir. Nedenle, ⁴ çözme nasıl uzamsal yetenek etkiler sorun gelişimini anlamak önemlidir. Uzamsal yetenek mühendislik uzmanları ⁸ mühendislik akademisyenler ⁷ ve başarı ilgi ^5. performans ^6, başarı ile bağlantılı olmuştur. Ancak, birçok uzamsal yetenek aletleri, ne de son derece uzaysal olan özel mühendislik içeriğine tipik sorunların çözümünde belirli sinir süreçleri gösteren bir sürü iş yoktur.

Bu yazıda veri toplama ve nöral ölçümlerle birlikte uzamsal yetenek enstrüman puanlarının analizi için kullanılan yöntemlere bir giriş sağlar. Jüpiter ile yayınlanması niyet daha geniş bir kitleye bu yöntemler daha erişilebilir hale getirmektir. Genel kamu donanım ve yazılım werBu çalışmada kullanılan e. Bir yöntemler kağıt gibi, tam sonuç / veri setleri rapor, ne de sağlanan birden örneklerdir değildir. Tüm görüntüler bu yayın için özel olarak ele geçirildi. Aşağıda ayrıntıları verilen yöntemler kadın üçü sekiz üniversite ikinci sınıf öğrencisi yaşlı katılımcıların, elde edilen verilere dayanarak bir ön konferans raporu ⁹ hazırlanmasında kullanılmıştır.

Birçok mevcut araçlar için doğal veya kişiler tarafından öğrenilen uzamsal yetenek düzeylerini belirtmek için kullanılır. ^13: yaygın olarak kullanılan iki geçerli ve güvenilir ^10,11 aletleri Testi (MCT) ¹² Kesme Zihinsel ve Dönmeler Purdue Mekansal Görselleştirme testi (R PSVT) bulunmaktadır. Başlangıçta mesleki ¹⁴ tasarlanmış olsa da bu araçların Piagetci teorisi ^10,15 tarafından tarif mekansal görselleştirme gelişiminin farklı aşamalarında test edin. Bu enstrümanların kullanımı, altta yatan fizyolojik, bilişsel olaylar existin anlamak için bir ihtiyaç yaratırg bireyler bu sorunların üzerinden çalışırken. Bu nedenle, bu çalışmada, sonuçta mekansal düşüncenin analiz ve anlayışı geliştirmek olabilir ampirik fizyolojik veriler kullanılarak yöntemleri vitrin mevcut ölçümlerini test yetenekleri doğrulamak ve mühendislik eğitiminin tipik mekansal değerlendirmelere daha karmaşık sorunlar uygulanabilirliğini artırmayı hedeflemektedir. Bu sorunların pek çok mühendislik Statik karşılaşılan edilebilir.

Statik bir temel mekanik Elbette en mühendislik öğrencilerine teslim (örneğin., Biyolojik, Mekanik, İnşaat, Çevre, Uzay Mühendisliği) ^16,17. Öğrencilerin çekirdek mühendislik içeriği ¹⁸ verilen ilk kapsamlı problem çözme deneyimleri biridir. Statik dinlenme veya sabit bir hızla hareket olan sert bir gövde üzerine uygulanan kuvvetler arasındaki etkileşim gerektirir. Ne yazık ki Statik inves görüldüğü gibi yüksek terkinin, geri çekilmesini ve başarısızlık oranları (% 14 vardırincelenmeli- Üniversitesi) ve bu tür eğitim mekansal gelişmiş yaklaşımlar olarak destek önemli yollar ihmal geleneksel ders ve müfredat teslim modelleri ile ilişkili olabilir. Örneğin, Statik içinde mekansal gelişmiş yaklaşımlar güçleri tipik analitik analiz dışında nasıl etkileşimde görselleştirme hedef ve topraklı kavramsallaştırma ile öğrencilerin usul bilgisini pekiştirebilir. Bu tür müdahalelerin etkinliği bilişsel nörobilimsel bakış açısıyla araştırılması gerekmektedir.

Elektroensefalografi (EEG), öğrencilerin beyin aktivitesini ölçme benzersiz ve mobil bir yöntem sunar. Beta aktivasyon ortaya görevleri yerine Bireyler genellikle çok görev özellikleri ile uğraşan ve ^19,20 ne yaptığını için özenli vardır. bant genişliği frekansları işgal kortikal alanın boyutunu yaptığı gibi görev artış, beta dalga artar genliği talep olarak. içinde ateş daha nöronlarbeta frekans aralığı (alfa: 8 - 12 Hz, beta: 12 - 24Hz) daha beta gücü olarak tanımlanabilir. tek bir görev daha deneyimli hale geldikçe Buna bağlı olarak, beta dalgalarının genliği daha az beta güç üreten, azalır. Bu sinir verimlilik hipotez ^21-28, bir görevi yerine frekans gücü azalma ile ilişkilidir daha fazla görev deneyiminin bir parçasıdır. EEG önce (genellikle zihinsel rotasyon ve mekansal navigasyon görevler için) uzaysal yeteneklerini Çalışmada kullanılan olmasına rağmen - ve uygulanabilir veri alfa, beta tespit edilmiştir ve teta bantlar ^27-33 - alfa ve beta bantları bu gözlenmedi çalışma ve beta bu yazıda daha fazla temsilci analiz ve ön konferans raporunda ⁹ seçildi. böylece beta bant analiz odaklanmak aşağıda tanımlanan prosedürler, ancak oturum açmış verilere bağlı olarak her üç bantları ilgili soruşturma, gelecekte tavsiye edilir.

Nöral etkinlik hipotezi satranç, görsel-uzamsal bellek, dengeleme ve dinlenme gibi çeşitli görevler üzerinde test edilmiştir. Bilinen görevleri yaparken, tüm azalmış frekans gücü bir faktör olarak görev deneyimi göstermiştir. Belirli bir çalışma ²⁵ kanıtlar sunmuştur, bu (IQ ile ölçülen) bir kişinin istihbarat bireysel nöral verimlilik katkısı zeka ağır basıyor görevi görevi, deneyim gerçekleştirmek için beceri edinmelerine yardımcı rağmen. Başka bir deyişle, daha bir bireydir deneyimli, daha nöral verimli o olur.

Mekansal yeteneği içeren mevcut nöral etkinlik çalışmaları öncelikle mekansal rotasyon odaklanmış ve farklı problem setleri farklı popülasyonlar karşılaştırmak için kullanılır olmuştur (örn., Erkek / kadın) ^27-28. Uzamsal yetenek görevleri EEG çalışmaları da diğer görev türlerine performansı karşılaştırarak fikir sağlamıştır (örn., Sözlü görevler)^27,29,30. yöntemler bu kağıt odak tartışılan ve MCT, PSVT problemleri karşılaştırmak: uzamsal yetenek ile ilgili ama mekansal rotasyon ve navigasyon bunlarla sınırlı değildir R yanı sıra statik denge görevleri. Diğer mekansal görevler bu yazının örnek olarak verilen olanların yerine kullanılabilir. Bu sayede, ek anlayış, farklı toplumlarda ilgili ileride elde edilebilir (örn., Erkek / kadın veya uzman / acemi) sonuçta mühendislik eğitim uygulamalarını geliştirmek yardımcı olur.

uzamsal yetenek ve mühendislik yetenek araştırmak için bir çaba, belirli mekansal ve mühendislik görevleri sınırlı bir pil sırasında yüksek performanslı katılımcılara düşük performans gösteren beta dalgası aktivasyonları tanımlamak için EEG ölçümleri kullanan bir protokol geliştirmiştir. Bu durumda, süreli yüksek performans katılımcının performansına ilişkin olup, ilgili alanda harcanan zaman miktarı yansıtıcı değilöğrenci, tüm katılımcıların eğitimde yaklaşık aynı noktada olduğu gibi. Ayrıca, ilgili problem seti oldukça spesifik ve temel; böylece terimleri "uzman" ya da "yüksek performanslı" Burada bir uzman, profesyonel çalışan mühendis anlamında inceledi, ama mühendislik mekaniği müfredat ve uzamsal yetenek araçlarının bu dar dilim sadece yüksek performans temsil edilmemelidir. Nöral ölçümler de görev türleri zorluk düzeyleri ile ilgili olası yorumuyla, diğerlerinden daha bilişsel kaynakları işe olabilecek olan herhangi bir brüt eğilimlerini tespit etmek için kullanılabilir. Bu bilgiler, potansiyel uzamsal yetenek bakımından gelecekte değerlendirme ve müdahale içgörü sağlayabilir. Diğer gelecek içgörü nedeniyle kullanılan EEG donanım mevcut kanalların sınırlı sayıda bu çalışmada mümkün değildi beynin, daha spesifik bölgeleri dikkate alarak elde edilebilir.

Protocol

İnsan Katılımcıların Kullanımına İlişkin Etik Beyanı

Bu çalışmada yer alan Prosedürler insan deneklerin çalışma için Utah State Üniversitesi Kurumsal Değerlendirme Kurulu (KİK) tarafından onaylanmıştır. Herhangi bir benzer çalışmalar da ilgili IRB tarafından onaylanması gerektiğini tavsiye edilir. Katılımcılar durdurmak veya deney sırasında herhangi bir zamanda çalışmadan çekilme izin verilir.

Katılımcıların 1. Seçim

1. Öğrencilerden gönüllü olarak Seç katılımcılar şu anda Statik kursuna kaydoldu. Katılımcılar daha önce onlar çalışmaya süre göreceksiniz Statik içeriğe maruz emin olun.
   Not: diferansiyel performans seviyeleri kavramlarının konsolidasyon ve geliştirilmesi için zaman kalmayacak şekilde İdeal katılımcılar çalışmaya katılmadan en az dört hafta önce ders üzerinden malzemeye maruz kalma olmalıdır.
2. tüm İDD protokoller aşağıdaki işe yürütün. AçıklamakTüm prosedürler ve detaylı potansiyel katılımcılara kısıtlamalar. Gelecekteki temas ve nasıl çalışmanın sonuçları yayınlandı ve / veya katılımcıların kullanımına yapılabilir kapsamını tanımlar. Çalışmaya katılım için herhangi bir tazminat tanımlayın. Bir gönüllü çalışmaya kayıt seçerse, bir çift kodlu kimlik kodu yalnızca bilinen ve sorumlu araştırmacı tarafından kontrol ile ona sağlamak.
   Not: Belirli nüfus işe beyin verileri bireysel farklılıkları analiz etmek için istatistiksel numune güç ve gerekli katılımcı sayısını doğrulamak için istatistiksel analiz gerektirir. Araştırmacı popülasyonları arasındaki karşılaştırmalı bir çalışma yapmak isterse, o zaman bir güç analizi her iki nüfus için uygun katılımcı grup boyutları geliştirmek için yapılmalıdır.
3. Seç faaliyetler veya katılımcılar için istenen deneyimleri temsil eden sorunlar.
   Not: Bu protokol, ikinci sınıf düzeyinde mühendislikBir Statik derse kayıtlı öğrenciler seçildi. Düzlem Testi (MCT) ve Purdue Mekansal Görselleştirme Testi (PSVT-R) Kesme Ruh: İlgili görülen faaliyetlerin tanıtım Statik içeriği yanı sıra iki yaygın olarak kullanılan uzamsal yetenek araçlarından sorunlar vardı. Her enstrüman uzamsal yetenek ve bu seçilen öğrenci nüfusunun mekansal gelişmişlik düzeyi farklı yapıları test eder.
4. katılımcılar için laboratuar oturumları organize etmek için bir takvim oluşturulması.

Araçların 2. Hazırlık

1. üreticinin talimatlarına göre EEG kulaklıklar (aka kapaklar) ayarlayın. katılımcı çalışma için gelmeden önce bu hazırlık tamamlayın. tıbbi dereceli EEG kurulumları aksine yinelemek için, bu prosedür, örneğin Emotiv gibi genel mobil kulaklıklar özgüdür.
   1. seans başına ideal olarak en az 1 saatlik şarj - EEG kulaklıklar şarj edin. düzenli kullanılan laboratuvar için, bir şarj en az iki kulaklıklar vart her zaman.
   2. EEG elektrotları nemlendirme için sıvı içeren, erişilebilir bir alanda gerekli tüm sıvıları yerleştirin (örneğin., Su) ve EEG referans düğümleri için iyi bir iletişim sağlamak için bir aşındırıcı temizleyici.
   3. (Her gövde güvenli bir şekilde oturduğundan altın temas sağlanması) Her kasa içine keçe yerleştirin. bir şırınga kullanarak nemlendirme sıvı ile keçe doyurabilecek. nemlendirilmiş elektrotlar dinlenmeye bırakın.
2. katılımcı davranışını ölçmek için istenilen video kameralar ayarlayın. Geçerli protokolü için, katılımcı başına iki video kameralar kullanın. katılımcı yerinde olduğunu bir kez kameralar yeniden ayarlayın. Video zaman damgalı olduğundan emin olun.
   1. yüz ifadeleri kaydetmek ve yüksek kaliteli ses elde etmek için amaçlayan eğer katılımcının yüzüne bir kamera odaklanın.
   2. El yazısı eylemleri (el yazısı beklenen ise, bir yazı kullandığınızdan emin olun dahil, el hareketi yakalamak için katılımcının önündeki alana diğer kamera odaklanınhangi görevi hangi zamanda çözülmesi ediliyor olarak karanlık ve / veya kamera tarafından çekilen için yeterince kalın Gösterge), ve bilgisayar monitörü yeterli fikir sağlamak.
   3. Bilgisayarı açın ve yazılım beyin verilerini kaydetmek için açık olduğunu doğrulayın. tüm yazılım ve veri toplama cihazları veri toplama için yeterince arabirim emin olun.

Çalışma Katılımcıları ve Oturum Başlama 3. hazırlanması

1. Yukarıda tartışılan IRB anlaşmaya göre katılımcılardan belgelenmiş rıza alınması doğrulayın. önce çalışma başlamadan katılımcıların herhangi bir soruya cevap. Toplanan veriler kimlik kodu tarafından başvurulan edilecek ve orada katılımcıya verileri bağlayan hiçbir tanımlayıcı bilgiler olacak ve onlar her zaman çekilebilir olacağı katılımcılara hatırlatın.
2. çalışmaya katılmadan önce bir demografik anketi doldurmak için her katılımcıdan. Bu anket cinsiyet, yaklaşık bir isteyebilirge, çalışmada yeteneklerini etkileyebilir önceki deneyim (örn., bu tür kullandıkları eli onlar acı olabilir travmatik beyin yaralanması gibi dışlama kriterlerine ilişkin geçmiş mühendislik veya mekansal yoğunlaştırılmış kurslar, uzamsal yetenek arttırıcı hobiler ve sorular).
   1. Aşağıdaki koşullardan biri doğruysa EEG analizi için gönüllü grubundan katılımcılar hariç tut: (a) katılımcı, elli veya ambidextrous sol beyin lateralizasyonun boşa için kontrol etmek için bir; (B) birey nedeniyle fiziksel engeli laboratuar oturumları katılamazlar; veya (c) bireysel ciddi beyin hasarı yaşadı. İşe alım sürecinde bu sınırlamaların potansiyel katılımcıları bildir, ya da mümkün olduğunca erken harcama gereksiz zaman ve kaynak önlemek için.
3. Girişte, katılımcı rahat olduğundan emin olun ve kalan bir soru veya sorunlarınızı çözmek.
   1. doyurmak için kullanılan şırınga göstermekDüğüm ve sadece keçeler nemli EEG tutmak için kullanılan olacağını açıklar. Katılımcı iğneleri aşırı korku varsa, diğer önlemler uygulanması düşünün (örn., Keçe yeniden ıslatma sırasında onların odak düzlemi dışında şırıngayı tutarak).
   2. onların kişiden herhangi bir elektronik kaldırmak için katılımcı isteyin.
4. katılımcı üzerinde EEG kulaklığı yerleştirin.
   1. rutubeti için keçe kontrol edin ve EEG kulaklık içine keçe / gövde kombinasyonu yerleştirin.
   2. Aşındırıcı temizleyici ile katılımcının referans noktaları (örneğin., Mastoid proses) temizleyin. artıkları silin.
   3. uygun referans noktaları ile aynı hizada referans düğümleri ile katılımcı kulaklığı yerleştirin. aşırı kulaklığın silah bükmeyin. rahatsızlık ve katılımcının kafa ile uygun kulaklığı uyum ve boşluk olmayan şekilde referans düğüm ve kulak arkası arasında bir boşluk bırakın.

Oturum içinde 4. Yazılım Yürütme

1. EEG-günlüğü yazılımını başlatın. Iyi bağlantı kanallarının tüm günlük cihazda görüntülenen kontrol ederek günlük cihazı (örn., Kişisel bilgisayar) ve EEG kulaklık arasında bulunduğundan emin olun. Tüm kanallar başlangıçta düşük genlikli salınımlar ile benzer davranışlar göstermek olduğunu kontrol edin. katılımcı ile iyi bağlantı sağlamak için EEG kontrol edin - hemen dinlenme süreleri önceki ve her yeni sorun Çeşidi başlamadan önce - ve günlük cihazda tutarlı desenleri elde etmek amacıyla keçeleri ayarlama ıslatma-re.
   Not: EEG 128 Hz çalışır. Elektrookülografi göz hareketi kaydetmek için kullanılan değildi ve bağlantılı kulak referansı kullanılmadı.
2. görev egzersizler sırasında hareketsiz ve sessiz mümkün olduğunca kalmaya katılımcı bilgilendirin.
3. görev sunum yazılımı başlatın.
   Not: Veri toplama sırasında, tüm önkatılımcı ile planlanan görsel iletişim bilgisayar monitörü aracılığıyla gerçekleşir. Bu durumda, mekansal ve mühendislik sorunları bir dizi bilgisayar ekranında görünecek ve katılımcılar bunları çözmek istenecektir. Doğru cevaplar veri toplama sırasında katılımcılara verilmemiştir. Sorun görüntüleri kullanıcı girişi dayalı gelişmiş, bu yüzden zamanlama problem çözme süresi dayanmaktadır.
   1. Ekran mekansal problem tip 1: ¹³ (örneğin, PSVT. R - - çoktan seçmeli test, ya da doğru-yanlış rotasyon sorunları bakınız Şekil 1). Not: (., Örneğin, 30 saniye) bu problemlerin süresi veri analizi için bir zaman aralığı olarak kullanılacaktır. Beş sorunlar bu sette alındı.
   2. Mekansal problem tip 2 Ekran ¹² (örneğin, MCT -. - Bir çoktan seçmeli test veya doğru-yanlış zihinsel kesme problemleri bakınız Şekil 2). Not: Bu sorunların süresini (örn, 30 sn.)Veri analizi için zaman aralığı olarak da kullanılabilir. Beş sorunlar bu sette alındı.
   3. Ekran mühendislik problemi tip ¹⁷ (. Örn Statik problemleri - Mühendislik Statik veya mekansal bileşenlere sahip hipotezi herhangi diğer uygulamalı problem türüne özgü ilkeleri üzerinde odaklanmak bozuldu - bakınız Şekil 3). Not: Bu sorunlar mekansal sorunların daha çözmek için önemli ölçüde daha fazla zaman alabilir. Katılımcılara gösterilen sorunların sayısı dört ile on kadar değişiyordu.
   4. dinlenme başında dönemleri ve veri toplama sonuna Ata - bazal verileri elde etmek için kullanılan. Bunların her biri (örn., 120 sn) aynı süreye sahip olduğundan emin olun.
4. İstenirse, katılımcı ile bir çıkış mülakat yapmak. Bu o / EEG kulaklığı, işe alım ve katılımcı hazırlık boyunca kullanılan iletişim süreci giyen, deneysel sunum düşüncelerini içerir ve olabilirYukarıda belirtilen sözlü cevaplar gerektiren r herhangi bir protokol. Bir valide kullanıcı anketi yerine bir görüşme katılımcılarına temin edilebilir.
5. , Görev sunum yazılımı, EEG-günlüğü yazılımını kapatın EEG kulaklığı çıkarmak ve video kayıt cihazları kapatın.

Oturum 5. Sonuç

1. Çalışma katılımcıyı kapatın. Katılımcıyı ederiz ve onları ileride temas bir bakış sağlamak (örneğin., Takip görüşmeler veya çalışma sonraki oturumları için), çalışmanın sonuçları yayınlandı ve / veya katılımcıların kullanımına yapılabilir açıklamak ve sunmak herhangi bir içecek veya ödeme (veya ödeme sağlanacaktır nasıl bir açıklama) çalışmaya katılım için tazminat parçası olarak mutabık.
2. Gerekli uzun süreli veya transfer depolama aygıtlarına veri aktarımı günlükleri. uygun ve KİK protokolü tarafından belirlenmiş imzalı onam formunu saklayın.
3. alet ve laboratuar alanı temizleyin.
   1. kulaklıktan keçe çıkarın ve dezenfekte veya bunların elden çıkarın.
   2. EEG elektrot kovanlarını dönün ve uygun depolama konumuna kulaklığa.
   3. uygun şekilde kullanıldığında şırıngalar ve çöp bertaraf edin.
   4. Uygun depolama yerlerine sıvı dönün.
   5. diğer araştırmacılar tarafından değil kullanılan eğer laboratuvar sabitleyin.

6. Veri Analizi

1. her bir kanal ve EEG veri günlükleri işaretleyici verileri için ham veri tanımlamak ve ayıklayın. Başlangıcı ve veri toplama sonunu yanı sıra veri toplama farklı aşamalarında (örn., Problem türleri) ve bireysel sorunlar arasındaki geçişler tanımlamak için ASCII bit işaretçileri kullanın. Analiz sırasında farklılaşmasını sağlayacak şekilde her bir faz tipi farklı bir işaretçi değerine sahip olduğundan emin olun. kaynak olarak katılımcı kimlik kodu başvuran bir şekilde veri adlandırın.
   Not: EEGLAB komutları d vardırBu tarifnamede efined ama EEGLAB Bu yürütme MATLAB gerektirir.
   1. Dosya> Veri Alma> EDF / EDF + GDF Dosyalardan EEGLAB fonksiyonları ve eklentileri> Kullanma (BIOSIG araç)
   2. Uygun veri dosyasını seçin. veri yüklemek için Aç'ı tıklayın.
   3. Kanal Listesini seçin. kabul etmek Ok tıklayın.
   4. Bir DataSet Adı sağlayın. kaynak ve toplama tarihini yansıtan veriler için tanımlayıcı bir ad belirtin. Bu durumda, PSF1448 2014 sonbaharında Katılımcı kimliği 48 verileri göstermektedir.
2. Montaj için çıkarılan verileri Harita (yani, EEG düğümleri düzeni.) EEG kulaklık satıcı tarafından sağlanan montaj seçerek (örneğin, 10 -. 20 sistemi). Analiz için kullanılan montaj oturumu sırasında kullanılan EEG kulaklık düzenini maçları emin olun. Bu üretici özgüdür.
   1. Düzenle> Kanal Konumları tıklayarak düzenlemek kanal yerleri.
   2. Montage seçin. Bu durumda defau olaraklt montaj uygun, bu yüzden sadece kabul etmek Ok tıklayın.
   3. Kanal Bilgileri Specification seçin. Bu durumda, varsayılan uygun, bu yüzden sadece kabul etmek Ok tıklayın.
3. aşağıda tanımlandığı gibi beyin aktivitesinin en iyi temsil olduğunu EEG kanal verilerini azaltın.
   1. veri bir ilk filtresini uygulayın. Tipik olarak, bir yüksek geçiren, low-pass filtre uygulamak (düşük, yüksek geçiş filtresi bağlı olarak 0.1 Hz ve low-pass filtre üst sınır olarak 59 Hz ile). Bir alçak geçiren filtre uygulayarak en az 60 Hz ABD elektrik şebekesine gürültü kaldırır. bir geri yükleme noktası olarak yeni bir adla veri kümesi kaydedin.
      1. Araçlar> Temel FIR Filtre (yeni varsayılan) tıklayın.
      2. Temel Filtre Parametreleri ayarlayın. 59 Hz 0.1 Hz Lower kenar, yüksek kenar Set frekans tepkisi arsa yok ve kabul etmek için Tamam 'ı tıklatın.
      3. (Mevcut veri kümesi adına "_filtered" ekleyerek) filtrelenmiş veriler için yeni bir ad belirtin. b edinöküz bir dosya olarak verileri kaydetmek ve dosya için aynı adı kullanın. kabul etmek Ok tıklayın.
   2. EEG işaretlerini kayıt akılda herhangi gecikme tutmak - Son EEG işaretleyici ilk EEG işaretleyici önce veya sonra yalan herhangi bir veri çıkarın. veri kaydı başlatılmasını ve veri sonunu gösteren marker gecikme gösteren marker gecikme (zaman) kaydedin. bir geri yükleme noktası olarak yeni bir adla veri kümesi kaydedin.
      1. latans değerleri bulunabilir "Edit olay değerleri - pop_editeventvals ()" ekranı; EEG veri sonu simgeleyen son işaretleyici gitmek için ">>" düğmesine basın. Hiçbir değişiklik kabul gerekiyor, bu yüzden değerleri kaydedildi edildikten sonra iptal 'i tıklatın.
      2. Düzenle> Seç verileri tıklayın.
      3. Bir boşluk ile ayrılır başlangıç ​​ve bitiş gecikme (zaman) değerleri, "Zaman aralığı [dak max] (ler)" alanını girin ve kabul için Tamam 'ı tıklatın.
      4. için yeni bir ad belirtin(Mevcut veri kümesi adına "_cropped" ekleyerek) verileri kırpılmış. bir dosya olarak verileri kaydetmek ve dosya için aynı adı kullanmak için kutuyu işaretleyin. kabul etmek Ok tıklayın.
   3. Büyük eserler ile veri bölümleri reddet. Aşağıdaki adımlar dahil görsel verileri incelerken elle bunu nasıl açıklar. Not: Verilerin çıkarılması da eserler ^34,35 neden olur.
      1. Her kanaldaki veri normalleştirmek (ortalama kaldırmak ve aynı ölçekte her kanalı koymak). Ayrıca (bu verileri değiştirir, ancak görselleştirme) ofset DC kaldırın.
         1. Plot> Kanal verileri (kaydırma) tıklayın.
         2. Ayarlar tıklayın> Zaman aralığı görüntülemek için.
         3. Alan: zaman aralığını belirtin (. Örn 30 sn) "Yeni pencere uzunluğu (lar)" de arsa gösterilmesini. Zaman aralığı, belirli bir safhasında (ya da iki mekansal problem aşamalarında içinde) sorunları için belirteçleri arasındaki süre dayanır. Zaman aralığı baz olabilirbelirteçleri arasında maksimum, minimum veya ortalama süre d.
         4. (Bu sadece kozmetik ve temel verileri değiştirmez) arsa verileri normalleştirmek için "Norm" düğmesini tıklayın.
         5. (Bu sadece kozmetik ve temel verileri değiştirmez) çıkarın> Ekran tıklayın DC DC kaldırmak için offset arsa ofset.
      2. zamanla düzenli olarak tekrarlanan olmayan büyük eserler çıkarın.
         1. Mark anormal görünümlü eser tüm verileri. Tüm buluntu verileri işaretlenmiş edildikten sonra, Reddet düğmesini tıklatın.
            Not: Bu veriler olarak anormal yüksek veya geniş doruklarına görünebilir - kanal az sayıda görünür ya da uzun trendleri - tek veya çoklu kanallarda. ayrı kanallardan veri arsa birbirlerini geçmeye görülüyorsa veri şüpheli. Bunlar beyin spektrumun bir parçası değildir ve büyük olasılıkla katılımcı veya bir düğüm (ler) tarafından kas hareketini temsil eserler w temsili'inci kötü bağlantı. Bir kare dalga benzeyen bir şey, insan beyin aktivitesinin temsilcisi değildir.
      3. bir geri yükleme noktası olarak yeni bir adla veri kümesi kaydedin.
         1. Dosya> tıklayın güncel veri kümesini kaydedin.
         2. (Mevcut veri kümesi adına "_manRej" ekleyerek) kırpılmış veriler için yeni bir ad belirtin. kabul etmek Kaydet'i tıklayın.
      4. Belirli bir kanal hatalı görünüyorsa, bireysel ondan verileri kaldırmak. Bu yüzden büyük bir dikkatle bunu, veri büyük bir kayıp temsil eder. genellikle zamanla yerleşir ve kullanışlı veri sağladığından, uzun bir süre boyunca kanaldan veri bakmak.
   4. Bağımsız Bileşen Analizi (ICA) çalıştırın ve beyin dalgası aktivitesinin en iyi temsillerini seçin.
      Not: Bu veriler tekrarlayan eserler setleri kaldırılmasına yardımcı olur. Bu takımlar bir tekrarlanan sha ile kabaca düzenli aralıklarla birden çok kez görünür eserler içeriyorpe. her biri kendi kümesini olacak - Genellikle böyle yanıp sönen veya darbe olarak biyolojik fonksiyonları bir sonucudur.
      1. montaj dayalı kafatasının bir gösterimi ICA ayrılmış verileri Harita. genellikle gözlerin üzerinde vurgu alanları gibi ICA sonuçlarında, tapınak yakınında veya kulakların üzerinde sırasıyla görünecektir - yanıp sönen darbe, ya da kas gerginliği ile ilgili sonuçları reddet. Beyin aktivitesinin (Şekil 4 bakınız) değil temsilcisi beri meşgul olmak üzere tüm kafatası gösteren herhangi bir bileşeni reddetmek ³⁵ diğer sonuçları (bkz Şekiller 5-6) kabul edin..
         1. Araçlar> Çalıştır ICA tıklayın.
         2. Varsayılan (runica) ICA algoritmasını seçin. kabul etmek Ok tıklayın.
         3. Arsa> Bileşen özelliklerini tıklayın.
         4. bileşen endeksleri (belleğe yüklenen 14 EEG elektrot kanalları) ve spektral seçenekleri seçin. Daha önce olduğu gibi, alt kenarı 0.1 Hz ve daha yüksek kenar 59 olduğunuHz. girişlerini kabul etmek Ok tıklayın.
         5. Kabul Et / Reddet pencere içinde, Reddet durumunu değiştirmek için Kabul butonuna tıklayın (ve Kabul geri değiştirmek için tekrar tıklayın). Kabul Et / Reddet etiketleme oturum açmak için Tamam düğmesini tıklayın.
      2. 2-B renk arsa ICA ayrılmış verileri çizilir. Daha sonra (- 6 Şekiller 5) bir geri yükleme noktası olarak yeni bir adla veri kümesi kaydetmek, çizgili boş veya süreksizliklerin ile biberli görünen sonuçlar reddet.
         1. Kabul Et / Reddet pencere içinde, Reddet durumunu değiştirmek için Kabul butonuna tıklayın (ve Kabul geri değiştirmek için tekrar tıklayın). Kabul Et / Reddet etiketleme oturum açmak için Tamam düğmesini tıklayın.
         2. Bileşenleri> Araçlar'ı tıklayın çıkarın - aslında önceden kabul edilmemesi için işaretlenen verileri kaldırmak için.
         3. Devam etmek için Tamam düğmesini tıklatın. ret açmış bileşenlerin endeksleri "bileşenlerini kaldır" penceresinde gösterilir.
         4. c "Onay" penceresinde Kabul Et'i tıklayınVerilerin budama ile ontinue.
         5. (Mevcut veri kümesi adına "_manRejPruned" ekleyerek) budanmış veriler için yeni bir ad belirtin. bir dosya olarak verileri kaydetmek ve dosya için aynı adı kullanmak için kutuyu işaretleyin. kabul etmek Ok tıklayın.
            Not: uzun 0,5 saniye reddi için makul olarak kabul edilir daha son Streaks'e. o bileşenlerin en az yarısını tutmak için arzu edilir - Bağıl "iyilik" diğer veri setleri gibi görünen ne kadar iyi bağlı, burada kullanılmak üzere gerekebilir. İyi sonuçlar genellikle bir 2-B Sürekli Veri renk arsa ³⁴ sürekli geçişler ile temsil edilmektedir.
4. veri sol sınır değerleri kaldırın. bir geri yükleme noktası olarak yeni bir adla veri kümesi kaydedin.
   1. Düzenle> Olay değerlerini tıklayın.
   2. olaylar ilerleyin ve olay tipi bir sınır olduğunda Sil olay düğmesini tıklatın. tüm kaldırılmıştır Tamam'ı tıklatın.
   3. specif özelliklerya silindi sınır veriler için (mevcut veri kümesi adına "_deleteBoundaries" ekleyerek) yeni adı. kabul etmek Kaydet'i tıklayın. Bu ekrana almak için daha önce olduğu gibi aynı menü öğesi seçimini kullanın (adım 6.3.3.3.1 bakınız).
5. Her egzersiz türü için mutlak güç ölçümlerini hesaplayın. . Her frekans bandında (Delta, Teta, Alfa, Beta, Gama ve) için hesaplanan ²² - Bu bir enerji tabanlı logaritmik microvolt ölçümü ve zamana dayalı dönüşümü olduğunu
   1. Dobiş Her görevin başlangıcını ve bitişini göstermek için işaretlerini kullanarak bloklar halinde veri.
      1. olaylarını kullanarak Düzenle> Seç verileri tıklayın.
      2. her görev türü için uygun zaman dilimleri kullanmaktadır. bir dinlenme döneminin süresi ile dinlenme süreleri için zaman aralığını tanımlayın. (Süresi kabaca benzer) mekansal sorunlar için, tüm mekansal görevlerin ortalama süresi veya tüm uzaysal görevlerin maksimum süresini birini kullanın. Uygulanan (örneğin için., MÜHENDİSLİKg Statik) sorunları, her sorun için ortalama süreyi belirlemek. bir geri yükleme noktası olarak yeni bir adla veri kümesi kaydedin.
         1. Marker türü girin "Olay tip (ler) ([] = all)" alan (örn., Işaretleyici tipi 50 dinlenme olayları işaretlemek için kullanılan). Dinlenme olaylar böylece zaman sınırları dizi için "1 120" girin, bu durumda 120 saniyelik bir süre vardı. kabul etmek Ok tıklayın.
         2. (Bu durumda mevcut veri kümesi adına "_rest" ekleyerek) olay veriler için yeni bir ad belirtin. bir dosya olarak verileri kaydetmek ve dosya için aynı adı kullanmak için kutuyu işaretleyin. kabul etmek Ok tıklayın.
            Not: uygulamalı bölümlerini çok azalabilir, onlar o zaman uzamsal görevler aynı zaman dilimi boyutunu kullanmak, uzamsal görevler olarak kabaca zaman aynı miktarda alır. EEG bir zaman duyarlı ölçü olduğundan, daha doğru bir zaman dönemini her bir durum için, daha az şaşırmış verileri (sonunda olan yani. Numune sayısı her Klima cihazlara toplananyon) daha tutarlı olacaktır.
6. son tahlilde için sonuçları karşılaştırın.
   1. bazal dinlenme ölçümlerine her yığın akrabası için yüzdesini hesaplayın. Yan Kod Dosyası görün ve Tablolar 1-8.
      1. MATLAB Absolutepower Komut açın ve adım 6.6 sırasında çalışma alanında yüklenen veriler üzerinde komut dosyasını çalıştırmak için Çalıştır düğmesini tıklatın (örneğin., Gerisi verileri).
      2. Bir elektronik tablo programına transferi için MATLAB Workspace absolutepowermatrix verileri seçin (örneğin., MS Excel).
   2. Her egzersiz / işaretleyici türü için 6.6.1.2 - Tekrar 6.5 adımları.
   3. Göreceli zorluk içgörü için benzer zaman dilimleri sonuçları (örneğin., Mekansal görevler) birbirlerine karşılaştırın.
   4. Katılımcıların genelinde sonuçları değerlendirilen becerileri düşük performans karşısında yüksek bağıl performans belirlemek için karşılaştırın. Not: Yüksek performans çok l gösterebilirDüşük performans% 70 ^21-26 mertebesinde bir artış gösterebilir iken ittle, bazal beta aktivasyon göreli artış.

Results

aşağıda açıklandığı gibi, bu bölümde, önceki adımlar örnek rakamlar ile gösterilmiştir. Bu makalenin amacı yöntemlerine odaklanmak olduğu gibi istatistiksel testler ile tam veri özetleri, verilmemektedir. Potansiyel PSVT örnekler: R, MCT ve mekansal sorunlar, sırasıyla, Şekil 1, Şekil 2 ve Şekil 3'te verilmiştir.

EEG kap Şekil 7'de gösterildiği gibi paralel görülebilir verilen her bir kanal, elektrik potansiyelleri ile beyin aktivasyonunu toplayacaktır. Daha önce de...

Discussion

protokol iki tipik uzamsal yetenek araçlardan kaynaklanan sorunların çalışan katılımcılar ve son derece uzaysal mühendislik statiği problemleri için beyin aktivitesini ölçmek için elektroensefalografi uygulanmasını tartışıyor. Burada ayrıntılı yöntemler sonuçta bu sorunları çalışma yapan yüksek ve düşük performans nöral verimliliğini anlamalarına yardımcı olmak için mümkün olabilir. Bu testler genellikle mekansal özelliklerini belirlemek için kullanılır gibi, R: O MCT ve PSVT çalışan mühendislik öğrencileri nöral veriml...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Emotiv EPOC Model 1.0	Emotiv	Model: Emotiv Premium	"Yüksek çözünürlüklü, çok kanallı, taşınabilir EEG sistemi."
Emotiv Kontrol Paneli (yazılım)	Emotiv		Veri toplama için kullanılır.
Emotiv Testbench (yazılım)	Emotiv		Veri toplama için kullanılır.
Sanal Seri Bağlantı Noktası Emülatörü - VSPE (yazılım)	ETERLOGIC.COM		Veri toplamada COM10 kullanıldı. İşletim sistemine bağlı olarak ücretsiz olarak indirilebilir.
E-Prime 2.0 (yazılım)	Psikoloji Yazılım Araçları		Veri toplama için kullanılır (problemlerin katılımcılara sunulması ve farklı aşamalar için belirteçlerin toplanması).
EEGLab 13.4.4b (yazılım)	Swartz Center for Computational Neuroscience (SCCN)		Veri analizi için kullanılır. "Elektrofizyolojik sinyal işleme için açık kaynaklı bir ortam". SCCN, California San Diego Üniversitesi, Sinirsel Hesaplama Enstitüsü'nün bir merkezidir.
MATLAB R2014b	Matematik İşleri, Inc.		EEGLab'ı çalıştırmak için kullanılır
Microsoft Excel 2013	Microsoft		EEGLab'den tablo haline getirilmiş sonuçları birleştirmek ve karşılaştırmak için kullanılır & MATLAB, tablolar oluşturmak için
Dahili Mikrofonlu Video Kamera	Canon	CNVHFR50	Oturumları kaydetmek için kullanılır
Şırınga Kiti (5 cc şırınga ve 16 G körelmiş iğne x 2)	Electro-Cap Intnl. Inc.	E7	EEG başlığının keçelerini nemli tutmak için.
Nuprep EEG Cilt Hazırlık Jel	Dokumacı ve Şirketi	10-30	Mastoid sürecini temizlemek için.
Dezenfektan	Purell	S-12808	Elleri dezenfekte etmek için