Классификация вербальных и математических ментальных операций на основе спектральной плотности мощности ЭЭГ
Ключевые слова:
ЭЭГ, спектральная плотность мощности, ментальные операции, искусственная нейронная сеть, точность классификации
Аннотация
Классификация спектральных паттернов ЭЭГ лежит в основе нескольких когнитивных нейротехнологий, включая пассивные и активные интерфейсы мозг - компьютер. Несмотря на то, что арифметические задачи часто используются в исследованиях когнитивной нагрузки, мало результатов, описывающих возможность распознавания паттернов ЭЭГ, связанных с различными типами математических операций. В настоящей работе мы показали, что спектральная плотность мощности ЭЭГ может использоваться для классификации типов умственных операций, включая классификацию вербальных и разных математических задач на простые арифметические операции или логических задач с арифметическими прогрессиями. Вербальные задачи классифицировались от арифметических значительно лучше, чем арифметические от логических задач, и вербальные от логических задач. Лучшая точность классификации вербальных задач от арифметических, но не от логических задач, поддерживает гипотезу об уникальных паттернах ЭЭГ, связанных с вербальной деятельностью, которые, по-видимому, отличаются от умственных арифметических операций. Кроме того, мы сравнили эффективность решения задач испытуемыми и точность классификации ЭЭГ у двух групп студентов с математическим или гуманитарным образованием (N = 8 + 8). Мы получили ожидаемые групповые различия, связанные с лучшими показателями решения математических задач у математической группы, чем у гуманитарной группы. Однако точность классификации задач, основанная на ЭЭГ, достоверно не отличалась между группами и была существенно выше, чем случайная. Полученные данные подтверждают гипотезу о том, что паттерны ЭЭГ отражают определенные когнитивные состояния, соответствующие умственным операциям, и могут использоваться при классификации различной когнитивной деятельности.Скачивания
Данные скачивания пока не доступны.
Литература
1. Allison, B. Z., Wolpaw, E. W., & Wolpaw, J. R. (2007). Brain computer interface systems: progress and prospects. Expert Review of Medical Devices, 4, 463-474.
2. Antonenko, P. D., & Niederhauser, D. S. (2010). The influence ofleads on cognitive load and learning in a hypertext environment. Computers in Human Behavior, 26, 140-150.
3. Antonenko, P., Paas, F., Grabner, R., & van Gog, T. ( 2010). Using electroencephalography to measure cognitive load. Educational Psychology Review, 22, 425-438.
4. Atanov, M. S., Ivanitsky, G. A., & Ivanitsky, A. M. (2016). Cognitive brain-Computer interface and probable aspects of its practical application. Human Physiology, 42(3), 235-240.
5. Chaouachi, M., Jraidi, I., & Frasson, C. (2011). Modeling mental workload using EEG features for intelligent systems, in J. A. Konstan et al. (Eds.), UMAP 2011: User Modeling, Adaption and Personalization(pp. 50-61). Berlin: Springer.
6. Chemerisova, E. V., & Martynova, O.,V. (2018, in press). Vliyanie fonologicheskoi petli rabochei pamyati na rezul’tativnost’ resheniya matematicheskikh i verbal’nykh zadach u matematikov i gumanitariev [Phonological loop of working memory affects performance of solving mathematical and verbal tasks in specialists of mathematics and humanities]. Zhurnal Vysshei Nervnoi Deyatelnosti imeni I. P. Pavlova. (in Russian)
7. Fairclough, S. H., Gilleade, K., Ewing, K. C., & Roberts, J. (2013). Capturing user engagement via psychophysiology: measures and mechanisms for biocybernetic adaptation. International Journal of Autonomous and Adaptive Communications Systems, 6(1), 63-79.
8. Fairclough, S. H., Venables, L., & Tattersall, A. (2005). The influence of task demand and learning on the psychophysiological response. International Journal of Psychophysiology, 56, 171-184.
9. Gerjets, P., Walter, C., Rosenstiel, W., Bogdan, M., & Zander, T. O. (2014). Cognitive state monitoring and the design of adaptive instruction in digital environments: lessons learned from cognitive workload assessment using a passive brain-computer interface approach. Frontiers in Neuroscience, 8, 385.
10. Hart, S. G., & Staveland, L. E. (1988). Development of NASA-TLX Results of empirical and theoretical research of human mental workload. Advances in Psychology, 52, 139-183.
11. Ivanitsky, G. A. (1997). Recognition of the task type in the process of its mental solving by a few-second eeg record using the learned classifier. Zhurnal Vysshei Nervnoi Deyatelnosti imeni I. P. Pavlova, 47(4), 743-747. (in Russian)
12. Jarvis, J. P., Putze, F., Heger, D., & Schultz, T. (2011). Multimodal person independent recognition of workload related biosignal patterns. In Proceedings of the 13th International Conference on Multimodal Interfaces, ICMI ‘11 (pp. 205-208). New York: ACM.
13. McCulloch, W. S., & Pitts, W. H. (1943). A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Boiphysics, 5, 115-133.
14. Pitts, W. H., & McCulloch, W. S. (1947). How we know universals. Bulletin of Mathematical Boiphysics, 5, 127-147.
15. Putze, F., & Schultz, T. (2014). Adaptive cognitive technical systems. Journal of Neuroscience Methods, 234, 108-115.
16. Tarotin, I. V., Atanov, M. S., & Ivanitsky, G. A. (2017). A model for human cognitive activity monitoring in real time (“Cognovtsor”). Zhurnal Vysshei Nervnoi Deyatelnosti imeni I. P. Pavlova, 67(4), 493-503. (in Russian)
17. Walter, C., Rosenstiel, W., Bogdan, M., Gerjets, P., & Spu ler, M. (2017). Online EEG-Based Workload Adaptation of an Arithmetic Learning Environment. Frontiers in Human Neuroscience, 11, 286.
18. Wang, Z., Hope, R. M., Wang, Z., Ji, Q., & Gray, W. D. ( 2012). Cross-subject workload classification with a hierarchical bayes model. NeuroImage, 59(1), 64-69.
19. Wilson, G. F., & Fisher, F. (1995). Cognitive task classification based upon topographic EEG data. Biological Psychology, 40(1-2), 239-250.
20. Zhu, F. F., Maxwell, J. P., Hu, Y., Zhang, Z. G., & Masters, R. S. W. (2010). EEG activity during the verbal-cognitive stage of motor skill acquisition. Biological Psychology, 84(2), 221-227.
2. Antonenko, P. D., & Niederhauser, D. S. (2010). The influence ofleads on cognitive load and learning in a hypertext environment. Computers in Human Behavior, 26, 140-150.
3. Antonenko, P., Paas, F., Grabner, R., & van Gog, T. ( 2010). Using electroencephalography to measure cognitive load. Educational Psychology Review, 22, 425-438.
4. Atanov, M. S., Ivanitsky, G. A., & Ivanitsky, A. M. (2016). Cognitive brain-Computer interface and probable aspects of its practical application. Human Physiology, 42(3), 235-240.
5. Chaouachi, M., Jraidi, I., & Frasson, C. (2011). Modeling mental workload using EEG features for intelligent systems, in J. A. Konstan et al. (Eds.), UMAP 2011: User Modeling, Adaption and Personalization(pp. 50-61). Berlin: Springer.
6. Chemerisova, E. V., & Martynova, O.,V. (2018, in press). Vliyanie fonologicheskoi petli rabochei pamyati na rezul’tativnost’ resheniya matematicheskikh i verbal’nykh zadach u matematikov i gumanitariev [Phonological loop of working memory affects performance of solving mathematical and verbal tasks in specialists of mathematics and humanities]. Zhurnal Vysshei Nervnoi Deyatelnosti imeni I. P. Pavlova. (in Russian)
7. Fairclough, S. H., Gilleade, K., Ewing, K. C., & Roberts, J. (2013). Capturing user engagement via psychophysiology: measures and mechanisms for biocybernetic adaptation. International Journal of Autonomous and Adaptive Communications Systems, 6(1), 63-79.
8. Fairclough, S. H., Venables, L., & Tattersall, A. (2005). The influence of task demand and learning on the psychophysiological response. International Journal of Psychophysiology, 56, 171-184.
9. Gerjets, P., Walter, C., Rosenstiel, W., Bogdan, M., & Zander, T. O. (2014). Cognitive state monitoring and the design of adaptive instruction in digital environments: lessons learned from cognitive workload assessment using a passive brain-computer interface approach. Frontiers in Neuroscience, 8, 385.
10. Hart, S. G., & Staveland, L. E. (1988). Development of NASA-TLX Results of empirical and theoretical research of human mental workload. Advances in Psychology, 52, 139-183.
11. Ivanitsky, G. A. (1997). Recognition of the task type in the process of its mental solving by a few-second eeg record using the learned classifier. Zhurnal Vysshei Nervnoi Deyatelnosti imeni I. P. Pavlova, 47(4), 743-747. (in Russian)
12. Jarvis, J. P., Putze, F., Heger, D., & Schultz, T. (2011). Multimodal person independent recognition of workload related biosignal patterns. In Proceedings of the 13th International Conference on Multimodal Interfaces, ICMI ‘11 (pp. 205-208). New York: ACM.
13. McCulloch, W. S., & Pitts, W. H. (1943). A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Boiphysics, 5, 115-133.
14. Pitts, W. H., & McCulloch, W. S. (1947). How we know universals. Bulletin of Mathematical Boiphysics, 5, 127-147.
15. Putze, F., & Schultz, T. (2014). Adaptive cognitive technical systems. Journal of Neuroscience Methods, 234, 108-115.
16. Tarotin, I. V., Atanov, M. S., & Ivanitsky, G. A. (2017). A model for human cognitive activity monitoring in real time (“Cognovtsor”). Zhurnal Vysshei Nervnoi Deyatelnosti imeni I. P. Pavlova, 67(4), 493-503. (in Russian)
17. Walter, C., Rosenstiel, W., Bogdan, M., Gerjets, P., & Spu ler, M. (2017). Online EEG-Based Workload Adaptation of an Arithmetic Learning Environment. Frontiers in Human Neuroscience, 11, 286.
18. Wang, Z., Hope, R. M., Wang, Z., Ji, Q., & Gray, W. D. ( 2012). Cross-subject workload classification with a hierarchical bayes model. NeuroImage, 59(1), 64-69.
19. Wilson, G. F., & Fisher, F. (1995). Cognitive task classification based upon topographic EEG data. Biological Psychology, 40(1-2), 239-250.
20. Zhu, F. F., Maxwell, J. P., Hu, Y., Zhang, Z. G., & Masters, R. S. W. (2010). EEG activity during the verbal-cognitive stage of motor skill acquisition. Biological Psychology, 84(2), 221-227.
Опубликован
2018-11-05
Как цитировать
ЧемерисоваЕ. В., АтановМ. С., МихеевИ. Н., & МартыноваО. В. (2018). Классификация вербальных и математических ментальных операций на основе спектральной плотности мощности ЭЭГ. Психология. Журнал Высшей школы экономики, 15(2), 268-278. https://doi.org/10.17323/1813-8918-2018-2-268-278
Выпуск
Раздел
Нейрокогнитивные аспекты функционирования и использования языка