文摘
情境兴趣(SI)是一种有前途的国家,可以提高学生的学习,增加了知识。基于脑电图(EEG)检测如果可以帮助理解如果神经科学事业,因此,可以解释如果在学生学习中扮演的角色。在这项研究中,26个参与者选择基于问卷调查参与数学课堂实验。SI和个人利益(PI)测试是衡量学生进行问卷调查以及知识的兴趣和知识水平。混合方法结合经验模态分解(EMD)和小波变换被开发并用于特征提取。该方法使用多元方差分析显示显著差异(MANOVA)测试和持续使用加权分类性能优于其他方法k最近的邻居(wkNN)。85.7%的高分类精度的敏感性为81.8%,特异性90%显示大脑振荡模式的高硅学生比学生不同的较低或没有如果。此外,结果表明,δ节奏可能对认知过程有显著影响。
1。介绍
学习科学和数学一直是一个障碍对于许多学生。几个研究低的原因进行了调查的学生数量加入这些字段。两个六个建议让数学变得栩栩如生的消除恐惧和开发有趣的数学教学策略对学生的学习产生积极的影响(1]。因此,不同的研究者提出的使用情境兴趣(SI)让不同背景的学生享受学习数学或科学,即使他们没有最初的第一时间(或个人兴趣2,3]。要做到这一点,关键是理解兴趣和好奇心的神经机制的激励现象及其对记忆和学习的影响,指出由海蒂和任宁格(4]。因此,这项工作解释的影响,如果学生的学习和探讨其脑电图关联。这项研究在5)调查了SI的生理影响,但有一个相对较少的主题和集中在特征提取很少关注脑电图功率谱,例如,δ振荡。δEEG节律的作用在学习是不清楚。马修森的研究等。6]声称的可能性预测游戏学习速率由α和δ脑电波的力量。几项研究已经报道的增加δ在任务需求的关注,认知加工、或工作记忆(见[7]审查)。然而,δ是有据可查的增加嗜睡等州期间,第一阶段睡眠,和一些脑部疾病(8]。看最近的方法领域的生物医学信号的分析,有一种趋势分解相结合的特征提取的方法。这种方式有助于克服每个方法的弱点,增强了自己的长处。例如,EMD和小波方法广泛应用于心电图和脑电图研究单独或结合取决于数据的性质和分析的目的9,10]。因为它的功能和特点,EMD是广泛应用于生物医学信号非线性和非平稳的时间序列,如HRV,肌电图,并使用脑电图大脑信号。它假设每个数据包含许多固有模态函数的振荡(货币)的基础来源于数据。同样,小波变换已被广泛用于BCI的应用程序,因为它的能力储备与各种各样的时间和频率信息规模和翻译功能。这两种方法成功地用作过滤基础或进一步的特征提取来实现分类精度高、去噪和重构与高信噪比的数据。在[11),作者运用EMD地震信号的小波脊提取紧随其后的瞬时谱属性储层。他们发现的瞬时频率提取小波脊优于希尔伯特变换的瞬时频率提取暴露的地质特征。EMD和小波还用于区分焦和nonfocal脑电图信号提取等癫痫患者所做的功Das和下榻的饭店12)结合EMD-DWT entropy-based特性使用空间,取得了89.4%的准确性。在[13),小波包变换了EMD之前小波包变换后ICA在脑电图工件清洗。一般来说,EMD性能克服了WT在去噪EEG信号特征提取做准备(14,15]。因此,这项工作正在研究的影响如果在教室检查如果对学习的影响。实验进行了使用脑电图来获取数据,以避免分心的课堂流程。EMD和小波分解的脑电图数据并提取相关特征分类的学生的高、低硅。本文的贡献可以概括如下:(1)识别脑电图关联相应的情境学习兴趣在教室。这可能携带重要信息为进一步理解如果现象和脑电图记录同步。(2)讨论和评估潜在的雇佣的混合EMD-wavelet方法提取相关的脑电图特点,特别是当某些EEG节律或振荡是必需的。
2。材料和方法
2.1。参与者
这个实验的参与者一年级本科生和基础的学生的各种大学马来西亚国家石油公司(UTP)。史的学生脑损伤或在任何药物可能会影响脑电图数据被排除在外。参与者选择基于问卷调查关于加入UTP数学俱乐部和分布在所有基础和大学一年级学生。为了选择一个平衡组参与者与高,低,和温和的兴趣,调查问卷是作为个人的水平pre-evaluation /个人兴趣的学生。研究伦理批准从UTP获得伦理委员会批准,所有参与者熟悉实验及EEG设备和已书面同意在他们到达实验房间。26个学生参加了这个实验的参与时间和报酬。
2.2。兴趣调查问卷和知识测试
在这个实验中所使用的问卷采用发表和验证来源。符合情境兴趣,如果问卷设计的米切尔和Rotgans和施密特(2,16被采用。此外,π问卷(2采用符合个人(个人)参与者的利益。情境兴趣的问卷调查结果,使用中值作为参考,受试者得分超过77的100人被视为高利贷的学生,而课程得分低于69年的100人被认为是低息的学生。受试者得分在76年和69年之间被认为是温和的情境兴趣,因此没有考虑分类任务。
因为感兴趣的学生被认为是更好的学习相比noninterested学生17),类似的预处理和postknowledge测试是由学生在实验前后评估学习结果。两个测试包括数学问题的基础上,提出讲座。
2.3。刺激
大学一年级学生讲了拉普拉斯变换的常微分方程(ODE)交付的UTP讲师的课程。演讲准备以一个有趣的方式,包括不同的例子,改变字体和颜色。有趣的材料是用三种方法来检查。首先,由一个专家认为材料并批准它,第二,通过为不同的学生提供讲座没有参与实验,得到他们的反馈,检查材料的第三种方法是通过运行5-Likert-type问卷其次是口头,非正式面试结束时,每个实验会话。类似的过程之后,讲座在微积分课程的整合基础上的学生。在参与者中,83.34%认为讲座很有趣,和所有与会者一致认为,他们期待类似的讲座,这证实了有趣刺激的多数参与者。
2.4。实验设置和数据采集
由于限制数量的脑电图设备,运行四个交易日每班10参与者的最大数量。两个摄像头在前面和后面的类解决了整个实验录像。这些视频数据被使用后证实自我利益的结果。参与者的到来和签署同意书,preknowledge和π问卷进行测试。这是为了确保低没有知识提出话题和确认的个人利益。然后,参与者戴Enobio同时脑电图帽,8频道每个,干燥的传感器和采样频率为500赫兹,如图1,研究者的援助和研究者应该说如果他们感到不适和选择实验在任何时候离开。EEG渠道包括Fp1 Fp2, F3, F4, T7, T8、O1, O2根据10 - 20国际体系,共同模式的参考电极(CMS)和右腿驱动(DRL)被放置在正确的乳突都采用(16]。
4分钟睁开了眼睛的基线数据和4分钟闭上眼睛是紧随其后的是约22分钟的拉普拉斯变换或集成讲座。然后,另一个基线记录4分钟睁开了眼睛。演讲是通过一个投影仪投影屏幕。脑电图记录后,如果进行了问卷调查和postknowledge测试。其次是演讲问卷评估的有趣的话题。图2显示了实验框图。
2.5。数据预处理
两个对象的数据被删除,因为技术错误,导致错误的脑电图数据嵌入与直流组件或损坏脑电图文件,因此,不适合分析。记录的视频被用来标志着讲座开始和结束的确切时间,观察学生在实验期间的行为。
在获得脑电图数据中,漂移校正,50赫兹的陷波滤波器应用于消除线路噪声。数据然后使用冷杉过滤器过滤0.5赫兹的低频和高频的47个赫兹。之后,感兴趣的区域(ROI)提取如下:对高硅、高表达的时候,主题内容选择的兴趣。低硅,时刻呈现内容选择不感兴趣。
受试者的时刻不是表达兴趣或高或低的时刻主题的脸还不清楚或未显示被排除在分析之外。段的数量而不同的从一个话题转到另一个,因为个人的利益分歧。因此,学科之间的最小长度被设置为标准长度为了有相同长度的数据从所有受试者,以确保公正的分析。这个长度是2分钟,34 s和提取所有的科目。
2.6。特征提取方法
2.6.1。功率谱密度
得到的功率谱密度,原始的脑电图数据过滤根据各自的频率,γ、βα、θ,和三角洲。权力被韦尔奇(使用周期图法计算18通过汉宁窗函数。首先,脑电图数据分割成八段有50%的重叠。然后,功率谱密度(PSD)计算每一个段。之后,所有段的平均PSD计算得到每个波段的绝对权力。
每一波的计算脑电图力量就在大脑区域平均,即。,frontal (Fp1, Fp2, F3, and F4), temporal (T3 and T4), and occipital (O1 and O2) to graph the differences in brain regions between high and low SI students. This procedure was performed for the baseline condition (4 min eyes-opened) and lecture condition (Laplace/integration). After that, the percentage of change was obtained by subtracting the PSD of the lecture condition from the PSD of the baseline and dividing the result by the PSD of the baseline. This step is necessary to account for subjective variability.
2.6.2。经验模态分解
提出了EMD分解EEG信号:1)降低信号噪声和(2)增加功能的数量,提高分析结果通过分离的主要部分波段频率信号频率。导致振荡是相互独立的,可能与相同数量的线性或非线性极值和零交叉19,20.]。货币基金与零均值几乎周期性振荡。因此,国际货币基金组织每个遵循以下几点:(1)极值和零交叉的数量必须相等或相差不超过一个的数据;(2)当地最大值和最小值的平均值信封等于零。这些国际货币基金组织(IMF)值可以通过生成EEG信号的上、下包络线通过寻找局部极值和插值三次样条线。上、下包络线的均值用于生产第一个组件, :
新从均值减去,直到符合上述两个条件。然后,第一国际货币基金组织(IMF)是生产IMF1 = 。这减去从产生一个残留 。现在的残渣成为新的信号 ,重复该过程,直到残留信号变得不再单调或货币基金可以来源于它。然后,筛选过程停止最终获得
分解是通过n经验模式和一个渣(t),反映了一个常数值或平均的趋势 。
2.6.3。离散小波变换
离散小波变换是一种变换,信号分解为它的低收入和高频组件使用特定频率和翻译值取决于类型的子集的数据和分解的目的。通过确定小波的妈妈,EEG信号分解到预定的分解级别使用方程(3)和(4低收入和高通滤波器)的设计生产细节Dj和近似一个j每个水平系数,j代表了分解水平。近似Aj然后用于进一步分解,最大分解水平取决于信号的主要频率。 在哪里n= 0,1,2 . .米- 1,j= 0、1、2、…J−1J=数量的分解水平,k= 0、1、2、… ,和米EEG信号的长度吗 。表示的高通滤波器(n)和低通滤波器h(n),扩张函数和小波函数可以写成如下(21]: 在哪里x(n)代表EEG信号的长度米和和代表了扩张和母亲的小波函数,分别。
2.6.4。提出EMD-Wavelet能源
利用EMD,预处理脑电图数据分解成几个货币残渣。直接提取信号分解的局部能量与信号有关的时间尺度。国际货币基金组织每个包含单频或有限的频带,使更好的EEG信号的表示。此外,数据包含一些重要的信息,可以被视为工件,但重要的是分类,使用EMD提高了信噪比,同时保持这些信息。例如,眨眼和身体运动的数量和质量可能与学生的兴趣,和删除此信息可能导致重大损失分类特性。与EMD,整个信号分解为imf的以后可被用来有效地构建了信号与噪声去除(18]。提取货币基金后,DWT申请每个IMF获得能量的比例(相对能量)相应的近似和使用它作为一个特性。几项研究中使用的近似DWT的构造一个无噪声的信号/图像,因为它保留其属性。
通过检查的结果几个小波,Daubechies 5分解水平被发现适合从脑电图信号获得可靠的特征向量(22]。Daubechies小波是最好的选择在其他母亲需要保留信号能量时,小波;除此之外,它有严格的消失的时刻。此外,一个五层分解对应基本EEG节律:δθ,α,β,γ,提供适当的选择所需的节奏或波段。
相应的细节和EEG信号的近似系数用db4 5分解水平如表所示1。每个分解级别组成的频带范围(f米/ 2:f米),这样f米=fs/ 2j+ 1,在那里f年代采样率和吗j是分解的程度23]。
之后,采用近似计算小波能量通过以下方程(24]: 在哪里我= 1,2 . .l是保存在向量的系数的水平l和N信号的长度吗。
近似的能量的比例系数在每个分解的粗尺度货币基金组织被安排在一个特征向量进行分类。这是执行每一次脑电图通道产生64每段特性。
该方法的主要优点是精确地提取信号的能量对应脑电图δ节奏。同时,该方法不需要去除工件由于两级过滤使用EMD和DWT使它有利于分析在线和教室。
2.7。分类
k最近的邻居是一个分类的判别分类器一个看不见的点从测试集基于最近的邻国的统治阶级。通过操作k值,然而,可以产生一个非线性边界的决定。
然而,使用非参数密度估计,因此更适合在实践中遇到的实际密度。在方程(欧几里得距离7)是用来确定k最近的邻居的看不见的实例: 在哪里我=1、2、3、…n点的数量在一个向量。
然而,有不同的类型:其中一个是加权资讯(wkNN)。加权资讯的想法是,每个观测的训练集,接近一个新的观察应该会得到一个高权重的决定,在观察到遥远的决定应该得到降低体重。资讯和wkNN之间的主要区别是,然而,仅由影响k邻居密切的观察决定不管个人的相似之处,而wkNN给每个观察基于重量知道他们距离训练观察,和更高的重量决定。因此,wkNN克服资讯的限制,提高了分类精度。确定重量,下列方程只是使用: 两个点之间的距离在哪里计算使用方程(7),因此,的数量k现在可以自动选择。
3所示。结果与讨论
3.1。行为分析
考查postknowledge测试和SI的行为数据,问卷调查,显示一个积极的关系SI的高分问卷和高postknowledge测试成绩。
值之间的相关性postknowledge测试和实验情境兴趣。1和exp。2r= 0.603,r= 0.561,分别 表明适度的积极的关系。即情境兴趣的增加有积极影响postknowledge测试。这符合前面的主观的研究显示积极情境兴趣和学业成绩之间的相关性16,17]。
3.2。功率谱分析
PSD的结果是平均大脑叶来识别特定的地区代表高低SI科目之间的显著变化。表2呈现显著差异,发生在两个脑叶(额叶和枕叶)和θ节律的枕叶。
图3显示增加δ波在额叶讲座条件相比,两组的基线条件。然而,这一增幅明显高于低圣莱科特的额叶枕叶伴有明显降低。自处理的视觉内容,比如颜色和形状在执行演示幻灯片主要在枕叶,是理性表明高如果学生更多的关注和注意提交材料相比,低硅的学生有些昏昏欲睡或睡着了谁在演讲被摄像机记录下来。此外,伴随的变化δ在额叶和枕叶激活可能表明关注中描述的介绍材料(25]。增加δ1 Hz的顶叶和颞叶被报道在去/不方便的任务需要认知处理(7]。
迄今为止获得的结果显示潜在的使用δ节奏提取特性与情境相关的兴趣。提取δ节奏,一个有效的方法来获得良好的数据的大小。提取δ节奏使用EMD是可能的但将导致低的数据量,因为只有较低的一个或两个货币可以携带三角洲乐队(< 4赫兹)。同样,对DWT,最后近似组件可以被视为三角洲如表1。然而,结合EMD和小波如前所述的提议EMD-wavelet能源部分提供了良好的质量和数量的脑电图数据δ节奏。这是因为EMD EEG信号分解为它的经验模式,然后从每个模式下,低频分量由提取小波近似表示。换句话说,采用EMD紧随其后的是小波分解的脑电图进入模式从高频分量低频分量,然后提取低频分量从每个模式。这种方式,组件,比如国际货币基金组织(IMF) 1和IMF 2包含高频可以使用,因为它会紧随其后的是小波分解得到的近似包含信号的低频分量。
3.3。统计分析
为了评估的歧视能力使用该方法提取的特征,这是其他两种方法相比,EMD的能量使用的所有8货币基金(EMD-energy)和DWT的所有细节和近似的能量(DWT-energy)。EMD-energy产生每通道8特性,即。8特性×8频道= 64特性,而DWT-energy产生6特性×8频道= 48特性。确定结果的意义,双向多元方差分析(MANOVA)应用。两个独立变量讲座类型(拉普拉斯/集成)和情境兴趣(低/高),而因变量是提取的特征。表3总结了每种方法的特点和相应的MANOVA结果/数据段的三种方法(包括该方法)。
表3显示了提取特征的显著差异之间的高、低如果学生只有在使用该方法时 。EMD-energy减少了值相比DWT-energy表明更好的辨别能力。这是因为EMD方法大约4的8分解首先三角洲的范围内下降,虽然DWT,如表所示1,只有一个分解近似三角洲的范围这意味着将无意义的特性,属于其他EEG节律(α、β和γ)。
因此,该方法实现这两个目标是选择节奏与SI和增加数量的相关特性。
3.4。分类
现在已经准备好,可以进行分类选择的重要特性。上述两种方法提取的特性以及该方法是使用线性支持向量机的分类和加权资讯。分类结果如表所示4。
结果在表4分类显示该方法的优越性在学生的高、低硅的兴趣。其他两种方法显示低灵敏度或低特异性表明高两组之间的误分类。最高的85%是通过使用加权资讯的准确性,而线性支持向量机的结果很差(< 67%),表明加权资讯的优越性。
目前的研究也有一些局限性。两个实验都在不同的教室进行略有不同的闪电和可用空间。鼓励未来的研究解决实验房间,也许重复相同的实验参与者。感兴趣的同时,应对这一现象,建议使用一个单独的实验以及教室占可能脑电图组的同步或相干性的影响;参见[26,27)审查。
4所示。结论
本研究进行地址更改使用脑电图高低如果学生之间。研究提出了一个新颖的方法从原始脑电图数据中提取特征。结果支持声称高如果学生展示一些不同的大脑活动相比,低硅的学生。提取的特征相关δ节奏取得了较高的分类精度达到85.7%使用EMD-wavelet能量特性输入加权资讯分类器。行为分析发现学生之间的积极关系postknowledge测试分数和SI表明学生高中如果最有可能有很高的考试分数和,因此,更多的知识相比,低硅的学生。
5。Disclosureback
投资者没有参与研究设计、数据收集和分析,决定发表,或准备的手稿。
数据可用性
生成的数据集在当前研究可从相应的作者在合理的请求。
的利益冲突
作者宣称没有利益冲突。
确认
这项研究受到了高等教育,马来西亚,在卓越中心的高等学府(HICoE)计划授予智能信号和成像研究中心(CISIR)。