Uso de Algoritmos de Aprendizaje Automático en Señales Electroencefalográficas para Evaluar la Concentración de Estudiantes de Ingeniería al Resolver Ejercicios Matemáticos
DOI:
https://doi.org/10.17488/RMIB.44.4.2Palabras clave:
aprendizaje automático, clasificación, interfaz cerebro-computadora, matemáticas, medición de la atención, señales electroencefalográficasResumen
Se presenta un método de clasificación de la atención utilizando algoritmos de aprendizaje automático. Con las señales EEG de diez estudiantes de ingeniería adquiridas utilizando los electrodos F3, F4, P7 y P8 de una BCI EPOC+ mientras resuelven productos escalares, multiplicaciones algebraicas simples, simplificaciones e integrales por aproximadamente 20 minutos. Posteriormente, se obtiene un registro EEG de tiempo similar mientras se realizan actividades no académicas, como charlar con el personal, consultar el móvil o jugar a un videojuego. Se obtienen algunas características/parámetros, se entrenan y evalúan varios algoritmos de aprendizaje automático para la clasificación de la atención. Los resultados de esta investigación pueden mejorar la forma en que los estudiantes de ingeniería interactúan con los temas matemáticos en la resolución de operaciones mentales y razonamientos complejos, aumentando el dominio y el conocimiento cerebral para los procesos relacionados con el razonamiento matemático, como la atención sostenida y cambiante y las construcciones lógicas para la interacción con objetos durante la resolución de operaciones. El clasificador Random Forest obtuvo la mayor precisión con 0.7392, una puntuación F1 de 0.7430 y la mayor especificidad/precisión con 0.7261.
Descargas
Citas
E. Levin, J. Bernier, “Attention Span,” in Encyclopedia of Child Behavior and Development, S. Goldstein, J. A. Naglieri, Eds. New York, U. S.: Springer, 2011, pp. 163, doi: https://doi.org/10.1007/978-0-387-79061-9_22
M. A. Rasheed, P. Chad, S. Ahmed, H. Sharif, Z. Hoodbhoy, A. Siddiqui, B. S. Hasan, “Use of artificial intelligence on Electroencephalogram (EEG) waveforms to predict failure in early school grades in children from a rural cohort in Pakistan,” PLoS One, vol. 16, no. 2, art. no. e0246236, Feb. 2021, doi: https://doi.org/10.1371/journal.pone.0246236
PLoS One, “Correction: Use of artificial intelligence on Electroencephalogram (EEG) waveforms to predict failure in early school grades in children from a rural cohort in Pakistan,” PLoS One, vol. 16, no. 2, art. no. e0247744, Feb. 2021, doi: https://doi.org/10.1371/journal.pone.0247744
M. F. Mavilidi, K. Ouwehand, N. Riley, P. Chandler, F. Paas, “Effects of An Acute Physical Activity Break on Test Anxiety and Math Test Performance,” Int. J. Environ. Res. Public Health, vol. 17, no. 5, art. no. 1523, Feb. 2020, doi: https://doi.org/10.3390%2Fijerph17051523
M. Hartmann, J. Laubrock, M. H. Fischer, “The visual number world: A dynamic approach to study the mathematical mind,” Q. J. Exp. Psychol., vol. 71, no. 1, Jan. 2018, doi: https://doi.org/10.1080/17470218.2016.1240812
W. Auccahuasi, C. Ovalle, Z. Ayvar, J. Aybar, et al., “Methodology to evaluate the levels of attention and meditation in the development of virtual classes through BCI devices,” in Workshop Technol. Innov. Edu. Knowledge Dissemination CEUR-WS, Goa, India, 2021, pp. 51-60. [Online]. Available: https://ceur-ws.org/Vol-2869/PAPER_06.pdf
S. M. Manjur, M.-B. Hossain, P. A. Constable, D. A., Thompson, et al., “Detecting Autism Spectrum Disorder Using Spectral Analysis of Electroretinogram and Machine Learning: Preliminary results,” 2022 44th Ann. Int. Conf. IEEE Eng. Med. Biol. Soc. (EMBC), Glasgow, Scotland, United Kingdom, 2022, pp. 3435-3438, doi: https://doi.org/10.1109/EMBC48229.2022.9871173
B. Ari, N. Sobahi, Ö. F. Alçin, A. Sengur, U. R. Acharya, “Accurate detection of autism using Douglas-Peucker algorithm, sparse coding based feature mapping and convolutional neural network techniques with EEG signals,” Comput. Biol. Med., vol. 143, art. no. 105311, Apr. 2022, doi: https://doi.org/10.1016/j.compbiomed.2022.105311
A. Shoeibi, M. Rezaei, N. Ghassemi, Z. Namadchian, A. Zare, J. M. Gorriz, “Automatic Diagnosis of Schizophrenia in EEG Signals Using Functional Connectivity Features and CNN-LSTM Model,” in Artif. Intell. Neurosc. Affective Analysis and Health Applications (IWINAC 2022). J. M. Ferrández Vicente, J. R. Álvarez-Sánchez, F. de la Paz López, H. Adeli, Eds. Puerto de la Cruz, Tenerife, Spain, 2022, pp. 63-73, doi: https://doi.org/10.1007/978-3-031-06242-1_7
F. J. Alvarado-Rodríguez, K. P. Ibarra-González, C. Eccius-Wellmann, H. Vélez-Pérez, R. Romo-Vázquez, “Electrophysiological Brain Response to Error in Solving Mathematical Tasks,” Mathematics 2022, vol. 10, no. 18, art. no. 3294, Sep. 2022, doi: https://doi.org/10.3390/math10183294
J. J. Esqueda-Elizondo, R. Juárez-Ramírez, O. R. López-Bonilla, E. E. García-Guerrero, et al., “Attention Measurement of an Autism Spectrum Disorder User Using EEG Signals: A Case Study,” Math. Comput. Appl., vol. 27, no. 2, art. no. 21, Mar. 2022, doi: https://doi.org/10.3390/mca27020021
F. Fahimi, C. Guan, W. B. Goh, K. K. Ang, C. G. Lim, T. S. Lee, “Personalized features for attention detection in children with Attention Deficit Hyperactivity Disorder,” in 2017 39th Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. (EMBC), Jeju, Korea (South), Jul. 2017, pp. 414–417, doi: https://doi.org/10.1109/embc.2017.8036850
K. H. Khng, R. Mane, “Beyond BCI—Validating a wireless, consumer-grade EEG headset against a medical-grade system for evaluating EEG effects of a test anxiety intervention in school,” Adv. Eng. Inform., vol. 45, art. no. 101106, Aug. 2020, doi: https://doi.org/10.1016/j.aei.2020.101106
I. A. Fouad, “A robust and reliable online P300-based BCI system using Emotiv EPOC + headset,” J. Med. Eng. Technol., vol. 45, no. 2, pp. 94–114, Feb. 2021, doi: https://doi.org/10.1080/03091902.2020.1853840
N. V. Dubrovinskaya, R. I. Machinska, Y. V. Kulakovsky, “Brain Organization of Selective Tasks Preceding Attention: Ontogenetic Aspects,” in Complex Brain Functions, R. Miller, A. M. Ivantsky, Eds. Boca Ratón, FL, USA: CRC Press, 2000, ch. 9 pp. 169–180. doi: https://doi.org/10.4324/9780203304785
N. V. Dubrovinskaya, R. I. Machinskaya, “Reactivity of θ and α EEG Frequency Bands in Voluntary Attention in Junior Schoolchildren,” Hum. Physiol., vol. 28, no. 5, pp. 522-527, Sep. 2002, doi: http://dx.doi.org/10.1023%2FA%3A1020266516114
Emotiv Inc., Frequency Bands - EmotivPRO v3.0, (2020). Accessed: Nov. 2021. [Online]. Available: https://emotiv.gitbook.io/emotivpro-v3/data-streams/frequency-bands
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Revista Mexicana de Ingenieria Biomedica
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Una vez que el artículo es aceptado para su publicación en la RMIB, se les solicitará al autor principal o de correspondencia que revisen y firman las cartas de cesión de derechos correspondientes para llevar a cabo la autorización para la publicación del artículo. En dicho documento se autoriza a la RMIB a publicar, en cualquier medio sin limitaciones y sin ningún costo. Los autores pueden reutilizar partes del artículo en otros documentos y reproducir parte o la totalidad para su uso personal siempre que se haga referencia bibliográfica al RMIB. No obstante, todo tipo de publicación fuera de las publicaciones académicas del autor correspondiente o para otro tipo de trabajos derivados y publicados necesitaran de un permiso escrito de la RMIB.
