Detecting Changes in Cognitive Load Through Audified EEG
Notice bibliographique
Résumé
Concussion is an increasing concern, especially with the popularity of contact sports. New research shows the dangers of letting concussions go undetected and untreated. Current assessment methods are lacking in their reliability to detect concussions and track healing. An objective assessment method to evaluate concussion would be a great benefit to society. Electroencephalography (EEG) consists of data measured from electrical signals that can give insight into the activity and health of the brain. The first step in assessing concussion through EEG is to understand the signal properties while performing different cognitive tasks. While these signals are often displayed graphically, they can also be converted to sound (audification) to translate the data into a more intuitive medium. By using EEG to understand how the brain processes information under different levels of cognitive load and interpreting these data through audification, this research can pave the way for audified EEG being used to assess brain health, specifically concussion. Seventy-five untrained participants were asked to identify high cognitive load by listening to audified EEG data relating to different tasks. Eighty-four percent of participants were able to detect the difference between high and low cognitive load, when listening to audified samples of EEG data. Clinical Relevance - This work provides evidence that audified EEG can be used to differentiate cognitive load conditions by untrained observers. The same approach could be used to assess concussion as brain activity differs immediately post-injury.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».