EEG-Based Engagement Monitoring in Cognitive Games
Notice bibliographique
Résumé
Cognitive decline and dementia prevention are global priorities, with cognitive rehabilitation games showing potential to delay their onset or progression. However, these games require sufficient user engagement to be effective. Assessing the engagement through questionnaires is challenging for the individuals suffering from cognitive decline due to age or dementia. This study aims to explore the relationship between game difficulty levels, three EEG engagement indices (β/(θ + α), β/α, 1/α), and the self-reported flow state scale score during video gameplay, and to develop an accurate machine learning algorithm for the classification of user states into high- and low-engagement. Twenty-seven participants (nine older adults) played a stunt plane video game while their EEG signals were recorded using EPOCX. They also completed the flow state scale for occupational tasks questionnaire after the easy, optimal, and hard levels of gameplay. Self-reported engagement scores significantly varied across the difficulty levels (p = 0.027), with the optimal level yielding the highest scores. Combining the three EEG indices achieved the best performance, with F1 scores of 89% (within-subject) and 81% (cross-subject). Engagement classification F1 scores were 90% for young adults and 85% for older adults. The findings provide preliminary data that supports using EEG data for engagement analysis in adults and older adults.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».