Тенденции и перспективы использования нейрокомпьютерных интерфейсов в образовании

Также одним из направлений применения НКИ в обучении может быть мониторинг осведомленности обучающихся об окружающей обстановке (ситуации), например при выполнении практических заданий (как в реальности, так и в виртуальной среде). Осведомленность - это осознание того, что происходит в данный текущий момент, что из окружающей обстановки имеет отношение к релевантной задаче [77]. Осведомленность состоит из трех уровней: 1 - восприятие элементов или сигналов; 2 - интеграция того, что воспринимается, и понимание, что это означает в конкретном контексте; 3 - понимание / прогнозирование на основе текущих знаний того, что может произойти в будущем [Ibid.]. Нейрокомпьютерные интерфейсы, считывая информацию об осведомленности пользователя о текущей ситуации (уровне внимания, загрузке рабочей памяти), могут обеспечить дополнительный контроль и помочь снизить вероятность ошибки. В настоящий момент исследования, посвященные мониторингу осведомленности с помощью портативного оборудования для записи ЭЭГ-данных, ведутся в основном в области моделирования военных ситуаций или работы авиадиспетчеров [78, 79]. На наш взгляд, возможность отслеживания осведомленности обучающихся об учебной ситуации может также играть немаловажную роль в повышении успешности обучения.



Заключение

Ориентируясь на задачи, стоящие перед современным образованием (индивидуализация обучения, развитие у обучающихся самоорганизации и способности к рефлексии, непрерывное образование и др.), и на основе проделанного анализа научных источников можно выделить следующие перспективные направления применения нейрокомпьютерных интерфейсов в учебном процессе:

- Возможность прогнозировать продуктивность учебной деятельности обучающихся на основе полученных с помощью НКИ данных. Очевидно, что при ухудшении концентрации внимания или переживании учеником негативных эмоций результат обучения становится хуже. Но в данном случае речь идет не только о сиюминутной обратной связи при взаимодействии учащегося с конкретным контентом (снижение внимания ^ подача об этом сигнала ^ приостановка учебной деятельности для восстановления сил после утомления). Накопленные и проанализированные системой данные об активности головного мозга обучающегося в различных учебных ситуациях могут использоваться для выявления нейрофизиологических механизмов, лежащих в основе учебной деятельности, что позволит прогнозировать его академическую успешность в целом [80], а также выявить трудности (например, слабую способность длительно удерживать внимание на объекте) и корректировать методы обучения с учетом индивидуальных особенностей.

- Обучение самоконтролю (сознательному мониторингу собственной деятельности с целью своевременного обнаружения ошибок) с помощью биологической или нейронной обратной связи. Подобного рода занятия способствуют как развитию навыков саморегуляции, так и рефлексии в целом - обучающийся в дальнейшем сможет быть более внимательным к изменениям в своем состоянии и самостоятельно отслеживать их без подсказок системы.

- Выявление особенностей когнитивных и аффективных состояний учащихся в режиме реального времени при обучении отдельным предметам (математике, физике, информатике и др.). Учебная деятельность при освоении различных областей знаний имеет свои особенности. Например, в обработке цифр и слов задействованы разные нейрофизиологические механизмы [81]. Выделяют также и такой феномен, как тревога при изучении математики (math anxiety), которая отрицательно коррелирует с успешностью обучения [82]. Определение специфических эффектов, влияющих на освоение материала для каждого учебного предмета, также позволит усовершенствовать процесс обучения, сделав его не только эффективным, но и психологически комфортным для учащихся.

- Использование НКИ в качестве метода оценки влияния электронных средств обучения на процесс усвоения информации. Данные об эффективности применения ИКТ в обучении достаточно противоречивы. Разнообразие существующих оценочных средств, с одной стороны, дает возможность для всесторонней оценки [83], а с другой - носит преимущественно субъективный характер (опросы учащихся, результаты наблюдений, экспертная оценка). Фиксирование в режиме реального времени нейрофизиологических реакций обучающегося на учебный контент, предложенный в электронном формате, сможет обеспечить более объективизированные результаты экспертизы.

- Измерение динамики интенсивности познавательной деятельности в условиях различных учебных задач. К таким учебным задачам могут относиться не только чтение текста и просмотр видео, но и иные виды учебной деятельности: творческая или исследовательская активность, выполнение практических заданий и т.д.

- Изучение эффектов когнитивной нагрузки в режиме реального времени на занятиях и выявление на нейрофизиологическом уровне «порога» перегрузки и доступного объема информации для ее успешной обработки с целью оптимизации подачи учебного материала и повышения продуктивности обучения.

Согласно прогнозу развития нейротехнологий в будущем, предложенному C. Cinel и соавт. [23], уже к 2040 г. человек сможет применять в повседневной жизни приложения для мониторинга своего текущего состояния, облегчения контроля над деятельностью, повышения продуктивности в принятии решений и улучшения когнитивных способностей. Все эти возможности также могут быть использованы и при решении учебных задач. И хотя на данный момент требуются дополнительные исследования использования НКИ в различных условиях учебной деятельности, данный обзор позволяет сделать вывод о том, что применение нейрокомпьютерных интерфейсов в образовательном процессе является одним из перспективных направлений повышения эффективности обучения.

нейрокомпьютерный интерфейс образовательный учебный



Литература

1. Wolpaw J.R., Birbaumer N., Heetderks W.J., McFarland D.J., Peckham P.H., Schalk G., Donchin E., Quatrano L.A., Robinson C.J., Vaughan T.M. Brain-Computer Interface Technology: a review of the First International Meeting // IEEE Transactions on rehabilitation engineering. 2000. Vol. 8, № 2. P. 164-173.

2. Kьbler A., Mьller K.R. An introduction to brain computer interfacing // Toward brain-computer interfacing / G. Dornhege, J. del R. Millan, T. Hinterberger, D. McFarland, K.R. Mьller (eds.). Cambridge, MA : MIT Press, 2007. P. 1-25.

3. Wolpaw J.R., Wolpaw E.V. Brain-computer interfaces: Principles and practice. New York : Oxford University Press, 2012. 424 p.

4. Zaharija G., Bogunovic P., Mladenovic S. Brain computer interface in enhanced learning system // Proceedings of 12th International Technology, Education and Development Conference. 2018. P. 198-205.

5. Mak J.N., Wolpaw J.R. Clinical applications of brain-computer interfaces: Current state and future prospects // IEEE Review of Biomedical Engineering. 2009. Vol. 2. P. 187-199.

6. Zhang J., Jadavji Z., Zewdie E., Kirton A. Evaluating If Children Can Use Simple Brain Computer Interfaces // Frontiers in Human Neuroscience. 2019. Vol. 13. Article 24.

7. Перепелкина О.С., Васильев А.Н., Либуркина С.П., Ганин И.П., Каплан А.Я. Изучение эффективности освоения пациентами с двигательными нарушениями технологии «Интерфейс мозг-компьютер, основанный на представлении движений» (пилотное исследование) // Когнитивная наука в Москве: новые исследования : материалы конф., 16 июня 2015 г. / под ред. Е.В. Печенковой, М.В. Фаликман. М. : Буки Веди, 2015. С. 346-351.

8. Каплан А.Я. Нейрофизиологические основания и практические реализации технологии мозг-машинных интерфейсов в неврологической реабилитации // Физиология человека. 2016. № 42 (1). C.118-127.

9. Naros G., Gharabaghi A. Reinforcement learning of self-regulated Я-oscillations for motor restoration in chronic stroke // Frontiers in Human Neuroscience. 2015. Vol. 9. Article 391. Котов С.В., Турбина Л.Г., Бобров П.Д., Фролов А.А., Павлова О.Г., Курганская М.Е., Бирюкова Е.В. Применение комплекса «интерфейс мозг компьютер и экзоскелет» и техники воображения движения для после инсульта // Альманах клинической медицины. 2015. № 39. C. 15-21.

10. Люкманов Р.Х., Азиатская Г.А., Мокиенко О.А., Варако Н.А., Ковязина М.С., Супонева Н.А., Черникова Л.А., Фролов А.А., Пирадов М.А. Интерфейс мозг-компьютер в постинсультной реабилитации: клинико-нейропсихологическое исследование // Журнал неврологии и психиатрии им. С.С. Корсакова. 2018. № 118 (8). C. 43-51.

11. Comaniciu A., Najafizadeh L. Enabling communication for locked-in syndrome patients using deep learning and an emoji-based brain computer interface // IEEE Biomedical Circuits and Systems Conference (BioCAS) - Advanced Systems for Enhancing Human Health, Cleveland, OH, October 17-19, 2018. P. 41-44.

12. Van Erp J., Lotte F., Tangermann M. Brain-Computer Interfaces: Beyond Medical Applications // Computer. 2012. Vol. 45 (4). P. 26-34.

13. Abdulkader S.N., Atia A., Mostafa M.-S.M. Brain computer interfacing: Applications and challenges // Egyptian Informatics Journal. 2015. Vol. 16. P. 213-230.

14. Gao S., Wang Y., Gao X., Hong B. Visual and auditory brain-computer interfaces // IEEE Transactions on Biomedical Engineering. 2014. Vol. 61 (5). P. 1436-1447.

15. Wang Y.T., Wang Y., Jung T.P. A cell-phone-based braine-computer interface for communication in daily life // Journal of Neural Engineering. 2011. Vol. 8 (2). P. 1-5.

16. Ungureanu F., Lupu R.G. The assessment of learning emotional state using EEG headsets // Proceedings of 11th International Scientific Conference on eLearning and Software for Education. 2015. P. 587-593.

17. Zander T.O., Kothe C., Jatzev S., Gaertner М. Enhancing human-computer interaction with input from active and passive brain-computer interfaces // Brain-Computer Interfaces / D. Tan, A. Nijholt (eds.). London : Springer, 2010. P. 181-199. (Human-Computer Interaction Series).

18. Asteriadis S., Tzouveli P., Karpouzis K., Kollias S. Estimation of behavioral user state based on eye gaze and head pose-application in an e-learning environment // Multimed Tools Application. 2009. Vol. 41. P. 469-493.

19. Park N., Zhu W., Jung Y., McLaughlin M., Jin S. Utility of haptic data in recognition of user state // Proceedings of HCI International. 2005. Vol. 11. URL: https://pdfs.semanticscholar.org/ e0f0/c5cca081b810b2319811f296a5d811583a97.pdf

20. Бордовская Н.В., Костромина С.Н. Психология образования в современном мире (итоги международной научно-практической конференции «Ананьевские чтения - 2012») // Вестник Санкт-Петербургского университета. 2013. № 16 (2). C. 67-78.

21. Lance B.J., Kerick S.E., Ries A.J., Oie K.S., McDowell K. Brain-Computer interface technologies in the coming decades // Proceedings of the IEEE. Special Centennial Issue. 2012. Vol. 100. P. 1585-1599.

22. Cinel C., Valeriani D., Poli R. Neurotechnologies for human cognitive augmentation: Current state of the art and future prospects // Frontiers in Human Neuroscience. 2019. Vol. 13. Article 13.

23. Xu J., Zhong B. Review on portable EEG technology in educational research // Computers in Human Behavior. 2018. Vol. 81. P. 340-349.

24. Zhou Y., Xu T., Cai Y.P., Wu X.J., Dong B. Monitoring cognitive workload in online videos learning through an EEG-based brain-computer interface // Learning and Collaboration Technologies. Novel Learning Ecosystems : 4th International Conference, LCT 2017 / P. Zaphiris, A. Ioannou (eds.). Springer, Cham, 2017. P. 64-73. (Lecture Notes in Computer Science. Vol. 10295).

25. Serrhini M., Dargham A. Toward incorporating bio-signals in online education case of assessing student attention with BCI // Europe and MENA Cooperation Advances in Information and Communication Technologies / A. Rocha, M. Serrhini, C. Felgueiras (eds.). Springer, Cham, 2017. P. 135-146. (Advances in Intelligent Systems and Computing. Vol. 520).

26. Александрова Н.А., Черняева Т.Н. Исследование внимания обучающихся в ситуации информационно-технологического прорыва в образовании // Сибирский педагогический журнал. 2019. № 1. C. 130-138.

27. Lin C.S., Lai Y.C., Lin J.C., Wu P.Y., Chang H.C. A novel method for concentration evaluation of reading behaviors with electrical activity recorded on the scalp // Computer Methods and Programs in Biomedicine. 2014. Vol. 114 (2). P. 164-171.

28. Sun J.C.Y., Yeh K.P.C. The effects of attention monitoring with EEG biofeedback on university students' attention and self-efficacy: the case of antiphishing instructional materials // Computers and Education. 2017. Vol. 106. P. 73-82.

29. Mokhtar R., Sharif N., Zin N.A.M., Ihsan S.N. Assessing attention and meditation levels in learning process using brain computer interface // Proceedings of the International Conference on Computer, Communication, and Control Technology. 2017. Vol. 23 (6). P. 5569-5572.

30. Chen C.M., Wang J.Y. Effects of online synchronous instruction with an attention monitoring and alarm mechanism on sustained attention and learning performance // Interactive Learning Environments. 2017. Vol. 25 (4). P. 427-443.

31. Lai C.H., Liu M.C., Liu C.J., Huang Y.M. Using positive visual stimuli to lighten the online learning experience through in class questioning // International Review of Research in Open and Distributed Learning. 2016. Vol. 17 (1). P. 23-41.

32. Huang Y.M., Liu M.C., Lai C.H., Liu C.J. Using humorous images to lighten the learning experience through questioning in class // British Journal of Educational Technology. 2017. Vol. 48 (3). P. 878-896.

33. Wei C.C., Ma M.Y. Influences of visual attention and reading time on children and adults // Reading and Writing Quarterly. 2017. Vol. 33 (2). P. 97-108.

34. Chen C.M., Lin Y.J. Effects of different text display types on reading comprehension, sustained attention and cognitive load in mobile reading contexts // Interactive Learning Environments. 2016. Vol. 24 (3). P. 553-571.

35. Ma M.Y., Wei C.C. A comparative study of children's concentration performance on picture books: Age, gender, and media forms // Interactive Learning Environments. 2016. Vol. 24 (8). P. 1922-1937.

36. Shadiev R., Wu T.T., Huang Y.M. Enhancing learning performance, attention, and meditation using a speech-to-text recognition application: Evidence from multiple data sources // Interactive Learning Environments. 2017. Vol. 25 (2). P. 249-261.

37. Wang C.C., Hsu M.C. An exploratory study using inexpensive electroencephalography (EEG) to understand flow experience in computer-based instruction // Information and Management. 2014. Vol. 51 (7). P. 912-923.

38. Chen C.M., Wu C.H. Effects of different video lecture types on sustained attention, emotion, cognitive load, and learning performance // Computers and Education. 2015. Vol. 80. P. 108-121.

39. Serrhini M. BCI sensor as ITS for controlling student attention in online experimentation // Online experimentation: emerging technologies and IOT // M.T. Restivo, A. Cardoso, A.M. Lopes (eds.). Barcelona : International Frequency Sensor Association (IFSA) Publishing, 2015. P. 83-102.

40. Lucchiari C., Folgieri R. The role of text color in learning: a Brain Computer Interface study // International Journal of Psychology. 2016. Vol. 51. P. 195-195.

41. Andujar M., Gilbert J.E. Let's learn!: enhancing user's engagement levels through passive brain-computer interfaces // Proceeding CHI '13 Extended Abstracts on Human Factors in Computing Systems. 2013. P. 703-708.

42. Ghergulescu I., Muntean C.H. ToTCompute: a novel EEG-based TimeOnTask Threshold computation mechanism for engagement modelling and monitoring // International Journal of Artificial Intelligence in Education. 2016. Vol. 26 (3). P. 821-854.

43. Lin F.-R., Kao Ch.-M. Mental effort detection using EEG data in E-learning contexts // Computers and Education. 2018. Vol. 122. P. 63-79.

44. Станкевич Л.А., Аманбаева С.С., Самочадин А.В. Оценка уровня умственной работоспособности учащихся на основе анализа сигналов ЭЭГ // Научно-технические ведомости СПбГПУ. Информатика. Телекоммуникации. Управление. 2018. Т. 11, № 4. С. 151-161.

45. Verkijika S.F., De Wet L. Using a brain-computer interface (BCI) in reducing math anxiety: Evidence from South Africa // Computers and Education. 2015. Vol. 81. P. 113-122.

46. Костромина С.Н., Прокофьева В.В., Гнедых Д.С., Королева М.Е. Психофизиологический мониторинг экзаменационного стресса у школьников // Психологические исследования. 2015. Т. 8, № 43. С. 7.

47. Moreno Cueva L.A., Pena Cortйs C.A., Maestre Delgado M., Caicedo Villamizar S.G., Pardo Garda A. Registro de neurosenales con una interfaz cerebro-computador para esti- mar el nivel estrйs en un estudiante durante una clase // INGE CUC. 2017. Vol. 13, № 2. P. 95-101.

48. Sorudeykin K.A. An educative brain-computer interface // IEEE East-West Design and Test International Symposium, Moscow, September, 2009. URL: https://arxiv.org/ftp/ arxiv/papers/1003/1003.2660.pdf

49. Tan D., Nijholt A. Brain-Computer Interfaces and Human-Computer Interaction // Brain- Computer Interfaces / D. Tan, A. Nijholt (eds.). London : Springer, 2010. P. 3-18. (Human-Computer Interaction Series).

50. Grimes D., Tan D.S., Hudson S.E., Shenoy P., Rao R.P. Feasibility and pragmatics of classifying working memory load with an electroencephalograph // Proceeding of the Twenty-Sixth Annual SIGCHI Conference on Human Factors in Computing Systems (Florence, Italy, 2008). New York : ACM, 2008. P. 835-844.

51. Tzovara A., Murray M.M., Bourdaud N., Chavarriaga R., Millan J.d.R., De Lucia M. The timing of exploratory decision-making revealed by single-trial topographic EEG analyses // Neuroimage. 2012. Vol. 60. P. 1959-1969.

52. Ferrez P.W., del Millan R. Error-related EEG potentials generated during simulated brain- computer interaction // IEEE Trans Biomed Eng. 2008.Vol. 55 (3). P. 923-929.

53. Heidrich R., Branco M.A., Mossmann J.B., Schuh A., Jensen E. Development of BCI based softwares to assist People with mobility limitations in the school inclusion process // Proceedings of the 17th international ACM SIGACCESS conference on computers & accessibility. New York : ACM, 2015. P. 397-398.

54. Mehmood R.M., Lee H.J. Towards building a computer aided education system for special students using wearable sensor technologies // Sensors. 2017. Vol. 17 (2). P. 317.

55. Нейроинтерфейсы для речевой коммуникации // Глобальные технологические тренды. Трендлеттер // Медицина и здравоохранение. 2016. № 2. URL: https://issek.hse.ru/ trendletter/news/174161494.html

56. Каплан А.Я., Кочетова А.Г., Шишкин С.Л., Басюл И.А., Ганин И.П., Васильев А.Н., Либуркина С.П. Экспериментально-теоретические основания и практические реализации технологии «Интерфейс мозг-компьютер» // Бюллетень сибирской медицины. 2013. № 12 (2). C. 21-29.

57. Wronkiewicz M., Larson E., Lee A.K.C. Leveraging anatomical information to improve transfer learning in brain-computer interfaces // Journal of neural engineering. 2015. Vol. 12 (4). URL: https://www.ncbi.nlm.nih.gov/ pmc/articles/PMC4527978/pdf/nihms710701.pdf

58. Nakanishi M., Wang Y.J., Jung T.P. Session-to-session transfer in detecting steady-state visual evoked potentials with individual training data // Foundations of Augmented Cognition: Neuroergonomics and Operational Neuroscience. AC 2016 / D. Schmorrow, C. Fidopiastis (eds.). Springer, Cham, 2016. (Lecture Notes in Computer Science. Vol. 9743).

59. Волкова К.В., Дагаев Н.И., Киселев А.С., Касумов В.Р., Александров М.В., Осадчий А.Е. Интерфейс «мозг-компьютер»: опыт построения, использования и возможные пути повышения рабочих характеристик // Журнал высшей нервной деятельности им. И.П. Павлова. 2017. Т. 67, № 4. С. 504-520.

60. Mьhl C., Allison B., Nijholt A., Chanel G. A survey of affective brain computer interfaces: principles, state-of-the-art, and challenges // Brain-Computer Interfaces. 2014. Vol. 1 (2). P. 66-84.

61. Кирьянов Д.А., Каплан Д.А. Распознавание когнитивных потенциалов на целевые стимулы в интерфейсе «мозг-компьютер» на основе ансамбля классификаторов // Наука и инновации в медицине. 2016. № 3 (3). C. 28-32.

62. Boksem A.S., Meijman T.F., Lorist M.M. Effects of mental fatigue on attention: an ERP study // Cognitive Brain Research. 2005. Vol. 25 (1). P. 107-116.

63. Engell-Nielsen T., Glenstrup A.J., Hansen J.P. Eye gaze interaction: A new media - not just a fast mouse // Handbook of Human Factors / Ergonomics / K. Itoh, A. Komatsubara,

S. Kuwano (eds.). Tokyo : AsakuraPublishing, 2003. P. 445-455.

64. Nilsson S., Gustafsson T., Carleberg P. Hands free interaction with virtual information in a real environment // Proceedings of COGAIN 2007, Leicester, UK, 2007. P. 53-57.

65. Sibert L.E., Jacob R.J.K. Evaluation of eye gaze interaction // Proceedings of the SIGCHI Conference on Human Factors in Computing Systems. New York : ACM Press, 2000. P. 281-288.

66. Величковский Б.Б., Румянцев М.А., Морозов М.А. Новый подход к проблеме «Прикосновения Мидаса»: идентификация зрительных команд на основе выделения фокальных фиксаций // Вестник Московского университета. Сер. 14. Психология. 2013. № 3. C. 33-45.

67. Vilimek R., Zander T.O. BC(eye): Combining eye-gaze input with brain-computer interaction // Proceedings of the HCII 2009. Heidelberg : Springer, 2009. P. 593-602.

68. Пронина А.С., Григорян Р.К., Каплан А.Я. Движения глаз человека при наборе текста в интерфейсе мозг-компьютер на основе потенциала П300: эффект размера стимула и расстояния между стимулами // Вестник Московского университета. Сер. 14. Психология. 2018. № 4. C. 120-134.

69. Van Erp J.B.F., Brouwer A.-M. Touch-based Brain Computer Interfaces: State of the art // IEEE Haptics Symposium (HAPTICS), 23-26 Feb. 2014. P. 397-401.

70. Лукоянов М.В., Гордлеева С.Ю., Пимашкин А.С., Григорьев Н.А., Савосенков А.В., Мотайло А., Казанцев В.Б., Каплан А.Я. Эффективность интерфейсов мозг- компьютер на основе представления движений с тактильной и визуальной обратной связью // Физиология человека. 2018. № 44 (3). C. 53-61.

71. Hamada K., Mori H., Shinoda H., Rutkowski T.M. Airborne ultrasonic tactile display BCI // Brain-Computer Interface Research: a State-of-the-Art, Summary 4 / C. Guger, G. Mueller-Putz, B. Allison (eds.). Springer International Publishing, 2015. P. 57-65. (SpringerBriefs in Electrical and Computer Engineering).

72. White S.W., Richey J.A., Gracanin D., Coffman M., Elias R., LaConte S., Ollendick T.H. Psychosocial and computer-assisted intervention for college students with autism spectrum disorder: preliminary support for feasibility // Education and Training in Autism and Developmental Disabilities. 2016. Vol. 51 (3). P. 307-317.

73. Lim C.G., Lee T.S., Guan C.T., Fung D.S., Zhao Y., Teng S.S.W., Zhang H.K. Krish- nan R.R. A brain-computer interface based attention training program for treating attention deficit hyperactivity disorder // PLoS ONE. 2012. Vol. 7 (10). Article 46692.

74. Ali A., Puthusserypady S. A 3D learning playground for potential attention training in ADHD: a Brain Computer Interface approach // 37th annual international conference of the IEEE Engineering in Medicine and Biology Society (EMBC). 2015. P. 67-70.

75. Zammouri A., Moussa A.A., Mebrouk Y. Brain-computer interface for workload estimation: Assessment of mental efforts in learning processes // Expert Systems with Applications. 2018. Vol. 112. P. 138-147.

76. Endsley M.R. Toward a theory of situation awareness in dynamic systems // Human Factors. 1995. Vol. 37. P. 32-64.

77. Berka C., Levendowski D.J., Davis G., Whitmoyer M., Hale K., Fuchs S. Objective measures of situational awareness using neurophysiology technology // Augmented Cognition: Past, Present and Future. 2006. P. 145-154.

78. Yeo L.G., Sun H., Liu Y., Trapsilawati F., Sourina O., Chen C.-H., Mьller-Wittig W., Ang W.T. Mobile EEG-based situation awareness recognition for air traffic controllers // IEEE International Conference on Systems, Man, and Cybernetics (SMC) (Banff, AB). 2017. P. 3030-3035.

79. Kostromina S.N., Mkrtychian N.A., Kurmakaeva D.M., Gnedykh D.S. The interrelationship between cognitive control and academic success of first-year students: an interdisciplinary study // Psychology in Russia: State of the Art. 2017. Vol. 10 (4). P. 60-75.

80. Carreiras M., Monahan P.J., Lizarazu M., Dunabeitia J.A., Molinaro N. Numbers are not like words: Different pathways for literacy and numeracy // NeuroImage. 2015. Vol. 118. P. 79-89.

81. Zakaria E., Zain N.M., Ahmad N.A., Erlina A. Mathematics anxiety and achievement among secondary school students // American Journal of Applied Sciences. 2012. Vol. 9 (11). P. 1828-1832.

82. Kostromina S., Gnedykh D., Molodtsova G.A. Psycho-Pedagogical Model for Evaluating Effectiveness of Students' Learning on the Basis of Electronic Visual Rows // Optimizing Human-Computer Interaction With Emerging Technologies. Hershey, PA: IGI Global, 2017. P. 183-209.

References

1. Wolpaw, J.R., Birbaumer, N., Heetderks, W.J., McFarland, D.J., Peckham, P.H., Schalk,

G., Donchin, E., Quatrano, L.A., Robinson, C.J. & Vaughan, T.M. (2000) Brain- Computer Interface Technology: A review of the First International Meeting. IEEE Transactions on Rehabilitation Engineering. 8(2). pp.164-173.

2. Kьbler, A. & Mьller, K.R. (2007) An introduction to brain computer interfacing. In: Dorn

hege, G., Millan, J. del R., Hinterberger, T., McFarland, D. & Mьller, K.R. (eds) Toward Brain-Computer Interfacing. Cambridge, MA: MIT Press. pp. 1-25.

3. Wolpaw, J.R. & Wolpaw, E.V. (2012) Brain-computer interfaces: Principles and practice.

New York: Oxford University Press.

4. Zaharija, G., Bogunovic, P. & Mladenovic, S. (2018) Brain computer interface in enhanced

learning system. Proceedings of 12th International Technology, Education and Development Conference. pp. 198-205.

5. Mak, J.N. & Wolpaw, J.R. (2009) Clinical applications of brain-computer interfaces:

Current state and future prospects. IEEE Review of Biomedical Engineering. 2. pp. 187-199.

6. Zhang, J., Jadavji, Z., Zewdie, E. & Kirton, A. (2019) Evaluating If Children Can Use Simple Brain Computer Interfaces. Frontiers in Human Neuroscience. 13(24). Perepelkina, O., Vasiliev, A., Liburkina, S., Ganin, I. & Kaplan, A. (2015) [Assessing Motor Imagery BCI Performance in Patients with Motor Disabilities: A Pilot Study]. In: Pechenkova,

7. E.V. & Falikman, M.V. (eds) Kognitivnaya nauka v Moskve: novye issle- dovaniya [Cognitive Science in Moscow: New Research]. Moscow: Buki Vedi. pp. 346351. (In Russian).

8. Kaplan, A. (2016) Neyrofiziologicheskie osnovaniya i prakticheskie realizatsii tekhnologiimozg-mashinnykh interfeysov v nevrologicheskoy reabilitatsii [Neurophysiological foundations and practical implementations of brain-machine interface technology in neurological rehabilitation]. Fiziologiya cheloveka - Human Physiology. 42(1). pp. 118-127. Naros, G. & Gharabaghi, A. (2015) Reinforcement learning of self-regulated oscillations

for motor restoration in chronic stroke. Frontiers in Human Neuroscience. 9(391). Kotov, S.V., Turbina, L.G., Bobrov, R.D., Frolov, A.A., Pavlova, O.G., Kurganskaya, M.E. & Biryukova, E.V. (2015) The use of a complex “brain-computer interface and exo-skeleton” and movement imagination technique for post-stroke rehabilitation. Al'manakh klinicheskoy meditsiny - Almanac of Clinical Medicine. 39. pp. 15-21. (In Russian).

9. Lyukmanov, R.Kh., Aziatskaya, G.A., Mokienko, O.A., Varako, N.A., Kovyazina, M.S., Suponeva, N.A., Chernikova, L.A., Frolov, A.A. & Piradov, M.A. (2018) Post-stroke rehabilitation training with a brain-computer interface: a clinical and neuropsychological study. Zhurnal nevrologii i psikhiatrii im. S.S. Korsakova - S.S. Korsakov Journal of Neurology and Psychiatry. 118(8). pp. 43-51. (In Russian).

10. Comaniciu, A. & Najafizadeh, L. (2018) Enabling communication for locked-in syndrome patients using deep learning and an emoji-based brain computer interface. IEEE Biomedical Circuits and Systems Conference (BioCAS) - Advanced Systems for Enhancing Human Health. Cleveland, OH, October 17-19, 2018. pp. 41-44.

11. Van Erp, J., Lotte, F. & Tangermann, M. (2012) Brain-Computer Interfaces: Beyond Medical Applications. Computer. 45(4). pp. 26-34.

12. Abdulkader, S.N., Atia, A. & Mostafa, M.-S.M. (2015) Brain computer interfacing: Applications and challenges. Egyptian Informatics Journal. 16. pp. 213-230.

13. Gao, S., Wang, Y., Gao, X. & Hong, B. (2014) Visual and auditory brain-computer interfaces. IEEE Transactions on Biomedical Engineering. 61(5). pp. 1436-1447.

14. Wang, Y.T., Wang, Y. & Jung, T.P. (2011) A cell-phone-based braine-computer interface for communication in daily life. Journal of Neural Engineering. 8(2). pp. 1-5.

15. Ungureanu, F. & Lupu, R.G. (2015) The assessment of learning emotional state using EEG headsets. Proceedings of 11th International Scientific Conference on eLearning and Software for Education. pp. 587-593.

16. Zander, T.O., Kothe, C., Jatzev, S. & Gaertner, М. (2010) Enhancing human-computer interaction with input from active and passive brain-computer interfaces In: Tan, D. &Nijholt, A. (eds) Brain-Computer Interfaces. Human-Computer Interaction Series. London: Springer. pp. 181-199.

17. Asteriadis, S., Tzouveli, P., Karpouzis, K. & Kollias, S. (2009) Estimation of behavioral user state based on eye gaze and head pose--application in an e-learning environment. Multimed Tools Application. 41. pp. 469-493. Park, N., Zhu, W., Jung, Y., McLaughlin, M. & Jin, S. (2005) Utility of haptic data in recognition of user state. Proceedings of HCI International. 11. [Online] Available from: https://pdfs.semanticscholar.org/e0ffl/c5cca081b810b2319811f296a5d811583a97.pdf

18. Bordovskaya, N.V. & Kostromina, S.N. (2013) Educational psychology in the modern world. Vestnik Sankt-Peterburgskogo universiteta. Psikhologiya. Pedagogika - Vestnik of Saint Petersburg University. Psychology. 16(2). pp. 67-78. (In Russian).

19. Lance, B.J., Kerick, S.E., Ries, A.J., Oie, K.S. & McDowell, K. (2012) Brain-Computer interface technologies in the coming decades. Proceedings of the IEEE. Special Centennial Issue. 100. pp. 1585-1599.

20. Cinel, C., Valeriani, D. & Poli, R. (2019) Neurotechnologies for human cognitive augmentation: Current state of the art and future prospects. Frontiers in Human Neuroscience. 13(13).

21. Xu, J. & Zhong, B. (2018) Review on portable EEG technology in educational research. Computers in Human Behavior. 81. pp. 340-349.

22. Zhou, Y., Xu, T., Cai, Y.P.., Wu, X.J. & Dong, B. (2017) Monitoring cognitive workload in online videos learning through an EEG-based brain-computer interface. In: Zaphiris, P. & Ioannou, A. (eds) Learning and Collaboration Technologies. Novel Learning Ecosystems. LCT 2017. Lecture Notes in Computer Science. V. 10295. Springer, Cham. pp. 64-73.

23. Serrhini, M. & Dargham, A. (2017) Toward incorporating bio-signals in online education case of assessing student attention with BCI. In: Rocha, A., Serrhini, M. & Felgueiras, C. (eds) Europe and MENA Cooperation Advances in Information and Communication Technologies. Advances in Intelligent Systems and Computing. V. 520. Springer, Cham. pp. 135-146.

24. Aleksandrova, N.A. & Chernyaeva, T.N. (2019) Study attention of students in a situation of information-a technological breakthrough in education. Sibirskiy pedagogicheskiy zhurnal - Siberian Pedagogical Journal. 1. pp. 130-138. (In Russian).

25. Lin, C.S., Lai, Y.C., Lin, J.C., Wu, P.Y. & Chang, H.C. (2014) A novel method for concentration evaluation of reading behaviors with electrical activity recorded on the scalp. Computer Methods and Programs in Biomedicine. 114(2). pp. 164-171.

26. Sun, J.C.Y. & Yeh, K.P.C. (2017) The effects of attention monitoring with EEG biofeedback on university students' attention and self-efficacy: The case of antiphishing instructional materials. Computers and Education. 106. pp. 73-82.

27. Mokhtar, R., Sharif, N., Zin, N.A.M. & Ihsan, S.N. (2017) Assessing attention and meditation levels in learning process using brain computer interface. Proceedings of the International Conference on Computer, Communication, and Control Technology. 23(6). pp. 5569-5572.

28. Chen, C.M. & Wang, J.Y. (2017) Effects of online synchronous instruction with an attention monitoring and alarm mechanism on sustained attention and learning performance. Interactive Learning Environments. 25(7).

29. Lai, C.H., Liu, M.C., Liu, C.J. & Huang, Y.M. (2016) Using positive visual stimuli to lighten the online learning experience through in class questioning. International Review of Research in Open and Distributed Learning. 17(1). pp. 23-41.

30. Huang, Y.M., Liu, M.C., Lai, C.H. & Liu, C.J. (2017) Using humorous images to lighten the learning experience through questioning in class. British Journal of Educational Technology. 48(3). pp. 878-896

31. Wei, C.C. & Ma, M.Y. (2017) Influences of visual attention and reading time on children

and adults. Reading and Writing Quarterly. 33(2). pp. 97-108. Chen, C.M. & Lin, Y.J. (2016) Effects of different text display types on reading comprehension, sustained attention and cognitive load in mobile reading contexts. Interactive Learning Environments. 24(3). pp. 553-571.

32. Ma, M.Y. & Wei, C.C. (2016) A comparative study of children's concentration performance on picture books: Age, gender, and media forms. Interactive Learning Environments. 24(8). pp. 1922-1937.

33. Shadiev, R., Wu, T.T. & Huang, Y.M. (2017) Enhancing learning performance, attention,

and meditation using a speech-to-text recognition application: Evidence from multiple data sources. Interactive Learning Environments. 25(2). pp. 249-261. Wang, C.C. & Hsu, M.C. (2014) An exploratory study using inexpensive electroencephalography (EEG) to understand flow experience in computer-based instruction. Information and Management. 51(7). pp. 912-923.

34. Chen, C.M. & Wu, C.H. (2015) Effects of different video lecture types on sustained attention, emotion, cognitive load, and learning performance. Computers and Education. 80. pp. 108-121.

35. Serrhini, M. (2015) BCI sensor as ITS for controlling student attention in online experimentation. In: Restivo, M.T., Cardoso, A. & Lopes, A.M. (eds) Online experimentation: emerging technologies and IOT. Barcelona (Spain): International Frequency Sensor Association (IFSA) Publishing, S. L. pp. 83-102.

36. Lucchiari, C. & Folgieri, R. (2016) The role of text color in learning: A Brain Computer Interface study. International Journal of Psychology. 51. pp. 195-195.

37. Andujar, M. & Gilbert, J.E. (2013) Let's learn!: enhancing user's engagement levels through passive brain-computer interfaces. Proceeding CHI '13 Extended Abstracts on Human Factors in Computing Systems. pp. 703-708.

38. Ghergulescu, I. & Muntean, C.H. (2016) ToTCompute: A novel EEG-based TimeOnTask Threshold computation mechanism for engagement modelling and monitoring. International Journal of Artificial Intelligence in Education. 26(3). pp. 821-854.

39. Lin, F.-R. & Kao, Ch.-M. (2018) Mental effort detection using EEG data in E-learning contexts. Computers and Education. 122. pp. 63-79.

40. Stankevich, L.A., Amanbaeva, S.S. & Samochadin, A.V. (2018) Otsenka urovnya umstvennoy rabotosposobnosti uchashchikhsya na osnove analiza signalov EEG [Evaluation of students' mental performance level based on eeg signal analysis]. Nauchno- tekhnicheskie vedomosti SPbGPU. Informatika. Telekommunikatsii. Upravlenie - Computing, Telecommunications and Control. 11(4). pp. 151-161

41. Verkijika, S.F. & De Wet, L. (2015) Using a brain-computer interface (BCI) in reducing math anxiety: Evidence from South Africa. Computers and Education. 81. pp. 113-122.

42. Kostromina, S.N., Prokofeva, V.V., Gnedykh, D.S. & Koroleva, M.E. (2015) Psikhofizio- logicheskiy monitoring ekzamenatsionnogo stressa u shkol'nikov [Psychophysiological monitoring of evaluation stress in school children]. Psikhologicheskie issledovaniya - Psychological Studies. 8(43). p. 7. [Online] Available from: http://psystudy.ru (In Russian).

43. Moreno Cueva, L.A., Pena Cortйs, C.A., Maestre Delgado, M., Caicedo Villamizar, S.G. & Pardo Garda, A. (2017) Registro de neurosenales con una interfaz cerebro-computador para estimar el nivel estrйs en un estudiante durante una clase. INGE CUC. 13(2). pp. 95101.

44. Sorudeykin, K.A. (2009) An educative brain-computer interface. IEEE East-West Design and Test International Symposium. Moscow, September, 2009. [Online] Available from: https://arxiv.org/ftp/arxiv/papers/1003/1003.2660.pdf

45. Tan, D. & Nijholt, A. (2010) Brain-Computer Interfaces and Human-Computer Interaction. In: Tan, D. & Nijholt, A. (eds) Brain-Computer Interfaces. Human-Computer Interaction Series. London: Springer. pp. 3--18.

46. Grimes, D., Tan, D.S., Hudson, S.E., Shenoy, P. & Rao, R.P. (2008) Feasibility and pragmatics of classifying working memory load with an electroencephalograph. Proceeding of the Twenty-Sixth Annual SIGCHI Conference on Human Factors in Computing Systems. Florence, Italy, 2008. ACM, New York. pp. 835-844.

47. Tzovara, A., Murray, M.M., Bourdaud, N., Chavarriaga, R., Millan, J.d.R. & De Lucia, M. (2012) The timing of exploratory decision-making revealed by single-trial topographic EEG analyses. Neuroimage. 60. pp. 1959-1969.

48. Ferrez, P.W. & del Millan, R. (2008) Error-related EEG potentials generated during simulated brain-computer interaction. IEEE Trans BiomedEng. 55(3). pp. 923-929.

49. Heidrich, R., Branco, M.A., Mossmann, J.B., Schuh, A. & Jensen, E. (2015) Development of BCI based softwares to assist People with mobility limitations in the school inclusion process. Proceedings of the 17th international ACM SIGACCESS Conference on Computers & Accessibility. pp. 397-398.

50. Mehmood, R.M. & Lee, H.J. (2017) Towards building a computer aided education system for special students using wearable sensor technologies. Sensors. 17(2). pp. 317.

51. Anon. (2016) Neyrointerfeysy dlya rechevoy kommunikatsii [The neural interfaces for speech communication]. Globalnye tekhnologicheskie trendy Trendletter Meditsina i zdravookhranenie - Global Technological Trends. Trendsetter. Medicine and Health. 2. [Online] Available from: https://issek.hse.ru/trendletter/news/174161494.html

52. Kaplan, A.Ya., Kochetova, A.G., Shishkin, S.L., Basyul, I.A., Ganin, I.P., Vasilev, A.N. & Liburkina, S.P. (2013) Experimental and theoretical foundations and practical implementation of technology brain-computer interface. Byulleten ' sibirskoy meditsiny - Bulletin of Siberian Medicine. 12(2). pp. 21-29. (In Russian).

53. Wronkiewicz, M., Larson, E. & Lee, A.K.C. (2015) Leveraging anatomical information to improve transfer learning in brain-computer interfaces. Journal of Neural Engineering. 12(4).

54. Nakanishi, M., Wang, Y.J. & Jung, T.P. (2016) Session-to-session transfer in detecting steady-state visual evoked potentials with individual training data. In: Schmorrow, D. & Fidopiastis, C. (eds) Foundations of Augmented Cognition: Neuroergonomics and Operational Neuroscience. AC 2016. Lecture Notes in Computer Science. V. 9743. Springer, Cham.

55. Volkova, K.V., Dagaev, N.I., Kiselev, A.S., Kasumov, V.R., Aleksandrov, M.V. & Osadchiy, A.E. (2017) The brain-computer interface: the experience of building, using, and possible ways to improve performance. Zhurnal vysshey nervnoy deyatel'nosti im. I.P. Pavlova - I.P. Pavlov Journal of Higher Nervous Activity. 67(4). pp. 504-520. (In Russian).

56. Mьhl, C., Allison, B., Nijholt, A. & Chanel, G. (2014) A survey of affective brain computer interfaces: principles, state-of-the-art, and challenges. Brain-Computer Interfaces. 1(2). pp. 66-84.

57. Kiryanov, D.A. & Kaplan, A.Y. (2016) Recognition of cognitive potentials to the target stimuli in the brain-computer interface on the basis of the ensemble of classifiers. Nauka i innovatsii v meditsine - Science & Innovations in Medicine. 3(3). pp. 28-32. (In Russian).

58. Boksem, A.S., Meijman, T.F. & Lorist, M.M. (2005) Effects of mental fatigue on attention: An ERP study. Cognitive Brain Research. 25(1). pp. 107-116.

...