Physical Exercise Effects on University Students’ Attention:An EEG Analysis Approach

Physically active breaks (AB) are currently being proposed as an interesting tool to improve students’ attention. Reviews and meta-analyses confirm their effect on attention, but also warned about the sparse evidence based on vigilance and university students. Therefore, this pilot study aimed to (a) determine the effects of AB in comparison with passive breaks on university students’ vigilance and (b) to validate an analysis model based on machine learning algorithms in conjunction with a multiparametric model based on electroencephalography (EEG) signal features.

Through a counterbalanced within-subject experimental study, six university students (two female; mean age = 25.67, STD = 3.61) had their vigilance performances (i.e., response time in Psycho-Motor Vigilance Task) and EEG measured, before and after a lecture with an AB and another lecture with a passive break. A multiparametric model based on the spectral power, signal entropy and response time has been developed. Furthermore, this model, together with different machine learning algorithms, shows that for the taken signals there are significant differences after the AB lesson, implying an improvement in attention. These differences are most noticeable with the SVM with RBF kernel and ANNs with F1-score of 85% and 88%, respectively.

In conclusion, results showed that students performed better on vigilance after the lecture with AB. Although limited, the evidence found could help researchers to be more accurate in their EEG analyses and lecturers and teachers to improve their students’ attentions in a proper way.

Español

Los descansos activos están comenzando a ser una herramienta muy interesante para la mejora de atención de los estudiantes. Los análisis confirman su efecto sobre la atención, pero también advierten de la escasa evidencia basada en la vigilancia y en los estudiantes universitarios.

El estudio tuvo como objetivo determinar los efectos de los Descansos Activos en comparación con las pausas pasivas, para validar un modelo de análisis basados en algoritmos de aprendizaje automático, con un modelo multiparamétrico basado en electroencefalografías.

A través de este estudio se midió el rendimiento de la vigilancia (es decir, el tiempo de respuesta en la tarea de vigilancia psicomotora y el EGG) de seis estudiantes universitarios, antes y después de una conferencia con un descanso activo y otra sin él.

Se ha desarrollado un modelo multiparamétrico basado en la potencia espectral, la entropía de la señal y el tiempo de respuesta. Además, este modelo junto con diferentes algoritmos de aprendizaje automático, muestra que para las señales tomadas existen diferencias significativas después de los descansos activos, lo que implica una mejora en la atención.

En conclusion, los resultados mostraron que los estudiantes obtuvieron mejores resultados después de un descanso activo. Aunque limitada, aparece la evidencia que podría ayudar a los investigadores a ser más precisos en sus análisis, y a los docentes a mejorar la atención de sus alumnos.

Si quieres leer el artículo completo, clica en el siguiente enlace.