Detecting mind-wandering with machine learning

Afdwalende gedachten in beeld gebracht

Het overkomt ons allemaal wel eens: tijdens ons werk denken we ineens aan iets anders, zoals onze vakantieplannen, een roman of recente gebeurtenissen. Dit losmaken van onze aandacht van de buitenwereld wordt ook dagdromen of mind wandering genoemd. In haar promotieonderzoek zocht Christina Jin naar de oorsprong en neurale correlaten van dit proces.

Om beter te begrijpen hoe gedachten afdwalen is het nuttig om van moment tot moment te kunnen vaststellen of iemands gedachten afdwalen. Daarom ontwikkelde Jin methoden om dagdromen te volgen met behulp van elektro-encefalografie (EEG) data, die ze verwerkte met behulp van machine learning classifiers. Haar doel was te zorgen dat deze algoritmes uiteindelijk in staat zijn om te generaliseren over taken (binnen dezelfde studie), deelnemers en tenslotte tussen studies (experimenten). Drie onafhankelijke studies die in Jin’s proefschrift zijn opgenomen laten zien hoe zulke algoritmes stap voor stap kunnen worden ontwikkeld.

De algoritmes geven laten niet alleen op ieder moment zien in hoeverre iemand aan het dagdromen is, ze geven daarnaast ook aanwijzingen over de hersengebieden die betrokken zijn bij het dagdromen. De resultaten van Jin laten zien dat de P3 EEG component, samen met alfa-golven, het meest behulpzaam zijn om dagdromen te kunnen voorspellen. Zelfs de beste classificatoren bereikten echter een beperkte nauwkeurigheid tijdens generalisatie, wat aantoont dat het een uitdaging is om dergelijke subjectieve mentale toestanden zoals mind wandering of dagdromen te voorspellen.

Het promotieonderzoek van Christine Jin vond plaats bij de afdeling Kunstmatige Intelligentie van het Bernoulli Instituut, met financiering via een beurs van de RUG. Zij werkt nu als postdoc bij het CEA NeuroSpin - INSERM Cognitive Neuroimaging Unit, Cognition & Brain Dynamics Lab in Frankrijk.

Proefschrift: http://hdl.handle.net/11370/e8a679f6-8fbd-436b-8e9e-420fe47fded9