Werkstress vermindering middels neurofeedback met een commerciële EEG-headset

Werkstress vermindering middels

neurofeedback met een commerciële

EEG-headset

Een interdisciplinair literatuuronderzoek naar de toepasbaarheid van

de Emotiv EPOC+ EEG-headset voor stressvermindering in de

werkomgeving

Jori Kleiss, Daan Janse, Falk Sinke & Sophie Schubert Bèta-Gamma bachelor Instituut voor Interdisciplinaire Studies Begeleiding: Post, G. & Keestra, M. Aantal woorden: 6295

21 januari 2018

Abstract

Werkstress is een groot maatschappelijk probleem wat tot hoge kosten leidt voor zowel het bedrijfsleven als de overheid. Een van de potentiële behandelingen is neurofeedback, het trainen van hersengolven middels realtime terugkoppeling van hersenactiviteit. Draagbare EEG-headset technologie stelt de gebruiker in staat zelf neurofeedback trainingen te volgen en daarmee hersenactiviteit te beïnvloeden. Uit dit

literatuuronderzoek blijkt dat een asymmetrie van alpha waves en verhoogde bèta-wave frequenties als gevolg van stress zijn waar te nemen met EEG. Deze zijn middels neurofeedback te verminderen, waardoor stress zou kunnen afnemen. De Emotiv EPOC+ blijkt geschikt om alpha wave asymmetrie te meten, maar niet om de

verhoogde verhoogde bèta-wave frequenties te meten. Als de Emotiv EPOC+ wel geschikt zou zijn, dan zou bij 10 werknemers vanaf 30% succesrate van de behandelingen een positief rendement voor de werkgever op zijn of haar investering leveren. Er worden veranderingen aan de Emotiv EPOC+ voorgesteld en een advies voor dataverwerking om de EEG-headset geschikt te maken voor de behandeling van stress met neurofeedback.

2

Inhoudsopgave

1.Introductie ... Fout! Bladwijzer niet gedefinieerd. 2. Methode ... Fout! Bladwijzer niet gedefinieerd. 3. Resultaten ... Fout! Bladwijzer niet gedefinieerd. 3.1 De stressrespons ... Fout! Bladwijzer niet gedefinieerd.

3.2 Neurofeedback en stressvermindering ... 8

3.3 De Emotiv EPOC+ ... 10

3.4 Neurofeedback training met een app ... 13

3.5 Theoretisch Casus Emotiv EPOC+ ... 13

4. Conclusie & Discussie ... 17

5. Advies... 19

3

1. Introductie

Werkstress is de belangrijkste beroepsziekte in Nederland en daarmee een groot maatschappelijk probleem. Eén op de acht werknemers ervaart psychische en lichamelijke klachten als gevolg van stress op het werk, wat het Nederlandse bedrijfsleven in 2016 €2 miljard heeft gekost wegens ziekmelding (TNO, 2017; Van de Velde, 2014).

Het is dus voor zowel werknemers als werkgevers van belang werkstress te verminderen. De definitie van werkstress die in dit onderzoek gehanteerd zal worden is ‘stress door of in de

werkomgeving’. Hierbij wordt stress veroorzaakt door stressfactoren zoals een hoge werkdruk, hoge (interne) verwachtingen of het gevoel van controleverlies. Werkstress wordt als problematisch ervaren wanneer de stress voor langere tijd aanhoudt en voor psychologische en fysieke klachten zorgt. Het langdurige aanhouden van stress, waardoor er een grote geestelijke druk en spanning ontstaat, wordt ook wel gedefinieerd als chronische stress. Voor dit onderzoek zal er dus vooral gekeken worden naar chronische werkstress (Peter & Siegrist, 1997; Steinhardt, Smith Jaggars, Faulk & Gloria, 2011).

Er zijn reeds behandelingen tegen werkstress waaronder mindfulness training, stress- en time-management training, adem- en ontspanningstherapie en psychologische coaching (Leka, Griffiths & Cox, 2003). Deze methoden vereisen echter begeleiding van een expert en zijn daardoor kostbaar en tijdrovend. Bovendien is de effectiviteit niet direct te kwantificeren (Reynolds & Sahpiro, 1991; Leka et al., 2003).

Een potentiële toevoeging aan het spectrum van behandelmethoden is neurofeedback; een techniek waarbij men de hersenactiviteit real-time meet middels elektro-encefalografie (EEG), visueel weergeeft en middels operant conditionering (met behulp van auditieve of visuele cues) traint om een bepaald gewenst patroon aan te nemen. De gebruiker krijgt tijdens de training directe feedback op zijn prestaties en leert hiermee hersenactiviteit in een bepaald frequentiebereik (gerelateerd aan stress) te verminderen en in een ander frequentiebereik (gerelateerd aan een wenselijke

gemoedstoestand) te versterken (Sherlin et al., 2011). Echter maakt traditionele EEG gebruik van een op een meetcomputer aangesloten elektroden-cap, waarbij een gel wordt ingespoten die contact tussen de hoofdhuid en de elektroden faciliteert. Deze techniek is plaatsgebonden en vereist aanwezigheid van een expert die de cap aanbrengt, de metingen verricht en de data analyseert (Niedermeyer & da Silva, 2005). Dit is voor toepassing in de werkomgeving beperkend en daarmee geen mogelijke oplossing voor de benodigdheid van een expert en de hieraan verbonden kosten. Een oplossing voor deze problemen zou een draagbare EEG-headset kunnen zijn, die

4 draagbaar apparaat, zoals een smartphone, en kan metingen verrichten tijdens alledaagse

bezigheden. De inkomende data over de hersenactiviteit wordt hierbij direct geanalyseerd en kan via een applicatie real-time worden weergegeven. Hiermee kan de gebruiker neurofeedbacktraining thuis of op het werk uitoefenen zonder begeleiding van een expert (Campbell et al., 2010).

Binnen de wetenschappelijke gemeenschap wordt betwijfeld of een EEG-headset accuraat genoeg is om inzichten te geven over de werkelijke hersenactiviteit en of men hierover door middel van een neurofeedback-app controle kan krijgen. Zo is onder meer de vraag of een EEG-headset over genoeg elektrodes beschikt en of deze elektrodes gevoelig genoeg zijn om de minieme veranderingen in hersenactiviteit waar te nemen. Ook wordt betwijfeld of de beperkte hoeveelheid data die een EEG-headset levert genoeg informatie bevat om uitspraken te doen over het verschil in hersenactiviteit bij stress en non-stress (Rettner, 2016; de Jager, 2013).

In dit onderzoek zal dan ook onderzocht worden wat de geschiktheid van een commerciële EEG-headset is voor stressdetectie en toepasbaarheid voor neurofeedbacktraining in de

werkomgeving. Hierbij is gekozen voor de Emotiv EPOC+, welke bruikbaar is voor zowel commerciële doeleinden als wetenschappelijk onderzoek en uit een vergelijkend onderzoek als beste commerciële EEG-headset is aangewezen (Ekandem et al., 2012; Stamps & Hamam, 2010). Er is nog geen

wetenschappelijk onderzoek verricht waaruit blijkt dat de Emotiv EPOC+ specifiek stress kan

verminderen. Echter zijn er wel onderzoeken geweest die aantonen dat neurofeedback middels een wetenschappelijke EEG stress kan verminderen middels neurofeedback en specifieke hersengolven kan trainen. De hoofdvraag die in dit onderzoek wordt gesteld is dan ook: In hoeverre kan werkstress worden verminderd middels neurofeedback met behulp van de Emotiv EPOC+?

Om deze vraag te kunnen beantwoorden is het van belang om allereerst te kijken naar de fysiologische stressreactie en hoe dit bepaalde hersenactiviteit teweegbrengt. Vervolgens wordt er gekeken of neurofeedback kan aangrijpen op de hersenactiviteit die met stress gepaard gaat aan de hand van onderzoeken met een wetenschappelijke EEG. Daarna zal de Emotiv EPOC+ beschreven worden en worden vergeleken met de wetenschappelijke EEG. Op deze manier kan er worden besloten of deze technologie van de EEG-headset accuraat genoeg is om een stress te kunnen verminderen. Aan de hand van een casus zal berekend worden of het voor een bedrijf rendabel is om de Emotiv EPOC+ aan te schaffen om stress onder werknemers te verminderen. Tot slot zal er advies worden gegeven wat er mogelijk verbeterd kan worden aan de Emotiv EPOC+.

5

2. Methode

Dit onderzoek betreft een literatuurstudie. Hierbij is kennis uit peer-reviewed onderzoeken vanuit verschillende disciplines aangehaald om de deelvragen te beantwoorden en daarmee tot een antwoord op de hoofdvraag te komen.

Neurowetenschappelijke inzichten vanuit de Neurobiologie worden gebruikt om de werkingsmechanismen achter stress te doorgronden en om te bepalen hoe stress detecteerbaar is middels EEG. Kennis uit Brein en Cognitie zal worden gebruikt om de werking van neurofeedback te bepalen. Kunstmatige Intelligentie kan inzichten verschaffen in de dataverwerking van headset-EEG-data en de implementatie en visualisatie van deze headset-EEG-data in een neurofeedback app. Met kennis uit de bedrijfskunde zal een casus worden opgesteld waarmee de rendabiliteit van neurofeedbacktraining met de Emotiv EPOC+.

De deelconclusies van de vragen worden met elkaar verbonden om zo uiteindelijk tot de eindconclusie te komen. Dit wordt aan de hand van de integratiestrategie add gedaan (Keestra, 2016). Het uiteindelijke antwoord op de hoofdvraag kan alleen gevonden worden door de antwoorden conclusies van de deelvragen aan elkaar toe te voegen. Het verslag heeft een stapelende structuur, waarbij antwoorden van voorgaande deelvragen nodig zijn voor beantwoording van de volgende vraag.

Na het beantwoorden van de hoofdvraag zal er aan de hand van de gevonden resultaten een advies worden gegeven. Dit advies zal vooral door de disciplines Brein en Cognitie en Kunstmatige Intelligentie gegeven worden. Allereerst wordt er aan de hand van de kennis vanuit Brein en Cognitie gekeken naar de elektrodes en mogelijke wijzigingen om specifieke hersengolven te kunnen meten. Dit advies zal voortkomen uit de deelconclusie van de deelvraag of neurofeedback stress kan

verminderen. Met kennis vanuit de Kunstmatige Intelligentie zal de Emotiv EPOC+ worden beoordeeld op bruikbaarheid en zal een advies gegeven worden voor een mogelijke neurofeedback app en een algoritme om stress in real-time te detecteren.

6

3. Resultaten

3.1 De stressrespons

Het menselijk lichaam is constant onderhevig aan veranderingen van omgeving welke invloed hebben op zijn fysiologische balans. Deze balans staat onder invloed van het autonome zenuwstelsel, wat glad spierweefsel en klieren en daarmee interne organen aanstuurt. Hiermee controleert het onder andere de zuurstofopname in de longen, de hartslag, afgifte van adrenaline en vertering. Binnen het

autonome zenuwstelsel wordt er onderscheidt gemaakt tussen het sympathische en het

parasympathische zenuwstelsel. Het sympatische zenuwstelsel staat centraal voor actie en stimuleert fight-or-flight activiteiten, waarbij afname van verteringsactiviteit, toename van hartslag en

zuurstofopname en verhoogde afgifte van glucose en adrenaline zorgen voor een verhoogde alertheid en hoeveelheid beschikbare energie. Het parasympatische zenuwstelsel daarentegen stimuleert tegengestelde rest-and-digest acties waardoor het lichaam een staat van rust behoudt en processen als vertering worden gestimuleerd en de hartslag het rustniveau bereikt (Seo & Lee, 2010; Hoffmann, 2005).

Stressfactoren initiëren een acute stressrespons in het brein door activatie van de

hypothalamus-hypofyse-bijnier-as (HPA-as, naar de Engelse vertaling). Deze HPA-as faciliteert interne fysiologische verandering als reactie op veranderingen in de omgeving en stimuleert daarmee sympatische fight-or-flight activiteit. Zo leidt stress tot afgifte van adrenaline (wat voor een hogere glucose- en daarmee energiebeschikbaarheid voor de fight-or-flight respons verzorgt) , een verhoogde hartslag, maar ook tot afgifte van cortisol (ook wel bekend als het ‘stress-response-hormoon’). Dit hormoon, wat als duidelijke biomarker voor stress fungeert, faciliteert afbraak van spiereiwitten tot aminozuren waarmee vervolgens glucose geproduceerd wordt waarmee het lichaam in staat is terug te keren in homeostase (Seo & Lee, 2010; ).

Normaliter handhaaft het lichaam een balans tussen activiteit van het sympatische en parasympatische zenuwstelsel. Na een acute stressrespons herstelt het lichaam zich door parasympatische activiteit te stimuleren en brengt daarmee onder andere de hartslag en HPA-as activiteit en daarmee de afgifte van cortisol omlaag. Chronische blootstelling aan stressfactoren daarentegen leidt tot neuroplasticiteit in verschillende aan stress gerelateerde hersengebieden, waaronder de prefrontale cortex (PFC). De PFC reageert op stressfactoren en moduleert de reactie hierop door activatie van de HPA-as (Cerqueira, Almeida & Sousa, 2009). Een chronisch verhoogd cortisolgehalte faciliteert de versterking van verbindingen tussen de PFC en de HPA-as, wat leidt tot verminderde feedback van de PFC naar de HPA-as waardoor deze langer actief blijft na blootstelling aan stressfactoren. In andere hersengebieden gerelateerd aan stress leidt neuroplasticiteit tot verhoogde prikkelbaarheid van de HPA-as, verminderde geheugencapaciteit en angst (Ulrich-Lai &

7 Herman, 2009). Verhoogde HPA-as activiteit en het daarmee gepaard gaande verhoogde

cortisolgehalte is bovendien gerelateerd aan een verhoogde bloeddruk, zorgt mede voor slaapprobleem en onderdrukt het immuunsysteem. Ook leidt het tot perspectief-vernauwing, rumineren (wat verder bijdraagt aan slaapproblemen) en verminderde cognitieve capaciteiten (Barlow, 2007).

De afwijkende hersenactiviteit als gevolg van stress is waar te nemen middels EEG; hierbij wordt de mate van activiteit gekwantificeerd als de frequentie van de hersengolven. Om stress middels EEG te meten, is het dus van belang te weten in welke hersengebieden een afwijkend EEG patroon is waar te nemen. Afhankelijk van het interessegebied worden elektroden volgens het internationale 10-20 EEG systeem geplaatst in de elektroden cap (zie Figuur 1).

Figuur 1: visuele representatie van de locaties voor elektrodeplaatsing volgens het internationale 10-20 systeem.

Bron: Klem, Lüders, Jasper & Elger (1999).

Een in de literatuur meermaals terugkomende indicator van stress is alpha wave asymmetrie in de prefrontale cortex (Coan & Allen, 2004; Lewis, Weeks & Wang, 2007). Hierbij zijn de alpha wave golfpatronen (8-13 Hz) in de linker- en rechter hersenhelft van een hersendeel asymmetrisch, wat is waar te nemen als twee ongelijke EEG golfpatronen (Mazaheri & Jensen, 2010; Craig, 2005). In eerder onderzoek naar de alpha wave asymmetrie als gevolg van stress werden elektroden mid-frontaal en lateraal-frontaal geplaatst (Brouwer et al., 2011); op F3/F4 en F7/F8, respectievelijk.

Een tweede indicator van stress is verhoogde bèta wave frequentie en amplitude in de prefrontale cortex (Seo & Lee, 2010; Thompson & Thompson, 2007; Hoffmann, 2005). Een sympatische

fight-or-8 flight respons zorgt er namelijk voor dat de hersenactiviteit van lage alpha-waves/theta-waves (5-13 Hz) naar hoge frequentie bèta-waves (19-36 Hz) verandert (Seo & Lee, 2010). In onder andere het experiment van Barlow (2007) is dit aangetoond middels EEG waarbij de elektroden op F3 en F4 werden geplaatst bij patiënten met chronische stress (zie Figuur 1).

3.2 Neurofeedback en stressvermindering

In dit deel wordt er antwoord gezocht op de vraag of neurofeedback kan zorgen voor

stressvermindering. Hierbij worden er artikelen aangehaald die onderzoek hebben verricht met een wetenschappelijke EEG. Nu er onderzocht is welke hersengolven actief zijn als er stress ervaren wordt, zal er specifiek gekeken worden naar onderzoeken met betrekking tot deze specifieke hersengolven. Neurofeedback combineert conditionering en EEG-technologie om individuen te leren hersengolven te beïnvloeden en te reguleren. Dit zou uiteindelijk leiden tot een verbetering in zowel psychologisch als fysiologisch functioneren (Zoefel, Huster & Herrmann, 2011). Deze techniek is gebaseerd op de Thorndike’s Law of Effect, waarbij bepaald gedrag vaker terugkomt als dit beloond wordt (Sherlin et al., 2011). De therapie is een procedure waarbij de patiënt middels operant

conditioneren getraind wordt om hersengolven binnen een bepaald frequentiebereik te modificeren. Door middel van real-time visualisatie van de hersenactiviteit kan de patient de golven beïnvloeden. Het streven van neurofeedback is dat het brein gedurende een trainingsperiode van meerdere weken tot maanden bepaalde hersengolven automatisch reguleren (Wiener, 2011). Een trainingssessie zal bijvoorbeeld gebruik maken van ademhalingsoefeningen om bepaalde hersengolven te versterken. De patiënt zal door middel van feedback inzicht verkrijgen in de verschillende frequenties die correleren met diverse gemoedstoestanden. De gewenste hersengolven die voor juiste hoeveelheid en langere tijd (aantal minuten) gereguleerd kunnen worden door de patiënt, worden beloond via een filmpje of een geluid (Thompson & Thompson, 2007).

Er is nog weinig onderzoek verricht naar de effectiviteit van neurofeedback specifiek bij stressvermindering, maar er zijn wel enkele suggesties voor neurofeedback training bij stress voorgesteld. Zo impliceren Thompson en Thompson (2007) in hun onderzoek dat training voor het verhogen van ‘upper’ alpha waves en sensorimotor rythm waves (SMR) kan zorgen voor stress afname. Door deze training te volgen zouden hoge bèta waves, welke geassocieerd worden met een sterk actief brein en emotionele intensiteit, met een frequentie van 19 tot 22 Hz en 23 tot 35 Hz kunnen afnemen. De ‘upper’ alpha waves zijn hersengolven die een frequentiebereik hebben van 11 tot 12 Hz. Deze waves worden geassocieerd met een zeer alert en breed bewustzijn. SMR activiteit ligt bij een

9 EEG-frequentie tussen 13 – 15 Hz. Dit is het lage einde van een bèta frequentie en wordt gemeten over de somatosensorische en motorische cortex van de hersenen (bovenkant van het hoofd van oor tot oor). Deze frequentie correleert met mentale rust zonder spierspanning.

Uit enkele onderzoeken is gebleken dat neurofeedback effectief blijkt te zijn bij diverse stoornissen en het uitvoeren van taken. Zo is gebleken uit een studie van Escolano en collega’s (2014) dat depressie symptomen afnemen bij een neurofeedbacktraining van upper alpha waves. Bij deze training werd er gefocust op een toename van de upper alpha waves, waarbij de patiënten hun bewustzijn en alertheid konden vergroten en de symptomen van depressie verminderen. Een ander onderzoek heeft aangetoond dat het onderliggende mechanisme van depressie een prefrontale alpha wave asymmetrie is (Jesulola, Sharpley, Bitsika, Agnew & Wilson, 2015). Dit is vergelijkbaar met stress, waarbij er sprake is van alpha wave asymmetrie in de prefrontale cortex als indicator (Coan & Allen, 2004; Lewis, Weeks & Wang, 2007). Daarnaast is neurofeedback training effectief gebleken bij het verminderen van symptomen bij patiënten met Post Traumatisch Stress Stoornis (PTSD). Het doel van de training was het vergroten en reguleren van o.a hoge alpha activiteit. Zo is gebleken dat

angstsymptomen significant verminderen naarmate van het aantal sessies, waarbij de hoge bèta waves significant verminderden (Walker, 2009).

Verder heeft een onderzoek aangetoond dat ‘upper’ alpha wave trainingen ervoor zorgen dat cognitieve prestatie verbetert en dit ook langer aanhoudt. Door de trainingen konden 50% van de participanten tijdens enkele cognitieve testen zelf de upper alpha waves onder controle houden (Hanslmayr et al., 2005). Daarnaast is met onderzoek aangetoond dat SMR wave training (13 – 15 Hz) voor symptoomvermindering zorgt bij patiënten met Attention Deficit Disorder (ADD). De patiënten waren in staat na 40 trainingssessies de SMR-waves zelf te handhaven en vertoonden een kalme en relaxte gemoedstoestand (Thompson & Thompson, 1998). Dit is in overeenstemming met de suggestie die Thompson en Thompson (2007) stellen voor neurofeedback bij stressmanagement, namelijk het trainen van SMR waves voor een kalme en rustige mentale stemming.

Hieruit volgt dat er gesuggereerd kan worden dat neurofeedback effectief zou kunnen zijn bij de behandeling van stress in de werkomgeving. ‘Upper’ alpha wave en SMR waves training bleken hoge bèta waves te verminderen en zorgden voor een kalme, relaxte, alerte gemoedstoestand en voor een breder bewustzijn. Dit is in overeenstemming met de suggestie voor stressvermindering door Thompson en Thompson (2007). Uit de aangehaalde onderzoeken bleek het mogelijk te zijn om deze specifieke waves te trainen, waardoor het aannemelijk is dat het ook mogelijk zou kunnen zijn bij de behandeling van stress.

10

3.3 De Emotiv EPOC+

In dit onderdeel zal er gekeken worden of de Emotiv EPOC+ geschikt zou kunnen zijn om stress te kunnen verminderen. Allereerst zal er een introductie worden gegeven over de EEG-headset en de daarbij horende elektrodes. Daarna zal de Emotiv EPOC+ vergeleken worden met een wetenschappelijke EEG, om zo te kunnen bepalen of de headset stress zou kunnen verminderen. De Emotiv EPOC+ is een commerciële EEG headset en beschikt over 14 kanalen (elektrodes) en twee referentie kanalen die allen op het hoofd geplaatst moeten worden met een zoutoplossing. De locatie van de sensoren is gebaseerd op het 10-20 systeem. Het apparaat wordt geleverd met software, die aangeeft of de sensoren goed geplaatst zijn. Het apparaat heeft een sampling rate van 128 Hz. Dit is lager dan EEG systemen die in medische omgevingen gebruikt worden, die meestal over een minimale rate van 248 Hz beschikken (Teplan 2002).

Figuur 2: visuele representatie van de locaties voor

elektrodeplaatsing van de Emotiv EPOC+ in het groen (Rodríguez et al., 2013).

In dit onderzoek is gekozen voor de Emotiv EPOC+ omdat deze commercieel bruikbaar is, maar ook geschikt voor onderzoek (Ekandem et al., 2012). Ook hebben Stamps & Hamam (2010) in hun onderzoek acht commerciële EEG headsets vergeleken, waarbij de headsets een

11 “bruikbaarheidsscore” tussen de 0 en 13 punten kregen toegewezen. Deze score was gebaseerd op verschillende criteria zoals prijs, aantal kanalen en analoge naar digitale resolutie. De Emotiv EPOC+ presteerde het beste met een score van 9 van de 13 punten.

De headset biedt de mogelijkheid om ruwe, onbewerkte EEG signalen te meten. Deze signalen kunnen worden gelezen met bijgeleverde software. Emotiv biedt ook een developer kit aan, waarmee consumenten en wetenschappers hun eigen algoritmes kunnen implementeren om de ruwe EEG data te verwerken (Emotiv, 2014). Dit biedt de mogelijkheid voor tal van toepassingen, waaronder het ontwikkelen van software of apps die specifiek gericht zijn op het verminderen van werkstress met neurofeedback. Het bedrijf dat deze toepassing gaat exploiteren kan zo zijn eigen software up-to-date houden met de nieuwste algoritmes uit de Kunstmatige Intelligentie om de data te verwerken en de apps te verbeteren.

Om werkstress te kunnen behandelen met neurofeedback zijn twee elementen van belang voor het EEG systeem. Ten eerste moet het systeem de juiste potentialen kunnen meten om stress te detecteren. Ten tweede moet dit ook in real-time werken. Een beperking aan de Emotiv EPOC+ is dat deze werkt met beperkte hoeveelheden data. In medische EEG systemen die vaak bij neurologische onderzoeken gebruikt worden zoals de BioSemi van Active Two, worden tot 256 verschillende

elektrodes gebruikt die worden geplaatst volgens het internationaal bepaalde 10-10 of 10-20 systeem. Dit patroon zorgt voor een zo hoog mogelijke spatiale resolutie zonder dat de elektrodes overlappen (Jurack et al., 2007). Michel et al. (2004) suggereren in hun onderzoek dat er meer dan 20 elektrodes nodig zijn om te bepalen uit welk hersendeel de geregistreerde activiteit bij een EEG komt. Dit aantal haalt de Emotiv EPOC+ echter niet. Een groot aantal elektrodes verhoogt de kosten en vermindert de gebruiksvriendelijkheid.

Er zijn echter ook onderzoeken die de visie van Michel et al (2004) op de proef stellen.

Ekanayake (2010) stelt in zijn onderzoek dat de Emotiv EPOC+ specifieke event-related-potentials kan opvangen en dus geschikt is als EEG onderzoeksapparaat. Deze bevinding wordt ten dele ondersteund door Duvinage et al. (2013), die in hun onderzoek de EPOC+ vergeleek met een reguliere ANT headset op een P3000 potentiaal, een onvrijwillige potentiaal dat ontstaat na een onverwachtse stimulus. De ANT headset presteerde significant beter, maar het onderzoek concludeerde dat de EPOC+ ook voldoende in staat was het potentiaal te meten. Ook Stytsenko et al (2011) noemt de prestaties van de EPOC+ vergelijkbaar met conservatieve EEG headsets na het doen van een aantal standaard tests als knipperen en spierbeweging.

Volgens Yaomee et al. (2012) is de headset tevens geschikt om alpha- en bèta waves te meten. In dit onderzoek werden de locaties met de beste resultaten voor deze specifieke

12 hersengolven geselecteerd. De EPOC+ presteerde goed op de kanalen AF3 & F7 voor alphagolven en FC6 & F8 voor bètagolven, wat impliceert dat de headset stress-gerelateerde activiteit in de

prefrontale cortex waar kan nemen.

Gekeken naar een wetenschappelijke 10/20 systeem EEG om de elektrodes op de schedel te plaatsen, kunnen P7 en P8 hoge amplitudes van alpha waves waarnemen in de rechter en linker pariëtale en temporale gebieden. Om hoge bèta waves te kunnen meten (19 - 36 Hz) is het van belang om de elektrodes op de plekken FCz , F3 of F4 te plaatsen (Thompson & Thompson, 2007). Voor het trainen van hoge alpha frequenties (11 - 12 Hz), kunnen de elektrodes op de plekken T7 en T8 worden geplaatst (Kerick, Douglass & Hatfield, 2004). Echter raden Thompson en Thompson (2007) aan om bij het trainen van de hoge alpha waves de elektrode te plaatsen bij Pz.

Daarnaast wordt er aangeraden om de elektrodes te plaatsen op de plekken C3, Cz en C4 om SMR activiteit (13 - 15 Hz) te kunnen meten en te trainen (Thompson & Thompson, 1998). De elektrodes T7/T8, O1/O2 en F3/F4 worden geplaatst om alpha wave asymmetrie vast te kunnen stellen in de temporale, occipitale en frontale gebieden (Benca et al., 1999).

De Emotiv EPOC+ heeft de elektrodes F3 en F4 om de hoge bèta waves waar te kunnen nemen. Daarnaast heeft de EEG-headset de mogelijkheid op hoge alpha frequenties te kunnen trainen op de plekken T7 en T8. De alpha wave asymmetrie kan vastgesteld worden met T7/T8, O1/O2 en F3/F4. Echter heeft de Emotiv EPOC+ geen elektrodes op de plaatsen FCz, Pz, C3, Cz en C4. Hiermee kan geconcludeerd worden dat de Emotiv EPOC+ de SMR waves niet kan trainen, vanwege de ontbrekende elektrodes op de plaatsen C3, Cz en C4. Ook heeft de Emotiv EPOC+ de elektrode op de plaats Pz niet, waardoor er volgens Thompson en Thompson (2007) niet optimaal de hoge alpha waves getraind

kunnen worden.

Al met al kan er gezegd worden, gekeken naar het plaatsen van de elektrodes, dat de Emotiv EPOC+ nog ontbrekende elektrodes voor het trainen van hoge alpha waves en SMR waves. Alpha waves en beta waves zijn wel mogelijk om te detecteren. Geconcludeerd kan worden dat de Emotiv EPOC+ niet voor stressvermindering zou kunnen zorgen binnen de werkomgeving.

13

3.4 Neurofeedback training met een app

Om de training praktisch en rendabel te maken in het bedrijfsleven is het van belang dat de trainingssessies individueel, zonder begeleiding kunnen worden uitgevoerd. Een effectieve manier om individuele trainingssessies op de werkvloer te kunnen realiseren is een mobiele app. Emotiv zelf heeft nog geen specifieke app voor stressvermindering ontwikkeld, waardoor er nu aan de hand van een bestaande neurofeedback app inzicht wordt gegeven. Als voorbeeld wordt er een app aangehaald die ontworpen is

door Mitrpanont et al. (2017). Deze app Figuur 4: Screenshot van het zon spel om concentratie te

verbeteren (Mitrpanont et al,).

meet het concentratieniveau van de gebruiker met een Emotiv Insight headset. De app helpt een gebruiker zijn hersengolven te trainen door simpele spelletjes. De gebruiker krijgt een zon die uit de zee stijgt te zien. Als de hersengolven van een gebruiker dichter bij het ideaal voor concentratie komen stijgt de zon op. De zon fungeert hier als feedback voor de gebruiker. De app bevat behalve spelletjes ook ademhalingsoefeningen en muziektherapie. Uit het onderzoek bleek dat kort na het gebruik van de app de proefpersonen zich beter konden concentreren. Een app lijkt dus een functionele manier om de begeleider te vervangen bij neurofeedbacksessies.

3.5 Theoretische Casus Emotiv EPOC+

In deze casus wordt berekend welke waarde de Emotiv EPOC+ genereert voor de werkgever als hij deze aanschaft en beschikbaar stelt voor zijn of haar werknemers, mits de EEG-headset voor stressvermindering zou kunnen zorgen. Echter is gebleken dat de Emotiv EPOC+ niet voor

stressvermindering zou kunnen zorgen. In deze casus wordt er daarom vanuit gegaan dat de Emotiv EPOC+ dit in theorie wel kan in de toekomst. Tevens wordt er in deze casus vanuit gegaan dat er geen neurofeedback expert nodig is om de werknemers te behandelen, maar dat een app automatisch de

14 EEG meetresultaten verwerkt en hier een conclusie uit trekt, om vervolgens een bijpassend

neurofeedback programma aan te kunnen bieden. Deze twee aannames zijn noodzakelijk om op een simpele manier neurofeedback aan te kunnen bieden aan de werknemers. Tevens is een headset als de Emotiv EPOC+ noodzakelijk, omdat deze simpel aangebracht kan worden zonder specialistische kennis en minder geld kost. Er is geen specialistische kennis vereist om de Emotiv EPOC+ gebruiksklaar te maken voor gebruik, in tegenstelling tot de meeste EEG-apparatuur die wel stress kunnen meten op het moment (EEG Spectrum, 2018).

Of de werkgever profijt zal halen uit deze investering, kan berekend worden aan de hand van de formule voor Return On Investment (ROI) (Berk & DeMarzo, 2016). Deze formule wordt gebruikt in de financiële sector om het potentiële rendement te berekenen voor een investering (Berk &

DeMarzo, 2016). In formule (1) staat de vergelijking weergegeven. Hoe groter het percentage ROI, hoe hoger rendement er behaalt wordt op de investering. De ‘financial value’ is de waarde die de

investering met zich meebrengt. De ‘project costs’ zijn de kosten verbonden aan de investering. Om de ROI te berekenen moet eerst de te behalen financiële waarde vastgesteld worden, vervolgens worden de kosten van de investering vastgesteld.

𝑅𝑒𝑡𝑢𝑟𝑛 𝑜𝑛 𝑖𝑛𝑣𝑒𝑠𝑡𝑚𝑒𝑛𝑡: 𝑅𝑂𝐼 =(𝐹𝑖𝑛𝑎𝑛𝑐𝑖𝑎𝑙 𝑉𝑎𝑙𝑢𝑒 − 𝑃𝑟𝑜𝑗𝑒𝑐𝑡 𝑐𝑜𝑠𝑡𝑠)

𝑃𝑟𝑜𝑗𝑒𝑐𝑡 𝑐𝑜𝑠𝑡𝑠 ∗ 100 Formule (1): De return on investment (Berk & DeMarzo, 2016).

Als een werknemer weinig tot geen werkstress ondervindt, is deze in het algemeen gemotiveerder, levert betere prestaties en heeft een grotere tevredenheid met zijn werk (BRON). Dit is echter moeilijk te kwantificeren en te relateren aan een financiële meerwaarde voor het bedrijf. Ziekteverzuim daarentegen is een duidelijk te kwantificeren indicator van werkstress. Uit onderzoek van de American Institute of Stress (2017) blijkt dat per jaar 225 miljoen werkdagen verloren gaan vanwege stress in in de Verenigde Staten. Van die 225 miljoen wordt 60% toegewijd aan werkgerelateerde stress. Per werknemer die vaak verzuimt vanwege stress kost dit de werkgever naar schatting €2112,- per jaar, oftewel gemiddeld 7,7 werkdagen per jaar in Nederland (AIS, 2017; Thomas, 2011 & CBS, 2012). De financiële waarde die de EEG-headset in theorie zou kunnen bijdragen is dus €2112,- per persoon per jaar, mits de neurofeedback behandeling succesvol werkt. Dit bedrag is berekend op het bruto uurloon dat de werkgever betaald per uur voor 7.7 werkdagen in Nederland (CBS, 2012). Echter is de behandeling naar waarschijnlijkheid niet altijd even effectief. Omdat over de effectiviteit van neurofeedback voor vermindering van werkstress onvoldoende bekend is in de literatuur, is deze opgenomen als variabele in de berekeningen. Een effectiviteit van 0% tot 100% wordt verwerkt als

15 variabele in de ROI berekening, waardoor meerdere ROI waarden geplot kunnen worden tegenover de effectiviteit. Deze curve geeft visueel weer bij welke graad van succes rate van de neurofeedback behandelingen het desbetreffende rendement van de investering zou zijn.

In de projectkosten worden de aanschaffingskosten van een enkele headset meegenomen, alsmede de kosten die de tijdsinvestering van de werknemers met zich meebrengen. De headset Emotiv EPOC+ kost €800,- (Emotiv EPOC+, 2014). Ter succesvolle behandeling voor stress moet minstens 20 tot 40 sessies gedaan worden, minstens twee keer per week een half uur (EEG Spectrum, 2018). Als de werknemers twee keer per week een halfuur missen voor vier maanden lang, komt dit neer op 16 uur, oftewel 2 volle werkdagen. Ervan uitgaande dat ze succesvol behandeld worden en voor de rest van het jaar geen nieuwe behandeling nodig hebben, kost dit dus 2 werkdagen. Omgerekend is dit €528,-, ervan uitgaande dat 7,7 werkdagen gelijkstaat aan €2112,-. Er vanuit gaande dat de bijbehorende app van de Emotiv EPOC+ de neurofeedback verwerkt, en dus geen expert nodig is, zullen alleen de licentiekosten voor het programma nodig zijn. In deze casus is gekozen voor €240,- euro, wat neer komt op €20,- per maand voor een jaar om het programma te mogen gebruiken. De prijs is vergelijkbaar met een neurofeedback programma huren voor thuisgebruik (Banks, 2017). In formule (2) zijn al deze variabelen opgenomen. 𝑅𝑂𝐼 =𝑊𝑖𝑛𝑠𝑡 𝑚𝑖𝑛𝑑𝑒𝑟 𝑣𝑒𝑟𝑧𝑢𝑖𝑚 ∗ 𝑎𝑎𝑛𝑡𝑎𝑙 𝑏𝑒ℎ𝑎𝑛𝑑𝑒𝑙𝑑𝑒 𝑤𝑒𝑟𝑘𝑛𝑒𝑚𝑒𝑟𝑠 ∗ 𝐸𝑓𝑓𝑒𝑐𝑡𝑖𝑣𝑖𝑡𝑒𝑖𝑡 − (𝑃𝑟𝑜𝑗𝑒𝑐𝑡 𝑘𝑜𝑠𝑡𝑒𝑛) 𝑃𝑟𝑜𝑗𝑒𝑐𝑡 𝑘𝑜𝑠𝑡𝑒𝑛[= 𝐾𝑜𝑠𝑡𝑒𝑛 𝐸𝑚𝑜𝑡𝑖𝑣 𝐸𝑝𝑜𝑐 𝑃𝑟𝑜𝑔𝑟𝑎𝑚𝑚𝑎 +𝑉𝑒𝑟𝑙𝑖𝑒𝑠 𝑎𝑎𝑛𝑡𝑎𝑙 𝑤𝑒𝑟𝑘𝑢𝑟𝑒𝑛 𝑏𝑒ℎ𝑎𝑛𝑑𝑒𝑙𝑖𝑛𝑔 ∗ 𝑎𝑎𝑛𝑡𝑎𝑙 𝑤𝑒𝑟𝑘𝑛𝑒𝑚𝑒𝑟𝑠]

Formule (2): De ROI formule met de gebruikte variabelen, waardoor het mogelijk is om de ROI te berekenen voor de investering van de Emotiv EPOC+.

In formule (3) zijn alle behandelde variabelen opgenomen. De enige variabele die niet nog onbekend is, is de effectiviteit (E). Deze zal fungeren als ‘x’ waarde in de functie van de ROI. Op gebied van 0<x<1 zal de formule de ROI geven voor de verschillende effectiviteits percentages voor N(10) werknemers. In grafiek (1) is deze functie geplot.

𝑅𝑂𝐼 =2112 ∗ 10 ∗ 𝐸 − (1040 + 528 ∗ 10) (1040 + 528 ∗ 10)

Formule (3): Formule voor ROI waarbij N= aantal behandelde werknemers, X=aantal aangeschafte Emotiv Epocs en Y=verlies werktijd door behandeling met neurofeedback.

16

Grafiek 1: De functie van de Return On Investment ten opzichte van de succes rate geplot. De y-as geeft het percentage ROI weer. De x-as weergeeft de succes rate, bij hoeveel werknemers de neurofeedback zal werken, weer. Een percentage van 50% effectiviteit komt neer op vermenigvuldigen met een factor van 0.5, vandaar dat de x-as is gekozen van 0<x<1.

In grafiek (1) is de Return on investment ten opzichte van theoretische succes rate uitgezet voor N = 10 werknemers. Het break-even point, het punt vanaf waar geen verlies meer wordt gemaakt op de investering ligt bij x = 0,3. (Berk & DeMarzo, 2016). Bij een succes rate van neurofeedback behandeling groter 30%, toegepast op 10 werknemers die last hebben van veel werkstress is investering in de Emotiv EPOC+ dus winstgevend.

17

4. Conclusie & Discussie

In dit literatuuronderzoek werd de potentiële toepasbaarheid van de Emotiv EPOC+ EEG-headset voor vermindering van werkstress onderzocht. Door middel van interdisciplinaire integratie zijn de antwoorden op de deelvragen met elkaar verweven om een antwoord te kunnen geven op de hoofdvraag.

Uit eerder onderzoek is gebleken dat chronische stress waar te nemen is als alpha wave asymmetrie en verhoogde bèta wave frequenties in de PFC. Ook is het aannemelijk dat neurofeedback een geschikte methode zou kunnen zijn om stress te kunnen verminderen. ‘Upper’ alpha waves en SMR frequenties kunnen door middel van neurofeedback getraind worden en zorgen voor een kalme, relaxte, alerte gemoedstoestand en voor een breder bewustzijn. Echter is gebleken dat de Emotiv EPOC+ niet alle noodzakelijke elektrodes bevat om stress te kunnen detecteren. Daarnaast missen enkele elektrodes om de ‘upper’ alpha waves en SMR frequenties te kunnen trainen. Er kan dus geconcludeerd worden dat werkstress niet verminderd kan worden middels neurofeedback met behulp van de Emotiv EPOC+. Echter, als de Emotiv EPOC+ wel effectief zou zijn bij de behandeling van stress, is gebleken dat een minimale neurofeedbacktraining succes rate van 30% vereist is om het rendabel te

maken voor een bedrijf.

De grootste limitatie voor deze studie is een gebrek aan wetenschappelijke literatuur. Er zijn nog geen onderzoeken geweest die de toepasbaarheid en effectiviteit van de Emotiv EPOC+ hebben onderzocht voor neurofeedback bij behandeling van stress. Hierdoor kan er niet met zekerheid geconcludeerd worden of de Emotiv EPOC+ hiertoe in staat is . Er werd er vergelijking gemaakt met de wetenschappelijke EEG en diverse onderzoeken, om een inschatting te kunnen maken of het in theorie mogelijk is. Echter was er maar één onderzoek die specifiek neurofeedback voor stressvermindering had onderzocht (Thompson & Thompson, 2007). Daarom werden er studies aangehaald die overeenkomsten hadden met de waves die getraind moeten worden om stress te kunnen verminderen. Aan de hand van deze resultaten kon geconcludeerd worden dat de Emotiv EPOC+ enkele elektrodes te weinig heeft om stress te kunnen detecteren en de specifieke hersengolven te kunnen trainen. Daarom zal er een advies worden gegeven voor het toevoegen van een aantal elektrodes (op bepaalde elektrodeposities) aan de Emotiv EPOC+ waarmee neurofeedbacktraining wel mogelijk zou kunnen zijn. In een vervolgstudie is het noodzakelijk om een empirisch onderzoek te verrichten, om zo duidelijke conclusies te kunnen trekken over de effectiviteit van neurofeedback middels de EEG-headset. Daarbij is het van belang dat er een app ontwikkeld wordt die zich specifiek richt op neurofeedback voor het trainen van de ‘upper’ alfa waves en SMR frequenties en het verminderen van verhoogde bèta wave frequenties en alpha wave asymmetrie. Daarbij moet er direct positieve of negatieve feedback gegeven worden aan de hand van veranderende activiteit in de hersengolven. Om

18 deze reden is het van belang dat er in realtime bepaald kan worden of er sprake is van stress. Als de juiste kanalen voor een headset beschikbaar zijn kan deze snelle verwerking gedaan worden met een algoritme. Daarom zal er een advies worden gegeven voor een app, een mogelijk algoritme en de

implementatie daarvan.

Tot slot werd er een casus opgesteld waarin de minimaal vereiste succes rate werd berekend waarbij de aanschaf en implementatie van de Emotiv EPOC+ rendabel zou zijn binnen een bedrijf. Gebleken is dat neurofeedback training vanaf een succes rate van 30% rendabel is. Dit houdt in dat aanschaf van de headset winstgevend is wanneer vier van de tien behandelde werknemers zich niet meer ziek melden vanwege werkstress. Er zijn echter wel enkele kritiekpunten te benoemen over de opgestelde casus. Allereerst zijn de variabelen gemiddelde waardes. De gevonden 7,7 extra absentie dagen is het gemiddelde genomen in Nederland in 2012. Daarnaast verschillen de kosten voor het bedrijf per functie die de afwezige werknemer met zich meebrengt. €2112,- is wat het de werkgever per persoon zou kosten qua bruto uurloon over 7,7 werkdagen, maar dit loon kan sterk variëren (CBS, 2012).

Bovendien is de effectiviteit en de duur van de behandeling per persoon verschillend. In deze casus is uitgegaan van een minimum neurofeedbacktraining trajectduur van 4 maanden. Het zou ook mogelijk kunnen zijn dat er sprake is van terugval, waardoor de werknemer de training moet hervatten. Hierdoor zouden de behandelkosten een stuk hoger uit kunnen vallen. Voor vervolgonderzoek is het daarom ook van belang om een follow-up studie te doen, waaruit duidelijk kan worden of werknemers terugval vertonen.

19

5. Advies

Advies voor additionele elektrodes

Gezien het feit dat er in beperkte mate empirisch onderzoek is gedaan naar de effectiviteit van

neurofeedbacktraining voor vermindering van stress en naar de toepasbaarheid van de Emotiv EPOC+, zal er in dit deel advies worden gegeven over mogelijke toevoegingen.

Figuur 3: Aanbevolen toevoeging van elektrodes voor de Emotiv EPOC+. Hierbij geven de groen stippen de elektrodeposities weer die reeds door de EPOC+ worden gedekt, de rode stippen geven de aanbevolen extra elektrodeposities aan volgens het

internationale 10-20 EEG systeem. Bron: Ekanayake, 2010.

Voor de behandeling van stress is het van belang om de elektrodes C3, Cz en C4 aan de Emotiv EPOC+ toe te voegen, om zo SMR frequenties te meten en te kunnen trainen (13 - 15 Hz). Daarnaast is het aan te raden om de Pz elektrode aan de headset toe te voegen, om zo de hoge alpha waves te kunnen trainen (Thompson & Thompson, 2007). De elektrode FCz is nodig om (naast F3 en F4), de hoge bèta waves te kunnen waarnemen.

Advies voor de dataverwerking

Bij de toepassing neurofeedback is het van belang dat de EEG signalen in realtime verwerkt worden om de gebruiker direct van feedback te kunnen voorzien op het moment dat diens stressniveau toeneemt. Normaliter worden er bij het meten van EEG signalen meerdere metingen gedaan en wordt er achteraf een gemiddeld potentiaal berekend bij een specifieke actie voor een bepaald persoon. De software die voor neurofeedback bedoeld is moet het stressniveau van de ontvangen EEG data direct kunnen bepalen en visualiseren. Een optie om dit te bewerkstelligen is het gebruik van een neuraal netwerk.

20 Een neuraal netwerk is een techniek uit de Kunstmatige Intelligentie om verbanden te leggen tussen grote hoeveelheden data die met conventionele statistische methoden niet te vinden zouden zijn. Een neuraal netwerk duurt lang om te ontwikkelen en te trainen, maar zodra deze fase is doorlopen kan het met weinig vertraging data classificeren. Ook kan het algoritme van een continue stroom van input data, zoals EEG signalen, een continue output maken (LeCun et al., 2015).. Het neurale netwerk is gebaseerd op het brein en vertoont een aantal gelijkenissen. Een netwerk bevat neuronen, met verbindingen naar andere neuronen. In tegenstelling tot het brein zijn deze verbindingen gelaagd. Voor de verbindingen in het netwerk geldt dat neuronen zelf niet

verbonden zijn met andere neuronen uit dezelfde laag. Elk neuron uit de eerste laag, de input layer, is verbonden met alle neuronen uit de tweede laag, de hidden layer. Een netwerk kan meerdere hidden layers bevatten. De laatste layer is de output layer. In deze casus zal het netwerk 19 input neuronen bevatten , voor ieder kanaal van de Emotiv EPOC+ een neuron en voor de hierboven geadviseerde toegevoegde kanalen. In de input layer krijgen de neuronen een bepaalde activatie van buitenaf. De activatie van de 19 neuronen is in dit netwerk de gemeten activiteit in Hz bij de corresponderende elektroden.

Elke verbinding tussen twee neuronen heeft een weight, een schaalfactor waarmee de activatie van de neuron uit de eerdere laag vermenigvuldigd wordt. De activatie van een neuron in de hidden layer is de som van alle de activaties in de input layer keer de weights van de verbindingen die de neuron in de hidden layer met de neuronen in de input layer verbindt. Op eenzelfde manier worden de activaties van neuronen van een potentiële tweede hidden layer berekend. Op deze manier propageert een signaal tot de laatste layer, de output layer. In dit geval zal de output layer één neuron bevatten. De activatie in deze uiteindelijke neuron, zal door een sigmoïde functie gaan, die de activatie transformeert naar een percentage. Dit percentage is het "stresspercentage".

Het hierboven beschreven neurale netwerk kan getraind worden om bij een bepaalde input een Figuur 4: Een schematische weergave van een neuraal netwerk met 5

21 gewenste output te geven. Dit trainen gebeurt door de weights van verbindingen van de neuronen zo af te stellen dat de gewenste output bereikt wordt bij een specifieke input. Dit kan worden gedaan met een wiskundige techniek die backpropagation genoemd wordt (LeCun et al., 2015). Om deze techniek mogelijk te maken moeten er een groot aantal training voorbeelden beschikbaar zijn. Een training voorbeeld is een input waarvan de output al bekend is. In dit geval zouden dat voor alle 19 elektroden een frequentiewaarde in Hz en een binaire uitkomst zijn; stress als "1" en non-stress als 0. Uit het onderzoek van Cireşan (2012) blijkt dat neurale netwerken goed gaan presteren vanaf 1000 voorbeelden per klasse.

In dit onderzoek haalde het netwerk bij het classificeren van bepaalde karakters een accuraatheid van 97,62%. In dit neurale netwerk zijn er twee klassen, gestresst en ontspannen.

Het classificeren van EEG signalen met een neuraal netwerk is in de literatuur een aantal keer geprobeerd. Greaves (2014) vergeleek in zijn onderzoek meerdere neurale netwerken en kwam tot de conclusie dat een neuraal netwerk met 2 hidden layers het beste is. Met een training set van 2500 voorbeelden bereikte dit algoritme een accuraatheid van 75% voor classificeren van vingerbewegingen. Ook Subasi et al. (2015) behaalde met een neuraal netwerk met 2 hidden layers een accuraatheid van 92% bij het classificeren van epileptische aanvallen.

Een neuraal netwerk lijkt dus een efficiënte methode om in realtime te classificeren of een bepaalde EEG meting stress of rust impliceert.

Advies voor de neurofeedback app.

Tevens is het advies om een app te ontwikkelen die een neuraal netwerk gebruikt dat getraind is op stress detectie om het stressniveau te meten. De training kan worden geïmplementeerd middels spelletjes, ademhalingsoefeningen en ontspannen de muziek in dezelfde stijl als de app van Mitrpanont et al. (2017). Ook is het advies een functie te implementeren waarbij de voortgang kan worden bijgehouden en een puntensysteem om beloningen te geven, omdat dit de motivatie om een app te blijven gebruiken verhoogt (Deterding 2012).

22

6. Referenties

Banks, T. (2017). Home training costs. Opgevraagd op 21 januari 2018 van: www.yourbraintraining.com Barlow, D. H. (2007). Principles and practice of stress management. Guilford Press.

Benca, R. M., Obermeyer, W. H., Larson, C. L., Yun, B., Dolski, I., Kleist, K. D., ... & Davidson, R. J. (1999). EEG alpha power and alpha power asymmetry in sleep and wakefulness. Psychophysiology, 36(4), 430-436.

Benitez, D. S., Toscano, S., & Silva, A. (2016, April). On the use of the Emotiv EPOC+ neuroheadset as a low cost alternative for EEG signal acquisition. In Communications and Computing (COLCOM), 2016

IEEE Colombian Conference on (pp. 1-6). IEEE.

Berk, J., & DeMarzo P. (2016). Corporate Finance, Prentice Hall, including access MyFinanceLab, 4th edition.

ISBN: 9781292163031

Besserve, M., Martinerie, J., & Garnero, L. (2011). Improving quantification of functional networks with eeg inverse problem: Evidence from a decoding point of view. NeuroImage, 55(4), 1536-1547.

Brouwer, A. M., Neerincx, M. A., Kallen, V. L., van der Leer, L., & ten Brinke, M. (2011). EEG alpha asymmetry, heart rate variability and cortisol in response to virtual reality induced stress. Journal of

Cybertherapy & Rehabilitation, 4(1), 21-34.

Campbell, A., Choudhury, T., Hu, S., Lu, H., Mukerjee, M. K., Rabbi, M., & Raizada, R. D. (2010, August). NeuroPhone: brain-mobile phone interface using a wireless EEG headset. In Proceedings of the second

ACM SIGCOMM workshop on Networking, systems, and applications on mobile handhelds (pp. 3-8).

ACM.

CBS (2012). Arbeid kost in Nederland gemiddeld 33 euro per uur. Opgevraagd op 21 januari 2018 van https://www.cbs.nl/nl-nl/nieuws/2014/49/arbeid-kost-in-nederland-gemiddeld-33-euro-per-uur Cerqueira, J. J., Almeida, O. F., & Sousa, N. (2008). The stressed prefrontal cortex. Left? Right!. Brain,

behavior, and immunity, 22(5), 630-638.

Cireşan, D. C., Meier, U., & Schmidhuber, J. (2012, June). Transfer learning for Latin and Chinese characters with deep neural networks. In Neural Networks (IJCNN), The 2012 International Joint

Conference on (pp. 1-6). IEEE.

Coan, J. A., & Allen, J. J. (2004). Frontal EEG asymmetry as a moderator and mediator of emotion.

23 CPR. (2016, 9 maart). Can Meditation Gadgets Reduce Your Stress in 2016. Opgevraagd op 21 september 2017 van https://cprlaw.com/can-meditation-gadgets-reduce-stress-2016/

Craig, A. D. (2005). Forebrain emotional asymmetry: a neuroanatomical basis?. Trends in cognitive

sciences, 9(12), 566-571.

Deterding, S. (2012). Gamification: designing for motivation. interactions, 19(4), 14-17.

Duurzame inzetbaarheid. (z.j.). 99 oplossingen tegen werkstress. Opgevraagd op 21 september 2017 van http://www.duurzameinzetbaarheid.nl/187740/Werkstress_99oplossingen.pdf?v=0

Duvinage, M., Castermans, T., Petieau, M., Hoellinger, T., Cheron, G., & Dutoit, T. (2013). Performance of the Emotiv EPOC+ headset for P300-based applications. Biomedical engineering online, 12(1), 56. Ekandem, J. I., Davis, T. A., Alvarez, I., James, M. T., & Gilbert, J. E. (2012). Evaluating the ergonomics of BCI devices for research and experimentation. Ergonomics, 55(5), 592-598.

EEG-Spectrum (2018). EEG Research and Development. Opgevraagd op 21 januari 2018 van http://www.eegspectrum.com/faq/

Ekanayake, H. (2010). P300 and Emotiv EPOC+: Does Emotiv EPOC+ capture real EEG?. Web

publication http://neurofeedback. visaduma. info/emotivresearch. htm

Emotiv. (z.j.). Geraadpleegd op 21 september 2017 van https://www.emotiv.com/

Emotiv. (2014). Emotiv EPOC+ User Manual [Manual]. Geraadpleegd op 15 december 2017, van https://emotiv.zendesk.com/hc/en-us/article_attachments/200343895/EPOCUserManual2014.pdf

Greaves, A. S. (2014). Classification of EEG with Recurrent Neural Networks.

Hanslmayr, S., Sauseng, P., Doppelmayr, M., Schabus, M., & Klimesch, W. (2005). Increasing individual upper alpha power by neurofeedback improves cognitive performance in human subjects. Applied

psychophysiology and biofeedback, 30(1), 1-10.

Hoffmann, E. (2005). Brain Training Against Stress. Theory, Methods and Results from an Outcome Study.

Stress report. Opgevraagd op 20 december 2017 van

http://completebraincare.com/pdfs/Brain%20Training%20Against%20Stress%20PTSD.pdf

de Jager, W. (2013, 22 augustus). Fabrikanten overdrijven claims EEG-headsets voor consumenten. Wearable. Opgevraagd op 21 september 2017 van http://www.wearable.nl/interview/fabrikanten-overdrijven-claims-eeg-headsets-voor-consumenten/

24 Jesulola, E., Sharpley, C. F., Bitsika, V., Agnew, L. L., & Wilson, P. (2015). Frontal alpha asymmetry as pathway to behavioural withdrawal in depression: Research findings and issues. Behavioural brain research, 292, 56-67. https://doi.org/10.1016/j.bbr.2015.05.058

Keestra, M. (2016). An Introduction to Interdisciplinary Research: Theory and Practice. Amsterdam, Nederland: Amsterdam University Press.

Kerick, S. E., Douglass, L. W., & Hatfield, B. D. (2004). Cerebral cortical adaptations associated with visuomotor practice. Medicine & Science in Sports & Exercise, 36(1), 118-129.

Khalifa, W., Revett, K., Roushdy, M. I., & Salem, A. B. M. (2014). Stress detection using multiple

bio-signals. INFORMATION TECHNOLOGIES & KNOWLEDGE, 3(8). 280. Opgevraagd van

http://www.foibg.com/ijitk/ijitk-vol08/ijitk08-03.pdf#page=80

Klem, G. H., Lüders, H. O., Jasper, H. H., & Elger, C. (1999). The ten-twenty electrode system of the

International Federation. Electroencephalogr Clin Neurophysiol, 52(3), 3-6.

LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.

Leka, S., Griffiths, A., Cox, T., & World Health Organization. (2003). Work organisation and stress: Systematic problem approaches for employers, managers and trade union representatives.

Lewis, R. S., Weekes, N. Y., & Wang, T. H. (2007). The effect of a naturalistic stressor on frontal EEG asymmetry, stress, and health. Biological psychology, 75(3), 239-247.

Marzbani, H., Marateb, H. R., & Mansourian, M. (2016). Neurofeedback: a comprehensive review on system design, methodology and clinical applications. Basic and clinical neuroscience, 7(2), 143. Mazaheri, A., & Jensen, O. (2010). Rhythmic pulsing: linking ongoing brain activity with evoked responses. Frontiers in human neuroscience, 4.

Michel, C. M., Murray, M. M., Lantz, G., Gonzalez, S., pinelli, L., & de Peralta, R. G. (2004). EEG source imaging. Clinical neurophysiology, 115(10), 2195-2222.

Mitrpanont, J., Phandhu-fung, J., Klubdee, N., Ratanalaor, S., Pratiphakorn, P., Damrongvanakul, K., ... & Mitrpanont, T. (2017, May). iCare-Stress: Caring system for stress. In Student Project Conference (ICT-ISPC), 2017 6th ICT International (pp. 1-4). IEEE.

Niedermeyer, E., & da Silva, F. L. (Eds.). (2005). Electroencephalography: basic principles, clinical

applications, and related fields. Lippincott Williams & Wilkins.

Organisatie voor Toegepast Natuurwetenschappelijk Onderzoek (2017). Factsheet Werkstress. Opgevraagd op 16 januari 2018 van http://www.monitorarbeid.tno.nl/publicaties/factsheet-werkstress Peter, R., & Siegrist, J. (1997). Chronic work stress, sickness absence, and hypertension in middle managers: general or specific sociological explanations? Social science & medicine, 45(7), 1111 - 1120.

25 Rettner, R. (2016, 25 februari). Mind-Tracking Devices: Do ‘Brain Wearables’ Really Work? Opgevraagd op 21 september 2017 van https://www.livescience.com/53840-do-brain-wearable-devices-really-work.html

Rodríguez, A., Rey, B., & Alcañiz, M. (2013). Validation of a low-cost EEG device for mood induction studies. DOI: 10.3233/978-1-61499-282-0-43 ·

Seo, S. H., & Lee, J. T. (2010). Stress and EEG. In Convergence and hybrid information technologies. InTech.

Sherlin, L. H., Arns, M., Lubar, J., Heinrich, H., Kerson, C., Strehl, U., & Sterman, M. B. (2011). Neurofeedback and basic learning theory: implications for research and practice. Journal of

Neurotherapy, 15(4), 292-304

Stamps, K., & Hamam, Y. (2010). Towards Inexpensive BCI Control for Wheelchair Navigation in the Enabled Environment-A Hardware Survey. Brain informatics, 6334, 336-345.

Steinhardt, M. A., Smith Jaggars, S. E., Faulk, K. E., & Gloria, C. T. (2011). Chronic work stress and depressive symptoms: Assessing the mediating role of teacher burnout. Stress and Health, 27(5), 420-429.

Stopczynski, A., Stahlhut, C., Larsen, J. E., Petersen, M. K., & Hansen, L. K. (2014). The smartphone brain

scanner: a portable real-time neuroimaging system. PloS one, 9(2), e86733.

Stytsenko, K., Jablonskis, E., & Prahm, C. (2011, June). Evaluation of consumer EEG device Emotiv EPOC+. In MEi: CogSci Conference 2011, Ljubljana.

Subasi, A., & Ercelebi, E. (2005). Classification of EEG signals using neural network and logistic regression.

Computer methods and programs in biomedicine, 78(2), 87-99.

Therapieën tegen stress. (z.j.). Fonds Psychische Gezondheid. Opgevraagd op 21 september 2017 van https://www.psychischegezondheid.nl/therapieen-tegen-stress

Thompson, M., & Thompson, L. (2007). Neurofeedback for stress management. Principles and practice of stress management, 249-287. Opgevraagd op 8 november van ftp://nozdr.ru/biblio/kolxo3/B/BH/Lehrer%20P.,%20et%20al.%20(eds.)%20Principles%20and%20practi ce%20of%20stress%20management%20(3ed.,%20Guilford,%202007)(ISBN%20159385000X)(O)(752s) _BH_.pdf#page=267

Teplan, M. (2002). Fundamentals of EEG measurement. Measurement science review, 2(2), 1-11. TNO Time. (2017, 30 maart). Met de stresscoach app werkstress te lijf. Opgevraagd op 21 september

2017 van https://time.tno.nl/nl/artikelen/met-de-stresscoach-app-werkstress-te-lijf/

26 Thompson, L., & Thompson, M. (1998). Neurofeedback combined with training in metacognitive strategies: effectiveness in students with ADD. Applied psychophysiology and biofeedback, 23(4),

243-263. https://doi.org/10.1023/A:1022213731956

Ulrich-Lai, Y. M., & Herman, J. P. (2009). Neural regulation of endocrine and autonomic stress responses.

Nature Reviews Neuroscience, 10(6), 397-409.

Van de Velde, P. (2014, 3 november). Stressverzuim kost bedrijven miljarden. Opgevraagd op 20

september 2017 van

http://www.telegraaf.nl/dft/nieuws_dft/23281208/__Stressverzuim_kost_bedrijven_miljarden__.html

Walker, J. E. (2009). Anxiety associated with post traumatic stress disorder—the role of quantitative electro-encephalograph in diagnosis and in guiding neurofeedback training to remediate the anxiety.

Biofeedback, 37(2), 67-70.

Wiener, P. (2011). Neurotherapy in adult management of stress: developmental aspects of the adult immune system. Journal of adult Development, 18(2), 66-69.

Zoefel, B., Huster, R. J., & Herrmann, C. S. (2011). Neurofeedback training of the upper alpha frequency band in EEG improves cognitive performance. Neuroimage, 54(2), 1427-1431.