Les concepts éducatifs soutenant la théorie de la dominance cérébrale sont développés depuis plus de 30 ans. Certains académiciens ont développé une série de programmes pour exploiter les capacités cérébrales des étudiants en entraînant leur hémisphère plus faible du cerveau. Avant d'entraîner le côté le plus faible du cerveau avec le programme développé, la dominance cérébrale de l'élève doit être déterminée. Toutes les méthodes actuelles utilisées pour déterminer la dominance cérébrale sont des évaluations basées sur des questionnaires. Il est possible que des biais de questionnaire existent et conduisent à des résultats inexacts. Dans cette recherche, nous introduisons une méthode d'apprentissage en profondeur pour classer la dominance cérébrale en fonction du signal de l'électroencéphalogramme (EEG) qui reflète la bio-information du cerveau. Dans cet article, nous utilisons une série de techniques de traitement du signal EEG et un réseau neuronal d'apprentissage profond de pointe, à savoir le réseau neuronal convolutionnel basé sur l'apprentissage métrique (MLBCNN), pour déterminer la dominance cérébrale. Nous prouvons que la théorie de la dominance cérébrale est valide et qu'elle peut être déterminée en appliquant l'apprentissage automatique à partir des signaux EEG. Nous présentons également les résultats qui montrent que le système MLBCNN peut donner les meilleures performances par rapport aux autres modèles de réseau neuronal de référence dont la précision de classification est de 97,44 %. Par conséquent, cette méthode proposée peut contribuer au domaine de l'éducation en fournissant un système permettant de découvrir la domination du cerveau des élèves et de suivre les progrès de leur entraînement cérébral. De cette façon, le potentiel et les capacités de leur cerveau peuvent être pleinement libérés.

Los conceptos educativos que defienden la teoría de la dominación cerebral se han desarrollado durante más de 30 años. Algunos académicos desarrollaron una serie de programas para explotar la capacidad cerebral de los estudiantes mediante el entrenamiento de su hemisferio cerebral más débil. Antes de entrenar el lado más débil del cerebro con el plan de estudios desarrollado, se determinará el dominio cerebral del estudiante. Todos los métodos actuales utilizados para determinar la dominancia cerebral son evaluaciones basadas en cuestionarios. Existe la posibilidad de que existan sesgos en el cuestionario y conduzcan a resultados inexactos. En esta investigación, presentamos un método de aprendizaje profundo para clasificar la dominancia cerebral basada en la señal del electroencefalograma (EEG) que refleja la bioinformación del cerebro. En este documento, empleamos una serie de técnicas de procesamiento de señales de EEG y una red neuronal de aprendizaje profundo de última generación, a saber, la red neuronal convolucional basada en el aprendizaje métrico (MLBCNN), para determinar la dominancia cerebral. Demostramos que la teoría de la dominancia cerebral es válida y se puede determinar aplicando el aprendizaje automático a partir de las señales de EEG. También presentamos los resultados que muestran que el sistema MLBCNN puede dar el mejor rendimiento en comparación con los otros modelos de redes neuronales de referencia, cuya precisión de clasificación es del 97,44%. Por lo tanto, este método propuesto puede contribuir al campo de la educación al proporcionar un sistema para descubrir el dominio cerebral de los estudiantes y realizar un seguimiento de su progreso en el entrenamiento cerebral. De esta manera, el potencial y la capacidad de su cerebro se pueden liberar por completo.

The educational concepts upholding the theory of brain dominance have been developed for more than 30 years. Some academicians developed a series of syllabus to exploit the brain capability of students by training their weaker hemisphere of the brain. Prior to training the weaker side of the brain with the developed syllabus, the brain dominance of the student shall be determined. All the current methods used to determine brain dominance are questionnaire-based assessments. There is a possibility that questionnaire biases could exist and lead to inaccurate results. In this research, we introduce a deep-learning method to classify brain dominance based on electroencephalogram (EEG) signal that reflects the bio-information of the brain. In this paper, we employ a series of EEG signal processing techniques and a state-of-the-art deep learning neural network namely Metric Learning Based Convolutional Neural Network (MLBCNN) to determine brain dominance. We prove that the brain dominance theory is valid and it can be determined by applying machine learning from the EEG signals. We also present the results that show the MLBCNN system can give the best performance as compared to the other benchmark neural network models of which its classification accuracy is 97.44%. Hence, this proposed method can contribute to the education field by providing a system to discover students' brain dominance and keep track of their brain training progress. In this way, the potential and capability of their brain can be fully unleashed.

تم تطوير المفاهيم التعليمية التي تدعم نظرية هيمنة الدماغ لأكثر من 30 عامًا. طور بعض الأكاديميين سلسلة من الخطط الدراسية لاستغلال قدرة الدماغ لدى الطلاب من خلال تدريب النصف الأضعف من الدماغ. قبل تدريب الجانب الأضعف من الدماغ على المنهج المطور، يتم تحديد هيمنة الدماغ للطالب. جميع الأساليب الحالية المستخدمة لتحديد هيمنة الدماغ هي تقييمات قائمة على الاستبيان. هناك احتمال وجود تحيزات في الاستبيان تؤدي إلى نتائج غير دقيقة. في هذا البحث، نقدم طريقة التعلم العميق لتصنيف هيمنة الدماغ بناءً على إشارة مخطط كهربية الدماغ (EEG) التي تعكس المعلومات الحيوية للدماغ. في هذه الورقة، نستخدم سلسلة من تقنيات معالجة إشارات EEG وشبكة عصبية حديثة للتعلم العميق وهي الشبكة العصبية الالتفافية القائمة على التعلم المتري (MLBCNN) لتحديد هيمنة الدماغ. نثبت أن نظرية هيمنة الدماغ صحيحة ويمكن تحديدها من خلال تطبيق التعلم الآلي من إشارات EEG. نقدم أيضًا النتائج التي تظهر أن نظام MLBCNN يمكنه تقديم أفضل أداء مقارنة بنماذج الشبكة العصبية المعيارية الأخرى التي تبلغ دقة تصنيفها 97.44 ٪. وبالتالي، يمكن أن تساهم هذه الطريقة المقترحة في مجال التعليم من خلال توفير نظام لاكتشاف هيمنة الطلاب على الدماغ وتتبع تقدمهم في تدريب الدماغ. وبهذه الطريقة، يمكن إطلاق العنان لإمكانات وقدرات أدمغتهم بالكامل.