看着但不集中：定义基于注视的注意力偏差指标及分类注意力状态

研究背景与问题

• 作者发现了哪些问题或挑战？ 作者探讨了在动态环境中客观检测注意力状态的挑战，尤其是注意力失焦（zone-out）状态与持续注意力（zone-in）状态之间的区分。在现实场景中，注意力丧失可能导致危险后果，例如交通事故或学习效率低下。然而，尽管眼动数据提供了丰富的认知行为特征，现有研究大多使用静态任务或主观自我报告方法进行注意力状态分析，这可能忽略了实际任务中的动态变化和短暂的注意力丧失。此外，多数基于眼动数据的分类研究未能系统性地验证特定眼动指标与注意力变化之间的关系。

• 为什么这个问题很重要？ 精确检测注意力状态有助于事故预防、安全监测和教育干预。例如，驾驶员注意力丧失时可能导致致命事故，学生学习过程中注意力不集中可能影响学习效果。而基于眼动数据的客观注意力检测技术具有高时间敏感性，可以为实时干预提供依据。

• 研究动机与相关工作 虽然自我报告和基于响应时间变异性（RTV）的方法被广泛用于注意力状态检测，但这些方法在某些场景（如驾驶和操作大型机械）中可能不适用。此外，尽管眼动数据已广泛用于任务相关的研究（如阅读或视频观看），较少有研究探讨动态任务中注意力丧失的指标。因此，作者致力于填补此研究空缺，通过设计一个逼真的虚拟现实任务，提取眼动特征并验证其分类性能。

解决方案

• 作者提出了哪些方法或解决方案？ 作者设计了一个虚拟现实实验，结合渐进式连续性能任务（gradCPT）与视觉搜索任务以促进主动眼动。实验环境采用动态的360度背景场景，并持续变化搜索刺激，从而模拟真实生活中的连续搜索任务。通过记录参与者的眼动行为，研究注意力状态与眼动特征的关系。

• 该解决方案的创新之处是什么？

  1. 动态环境中的眼动研究：与现有的静态任务不同，在实验中构建了动态视觉搜索任务，强化了活动眼动的特点。
  2. 任务相关眼动指标的提取：研究不仅识别并验证了注意力状态与特定眼动特征（如首次注视延迟、第一扫视延迟、扫视幅度等）之间的显著关系，还通过机器学习分类模型将这些指标的预测能力进行了验证。
  3. 分类性能评估：通过对比显著与非显著指标以及引入行为数据（RT），分析了不同特征集对分类模型性能的影响。

• 实施步骤是什么？使用了哪些关键技术？

  1. 实验设计：参与者观看每次随机出现在360度背景视频上的3×3搜索矩阵，并根据是否检测到目标按键响应。实验持续进行，结合逐渐显现和消失的刺激，以打破固定任务特点。
  2. 数据处理：使用HTC Vive Pro Eye内置的120 Hz眼动追踪设备记录数据。过滤、光滑处理眼动数据，将数据划分为凝视（fixation）和扫视（saccade）。
  3. 眼动特征分析：统计分析比较在zone-in与zone-out状态下的眼动特征差异，同时结合行为数据（RT）以验证反应延迟关系。
  4. 机器学习分类模型：基于显著眼动特征设计用户依赖（user-dependent）与用户独立（user-independent）分类模型，并验证不同特征集对分类性能的影响。

研究成果

• 取得了哪些具体成果？

  1. 识别并验证了与注意力波动相关的眼动指标，包括首次注视延迟、第一次扫视延迟、首次注视到响应延迟、首次扫视到响应延迟以及扫视幅度。
  2. 使用显著眼动特征的机器学习分类模型性能显著提高。例如，用户独立模型在结合RT数据时最高分类正确率达79.3%，展示了这些指标的可靠性和预测能力。

• 与现有解决方案相比，它有哪些优势？ 与传统自我报告或基于响应时间变异性的方法相比，作者提出的方法能够：

  • 提供更高时间敏感性和客观性。
  • 适用于动态环境的注意力检测，为实际应用（如驾驶或教育）提供了更强的适用性。
  • 验证了特定眼动指标的显著性与分类性能的关系，克服了使用所有特征可能产生的冗余和噪声问题。

• 实验或评估结果是什么？ 评估表明：

  • 使用显著特征集训练的分类模型具有更好的性能，显著超越使用全数据或非显著特征的数据集。
  • 用户独立模型的分类性能强于用户依赖模型，表明该模型在多用户数据集上具有更好的泛化能力。
  • 行为数据（RT）与显著眼动特征的结合进一步提高了分类性能。

• 局限性与未来方向 局限性：

  • 实验任务的背景与搜索内容的语义关联较低，使情境略显人工化。未来可设计与实际场景更相关的任务。
  • 目前的注意力分类是基于相对的二元分类，未能反映注意力的具体强度。
  • 单次任务的分类精确度仍需进一步提升，以便实现更广泛应用。

  未来方向：

  • 验证指标在语义化任务中的适用性。
  • 探索多模态数据整合（例如眼动、脉搏波测量等）以提高分类性能。
  • 实现单任务实时分类能力，为实际系统嵌入做好准备。

总结

这项研究通过定义与注意力波动相关的眼动指标，并验证其分类性能，为注意力状态检测提供了重要参考。研究结果不仅揭示了眼动特征的认知意义，还展示了其在机器学习分类模型中的应用潜力。这些发现为教育、驾驶安全及其他实时注意力监测场景提供了可能解决方案，同时也为未来的研究提供了丰富的方向与改进空间。