基于注视相关电位区分内源性和外源性注意力转移

文献标题

Differentiating Endogenous and Exogenous Attention Shifts Based on Fixation-Related Potentials

文献信息

• 主题领域: 注意力机制的神经科学研究与机器学习分类
• 关键词: fixation-related potential, EEG, 注意力, endogenous, exogenous, gaze detection, 线性判别分析, 人机交互

研究背景与问题

• 问题或挑战: 注意力的空间转换可分为内源性（endogenous）和外源性（exogenous）两种类型。内源性注意是由目标驱动的，外源性注意则是由外部刺激驱动的。然而，目前关于如何在日常自由浏览任务中区分这两种注意类型的研究较少，尤其是在使用眼动和脑电信号（EEG）的自然视野条件下。
• 重要性: 更好地理解注意力机制可以提升注意力缺陷治疗与技术系统的可用性。此外，在人机交互场景中，实时了解用户的注意力状态，有助于设计自适应用户界面。
• 研究动机与相关工作: 之前的研究表明，内外源性注意力的神经模式显著不同（如前额皮层和视觉区域的活动）。然而，大多数研究集中在实验室中的受控条件，很少涉及自然条件下的自由浏览。此外，针对自然场景的注视相关脑电位（fixation-related potentials, FRPs）的使用还不广泛。

解决方案

• 方法或解决方案:
  • 使用FRPs结合机器学习（Linear Discriminant Analysis, LDA）分类内源性和外源性注意转换。
  • 在实验中设计了两种任务：柱状图任务（需要内源性注意）和视觉搜索任务（需要快速定向目标），并在任务中引入干扰元素以诱导外源性注意。
  • 通过眼动追踪识别注视事件，并提取对应的EEG窗口，进行时频特征分析与分类。
• 关键技术与创新之处:
  1. 创新实验设计: 通过同时设计内源性与外源性注意条件，生成真实场景中的注意力转换数据。
  2. 特征提取与分类: 提取注视相关脑电信号的频域特征（如α、β、θ频段功率）以及P300成分特征，利用机器学习进行分类。
  3. 个体独立与依赖分类: 实现了基于个人训练的模型和基于跨用户训练的模型的比较与评价。

研究成果

• 具体成果:
  • 个体依赖分类的平均准确率为59.48%，高于随机分类水平（50%）。
  • 基于跨用户训练（Leave-One-Out Cross-Validation, LOOC）的平均准确率为58.48%，接近个体依赖分类结果，表明内源性与外源性分类具有一定的个体无关性。
  • 频域特征（如P300）在分类中起重要作用，而内外源性注意的眼动特征差异未能显著提高分类性能。
• 优势:
  • 分类准确率接近其他FRP相关分类研究（如关键文献中的62%和65%）。
  • 在自然视觉环境下获得较好的性能，适应性较强。
  • 验证了P300成分在注意分类中的重要性。
• 局限性与未来方向:
  • 数据质量挑战: 例如，眼动数据的定位误差对标签的准确性产生了负面影响，尤其是干扰物的地理标定较难。
  • 分类准确率上限: 虽然达到了显著水平，但59%的准确率距离实际应用需求仍有提升空间。
  • 未来研究方向:
    1. 改进数据预处理（例如通过提升眼动追踪精度减少标签噪声）。
    2. 尝试更复杂的机器学习模型（如深度学习）提升分类效果。
    3. 探索基于少量样本微调的迁移学习方法，以进一步提高个体独立分类性能。
    4. 扩展人群样本规模以提高模型的普适性。

输出总结

本文展示了将机器学习应用于自由视场中的注意力转换分类的可能性，提出了一种基于FRP的内外源性注意力区分方法，并在自然场景下实现了分类准确率接近60%的结果。研究为今后在注意力研究和人机交互中的应用奠定了基础，同时也提出了一系列数据处理与改进方向。