基于脑电的注意力评估报告

注意是认知过程的一部分，是一种导致意识水平提高的知觉的选择性的集中。注意力可以被分为选择性注意力、分散性注意力、转移性注意力和持续性注意力等。

目前，量表评估是注意力评估的主要方式，是注意力评估的金标准。

例如：

1）Stroop测试是一种评估选择性注意的方法，其基于斯特鲁普效应（即优势反应对非优势反应的干扰，即当被试回答有颜色意义的字体的颜色时，回答字本身的意义为优势反应，而回答字体颜色为非优势反应，若字体颜色与字意不同，被试往往会反应速度下降），被试先阅读彩色名称，再识别每个单词的印刷颜色；

2）SNAP-IV评定量表是一种广泛使用的注意力缺陷多动障碍（ADHD）评定量表，其包括26项版本和90项版本，用于评估ADHD症状，包括注意力不集中和多动冲动行为；

3）日常注意力测试（TEA）是一种适合全年龄段并且测试覆盖面较广的测试，其包括8个子测试，旨在量化持续性、选择性、分散性注意力和注意力转换[1]。

▲ Stroop测试示意图

然而，许多注意力的量表依赖于被试的自我报告或评估者的判断，这可能受到个人偏见或解释差异的影响。而且，被试者在测试中的动机和疲劳程度可能影响他们的表现，但这些因素通常难以通过量表来衡量。此外，某些量表可能依赖于被试者的快速反应，这可能不完全反映注意力本身。

所以，发展客观评估注意力的方法是必要的。

脑电图（EEG）作为一种监测大脑电活动的技术，因其便携性和高时间分辨率，已被广泛应用于注意力相关的研究。在基于EEG的注意力评估技术发展中，主要关注的是发展与注意力相关的特征和模型。

在与注意力相关的EEG特征中，频域特征运用较为广泛：Theta/Beta比率的升高通常与前额叶介导的注意力和抑制功能不良相关，并且在ADHD患者中经常观察到这一比率的增高，这已成为临床上评估ADHD的一种生物标志物；1-4Hz的慢波活动也被发现可以直接分辨被试的注意集中、大脑空白和走神状态[2]。

此外，非线性特征（例如，样本熵、近似熵、模糊熵、谱熵）和统计特征（例如，均值方差、中心频率、最大功率）也被用作评估注意力。

▲ 注意集中（ON）、大脑空白（MB）和走神状态（WM）慢波活动

EEG模型分为分类和回归两类模型，其中基于分类模型的研究较多。

例如，Moye采集了被试在辩经中的脑电，并根据录像将被试的状态分为注意力集中和分心两种。随后发现与注意力分散相比，注意力集中与左额叶Alpha活动增加、左顶叶Thea活动增加有关。

在注意力评估中，分别使用支持向量机（SVM），多层感知器（MLP），随机森林（RF），卷积神经网络（CNN）等分类器进行分类，结果显示Alpha波和Thea波对应的注意和分心分类的最高准确率分别为95.86%和95.4%[3]。

然而，由于分类输出为离散的类别标签，这限制了连续性和细微差别的表达。此外，分类模型可能面临输入数据分布随时间变化（概念漂移）的问题。

相比之下，回归模型尽管相关研究较少，但由于其输出的连续性，在实际研究中有更高的应用价值，其主要有：

1）多元回归：用于处理多个预测变量共同影响一个响应变量的情况，其中支持向量回归（SVR）是一类广泛应用的模型，可以分为线性SVR和非线性SVR。SVR旨在找到一个函数，也就是一个超平面，使得该平面尽可能准确地拟合不同数据点的实际值。Jami对被试进行视听综合测试并采集EEG信号，通过SVR对提取的特征对被试多个注意力指标（例如，速度，准确率，持续时间等）对持续性注意力、选择性注意力和分散性注意力等进行评估，再将不同注意力内部指标平均后进行注意力评估，并取得较好的评估结果[4]。

2）弹性网络回归：结合Lasso回归和Ridge回归特点，使用L1惩罚实现变量的选择以及通过L2惩罚提供参数的收缩，从而控制模型的复杂度。Kiiski采集了健康被试和ADHD被试的静息态EEG信号，基于PLI系数使用弹性网络回归进行注意力相关特征选择和评估[5]。

3）线性混合模型：其主要针对具有嵌套或交叉数据结构的数据集，可同时考虑固定效应和随机效应。Cisler采集模拟驾驶状态下的脑电信号、心电信号和眼动信号，并且使用被试的反应时间来代表其注意力。随后，将线性混合模型基于赤池信息准则和贝叶斯信息准则进行简化，并与零加法模型比较进行进一步优化后取得较好评估结果[6]。

▲ 基于SVR的注意力评估流程

注意力作为一种复杂的认知过程，在目前其评估主要依赖于多种心理量表和实验方法。尽管这些工具为临床和科学研究提供了极大的便利，但它们存在一定的局限性。未来的注意力研究将可能集中于通过脑电图、近红外等手段，结合人工智能等先进技术，提高注意力评估的客观性和准确性。

参考文献：

[1]Nasiri, E. et al. A comprehensive review of attention tests: can we assess what we exactly do not understand? The Egyptian Journal of Neurology, Psychiatry and Neurosurgery 59, doi:10.1186/s41983-023-00628-4 (2023).

[2]Andrillon, T., Burns, A., Mackay, T., Windt, J. & Tsuchiya, N. Predicting lapses of attention with sleep-like slow waves. Nat Commun12, 3657, doi:10.1038/s41467-021-23890-7 (2021).

[3]Kaushik, P., Moye, A., Vugt, M. V. & Roy, P. P. Decoding the cognitive states of attention and distraction in a real-life setting using EEG. Sci Rep 12, 20649, doi:10.1038/s41598-022-24417-w (2022).

[4]Jami, A. E., Khalilzadeh, M. A., Ghoshuni, M. & Khalilzadeh, M. M. A Novel Method Based on ERP and Brain Graph for the Simultaneous Assessment of Various Types of Attention. Comput Intell Neurosci 2022, 6318916, doi:10.1155/2022/6318916 (2022).

[5]Kiiski, H. et al. Functional EEG connectivity is a neuromarker for adult attention deficit hyperactivity disorder symptoms. Clin Neurophysiol 131, 330-342, doi:10.1016/j.clinph.2019.08.010 (2020).

[6]Cisler, D., Greenwood, P. M., Roberts, D. M., McKendrick, R. & Baldwin, C. L. Comparing the Relative Strengths of EEG and Low-Cost Physiological Devices in Modeling Attention Allocation in Semiautonomous Vehicles. Front Hum Neurosci 13, 109, doi:10.3389/fnhum.2019.00109 (2019).