该论文发表于IEEE Transactions on Biomedical Engineering（中科院二区），题目为《Real-Time Attention Regulation and Cognitive Monitoring Using a Wearable EEG-based BCI 》。

华南师范大学人工智能学院黄海云副研究员为此文第一作者，华南师范大学潘家辉教授和华南理工大学李远清教授为通讯作者。

论文链接：https://ieeexplore.ieee.org/abstract/document/10694718

一、概述

课题组针对现有注意力识别研究中的问题，如离线注意力识别较多、在线BCI系统较少，以及现有BCI系统设备笨重、使用不便捷的问题，开发了一种新型的可穿戴EEG头环，配合实时神经反馈的BCI系统，以提高注意力调节能力。这项研究使用了自研的可穿戴脑机AI头环，进行了为期12天的长期注意力调节实验，实验包括10个注意力调节阶段和2个基线评估阶段。实验结果显示，实验组的平均注意力水平从0.625提高到0.812，而对照组没有显著改善，证明了该系统的有效性。

此外，研究还探讨了注意力调节的神经机制，通过相位锁定值（PLV）方法揭示了实验组在注意力调节训练前后脑网络连接和属性的显著变化。实验组的脑网络显示出连接数量的显著增加，尤其在额叶和顶部区域的网络连接更为密集，表明通过BCI系统的训练能够增强脑网络的功能性和效率。

这项研究的成果不仅为普通人提供了优化注意力的工具，也为注意力障碍患者带来了新的治疗希望。通过实时神经反馈的BCI系统，可以更便捷地评估和改善健康人群的注意力，同时也为治疗注意力缺陷多动障碍（ADHD）和自闭症谱系障碍（ASD）等认知障碍提供了新工具。

二、数据采集

整个实验方案包括10个注意力调节阶段和2个基线评估阶段，如图1所示。注意力调节阶段，使用华南脑控公司自主研发的可穿戴头环(HNNK, http://www.ihnnk.com/)，如图2所示。该头环包含3个通道(一个EEG通道和两个参考通道)，电极为可拆卸水凝胶，数据使用无线传输。基线评估阶段，使用采样率为250 Hz的NuAmps放大器获取多通道EEG数据。采用遵循国际10-20系统的32通道脑电图帽。

图1 实验整体流程

图2 可穿戴头环

三、实验步骤

1. 基线评估

此阶段包括使用NuAmps放大器记录多通道EEG数据和持续注意反应任务(SART)的认知实验。

首先，多通道EEG数据记录的详细范式和实验步骤如图3所示。每个被试共进行20次试验，分为10次注意任务和10次非注意任务。屏幕上的提示语“Attention/Non-attention”，用来提醒受试者接下来的试验是注意/非注意任务，两类任务以随机顺序呈现。

图3 注意力实验范式

其次，在SART测试中，受试者被要求对从1到9的连续重复数字做出反应(GO试验)，而当数字3出现时(NO-GO试验)则不做出反应。

2. 在线注意力调控

在线注意力调控过程中，受试者佩戴头环，BCI系统实时监测并反馈其注意力水平。如图4所示。

图4 被试通过在线反馈调控注意力

实验组：试者被要求根据提示类型和反馈来调节自己的注意力，例如在注意任务或非注意任务中分别将注意力曲线保持在高水平或低水平。

对照组：不提供反馈，并要求被试者依旧保持高度注意力。

四、数据分析

1. 脑网络及网络属性

在本研究中，基线评估阶段采集的多通道脑电数据，采用锁相值

(Phase Locking Value，PLV)构建脑网络。为了比较不同注意力水平和调节时段前后大脑网络的效率，本研究进一步计算了权重网络属性，即聚类系数(Clu)和全局效率(Ge)。

2. 统计分析

首先计算了在注意和非注意状态下，每个受试者在每次调节会话中的平均输出注意水平。为了确定不同调节时段注意水平的显著性差异，采用重复测量单因素方差分析(ANOVA)。其次采用配对t检验比较注意状态与非注意状态的注意水平，并采用False Discovery Rate, FDR进行校正。

3. 实验结果

3.1 在线注意力调控结果

图5为10次注意力调控阶段在线注意力水平的平均输出值。输出值是实验组和对照组中所有注意/不注意试验的平均值。可以看出：对于实验组，注意状态的在线输出值随着调控次数的增加呈增加趋势，而非注意状态的输出值没有明显的增加或减少趋势。

对照组的注意状态(df = 9, F = 0.602, p = 0.793，单因素方差分析)和非注意状态(df = 9, F = 1.24, p = 0.283，单因素方差分析)的输出值没有明显一致的趋势。

图5 在线输出结果

图6更详细地展示了每个被试在注意状态下在注意力调节阶段1和阶段10中的在线表现。

图6 左:注意状态下各被试第一次和最后一次调节时段的在线平均输出值(实线:实验组;虚线:对照组)。右:平均值和标准差(p < 0.05, t检验)。

3.2 基线评估结果

图7显示了基于PLV方法的脑网络拓扑结构和属性。如图7 (a)网络属性结果所示，在注意调节实验后的注意状态下，Clu和Ge显著增加(Theta: Clu p = 0.009, Ge p = 0.021;Beta: Clu p = 0.007, Ge p = 0.005)。非注意状态无显著变化(Theta: Clu p = 0.052, Ge p = 0.642;Beta:p = 0.069,Ge p = 0.076)。对于对照组(图7 (b))，脑电图前后评估的大脑网络连接相似，网络特性之间没有明显变化。

(a)

(b)

图7 基线评估前后，注意和非注意状态间具有显著差异的脑网络连接(t检验，p < 0.05, FDR校正)(左)。两个基线评估的相应网络属性(右)。

图8为10次调节前后基线脑电图评估中注意状态时额叶区θ/β功率比。对于实验组，在10次注意调节会话后的注意状态中，theta/beta功率比显著下降(ttest, FDR校正，p < 0.05)。对照组脑电图前后的功率比无显著差异。

图8 注意调节前后注意状态下额叶区的theta/beta功率比

六、结论

本研究成功开发了一种基于单通道脑电的可穿戴式脑机接口系统，用于实现在线注意力监测与调节。实验数据证实，参与者通过该系统的在线神经反馈训练显著提升了注意力调节能力，从而确认了系统的实用性。进一步的分析，包括离线脑网络分析和SART（持续注意力反应测试）量表评估，揭示了长期训练对注意力相关脑模式的增强作用。

撰稿人：陈洁

审稿人：黄海云